Cuando explotó la demanda de etiquetado de datos, la crisis económica convirtió a Venezuela en la zona cero de un nuevo modelo de explotación laboral. Este interesante y documentado artículo del MIT Technology Review recoge testimonios, detalla la forma en que operan las plataformas y plantea cómo la inteligencia artificial está creando una nueva forma de colonialismo global.
Iba a ser un trabajo temporal, una forma de ganar algo de dinero extra. Oskarina Fuentes Anaya se registró en Appen, una plataforma de etiquetado de datos de inteligencia artificial (IA), cuando aún estaba en la universidad estudiando para conseguir un buen puesto en la industria petrolera. Pero entonces la economía en Venezuela se derrumbó. La inflación se disparó y un trabajo estable, antes garantizado, ya no era una opción. Ese trabajo extra se convirtió en uno a tiempo completo y algo temporal pasó a ser su futuro previsible.
En la actualidad, Fuentes vive en Colombia, como tantos millones de venezolanos migrantes y refugiados que han dejado su país en busca de mejores oportunidades, pero encerrada en su casa. La causa es tanto una enfermedad crónica que desarrolló a raíz del retraso en el acceso a la sanidad como por unos algoritmos opacos que dictan cuándo trabaja y cuánto gana.
A pesar de que Appen la amenazó con represalias, Fuentes quiso usar su nombre para ser citada en este artículo para que la gente entienda cómo es su vida siendo parte fundamental del desarrollo global de la IA, pese a que los beneficiarios de su trabajo no la tratan bien y la invisibilizan. Su deseo es que la gente que lleva a cabo su trabajo sea vista.
Appen es una de las docenas de empresas que ofrecen servicios de etiquetado de datos para la industria de la IA. Los consumidores norteamericanos que compran alimentos en Instacart o buscan trabajo en Glassdoor se benefician de ese etiquetado oculto. La mayoría de los algoritmos de maximización de ganancias en las que se basan los comercios electrónicos, los asistentes de voz o los coches autónomos se basan en el aprendizaje profundo (deep learning), una técnica de IA que necesita gran cantidad de ejemplos etiquetados para desarrollar sus capacidades.
La demanda insaciable ha creado la necesidad de una amplia base de mano de obra barata que etiquete manualmente los vídeos, clasifique las fotos y transcriba el audio. Se prevé que el valor de mercado de este “trabajo fantasma”, como lo denominaron la antropóloga Mary Gray y el científico informático social Siddharth Suri, alcanzará unos 12 mil 850 millones de dólares para 2030.
Durante los últimos cinco años, Venezuela, asolada por la crisis, se ha convertido en la principal fuente de esta mano de obra. Multitud de personas bien formadas y con conexión a internet comenzaron a unirse a estas plataformas de trabajo colectivo buscando un medio de subsistencia. “Fue como una extraña coincidencia”, resalta Florian Alexander Schmidt, profesor de la Universidad de Ciencias Aplicadas HTW Dresde, en Alemania, quien ha estudiado el auge de la industria del etiquetado de datos.
La crisis de Venezuela ha sido una oportunidad para estas empresas, ya que de repente obtuvieron parte de su mano de obra al precio más barato posible. Pero para los venezolanos como Fuentes, el rápido crecimiento de esta nueva industria en su país ha sido una bendición a medias. Por un lado, ha sido un salvavidas para aquellos que no tenían otras opciones; pero, por otra parte, los ha dejado vulnerables a la explotación ya que las corporaciones han reducido los salarios, han suspendido cuentas o han cancelado colaboraciones, en una carrera para ofrecer a Silicon Valley unos servicios cada vez más económicos.
“Existen enormes desequilibrios de poder. Las plataformas deciden cómo se hacen las cosas y crean las reglas del juego”, señala Julián Posada, doctorando en la Universidad de Toronto (Canadá), que estudia el fenómeno de los anotadores de datos en América Latina. Para un creciente número de expertos, este mecanismo hace eco del pasado colonial cuando los imperios explotaban la mano de obra de los países más vulnerables y extraían sus ganancias, quitándoles los recursos que necesitaban para crecer y desarrollarse y empobreciéndolos aún más.
Dado que algunas plataformas están dirigiendo su atención a otros países en busca de mano de obra aún más barata, este modelo podría seguir expandiéndose. Lo que comenzó en Venezuela ha hecho que los actores de la industria de la IA se acostumbren a pagar muy poco a por esos servicios y ha creado unas reglas sobre cómo cumplir con los precios a los clientes esperan. “El ejemplo de Venezuela dejó muy claro que la mezcla de pobreza y con una buena infraestructura era lo que hacía posible este tipo de fenómeno. A medida que avanzan las crisis, es muy probable que haya otro país que pueda cumplir ese papel”, sostiene Schmidt.
Sorprendentemente, fueron los gigantes automotrices de la vieja escuela los que hicieron explotar la industria del etiquetado de datos. Los fabricantes de coches alemanes, como Volkswagen y BMW, entraron en pánico porque Tesla y Uber amenazaban sus negocios. Así que hicieron lo que suelen hacer las empresas grandes cuando se encuentran con una nueva competencia: firmar cheques en blanco a cambio de mantenerse al día. La innovación tecnológica elegida fue el coche autónomo. Los gigantes automotrices comenzaron a invertir miles de millones de euros en su desarrollo, señala Schmidt, lo que llevó las necesidades del etiquetado de datos a nuevos niveles.
Como todas las IA basadas en aprendizaje profundo, los coches autónomos necesitan millones -o miles de millones- de ejemplos etiquetados para aprender a “ver”. Estos ejemplos se presentan en forma de horas y horas de vídeo. Cada fotograma se etiqueta cuidadosamente, para identificar las señales de la carretera, vehículos, peatones, árboles o contenedores de basura, de forma que el coche los evite. Pero a diferencia de los sistemas de IA que pueden reconocer categorías de ropa o recomendar noticias, los coches autónomos requieren los niveles más altos de precisión en el etiquetado. Un exceso de fotogramas mal etiquetados puede significar la diferencia entre la vida y la muerte.
Durante más de una década, la reina en este campo ha sido la plataforma de trabajo colaborativo Mechanical Turk o MTurk, de Amazon. Lanzada en 2005, era la forma de facto para que las empresas accedieran a una mano de obra barata dispuesta a trabajar por encargo. Pero MTurk también era una plataforma generalista: como tal, generaba resultados variados y no podía garantizar un mínimo de calidad.
A medida que el aprendizaje profundo comenzó a dominar a principios de la década de 2010, surgió una nueva generación de plataformas de IA de trabajo colaborativo más especializadas, que querían garantizar una mayor precisión con un enfoque más práctico tanto para los clientes como para los empleados. Cuando los fabricantes de coches se sumaron a esta iniciativa en 2017, no solo querían un mejor rendimiento, sino también una precisión del 99 % o más. MTurk cayó en desgracia y las plataformas especializadas tomaron las riendas. Plataformas más antiguas, como Appen, se adaptaron a este nuevo enfoque.
Una de las empresas más destacadas entre estas nuevas plataformas especializadas es Scale AI. Fundada en 2016 por Alexandr Wang, que en ese momento era estudiante del MIT de 19 años, Scale AI rápidamente juntó decenas de miles de trabajadores del etiquetado y tuvo clientes de renombre, como Toyota Research, Lyft y OpenAI. Los inversores la alababan: “Si pudiera elegir entre conducir un rickshaw o etiquetar datos en un cibercafé con aire acondicionado, lo segundo es mejor”, declaró a Bloomberg en 2019 Mike Volpi, director general de Index Ventures, tras unirse a Scale AI con una inversión de casi 94 millones de euros junto con otras empresas. Scale AI está valorada actualmente en 6.850 millones de euros. En febrero, fue seleccionada entre otras empresas para dar servicios al Departamento de Defensa de EE UU en virtud de un contrato general de hasta 234 millones de euros.
El crecimiento inicial de Scale AI se basó en su capacidad para proporcionar datos etiquetados de alta calidad de forma rápida y económica, gracias principalmente a su mano de obra. En 2017, lanzó una plataforma orientada a los trabajadores llamada Remotasks para crear un grupo global de contratistas baratos.
Para algunas tareas, Scale AI primero pasa los datos del cliente por sus propios sistemas de inteligencia artificial para generar etiquetas preliminares antes de publicar los resultados en Remotasks, donde los trabajadores humanos corrigen los errores. Para otros encargos, según los materiales de formación de la empresa revisados por MIT Technology Review, Scale AI envía los datos directamente a la plataforma. En general, los trabajadores humanos realizan el primer etiquetado; luego otros revisan ese trabajo. El pago de cada trabajador depende de la velocidad y de la precisión, lo que los motiva a completar las tareas de manera más rápida pero meticulosa.
Al principio, Scale AI buscó a sus trabajadores en Filipinas y en Kenia. Ambos países encajaban perfectamente, con antecedentes de externalización, con poblaciones que hablan inglés excelentemente y, lo que es más importante, con salarios bajos. Sin embargo, casi al mismo tiempo, según la investigación de Schmidt, rivales como Appen, Hive Micro y Spare5 de Mighty AI empezaron a notar un aumento drástico en los registros desde Venezuela. A mediados de 2018, aproximadamente 200.000 venezolanos se habían registrado en Hive Micro y Spare5, representando el 75 % de sus respectivas fuerzas laborales.
En 2019, Scale AI siguió a sus competidores hasta Venezuela. Después de experimentar el aumento de los registros en el país, los directivos de la empresa vieron la oportunidad de convertir uno de los mercados laborales más baratos del mundo en un centro para sus proyectos de etiquetado más intenso de LIDAR. Comenzó a reclutar trabajadores venezolanos de forma intensiva, utilizando códigos de referencia y una campaña de marketing en las redes sociales que hizo creer a la gente que podía ganar mucho dinero.
El momento fue muy oportuno. Más tarde ese año, Uber adquirió Mighty AI y restringió el acceso a Spare5. Sus etiquetadores se fueron a Remotasks en masa. Luego, a principios de 2020, en lo que aseguraron que era una forma de ayudar a los venezolanos que atravesaban esa dificultad histórica, Scale AI creó una página específica de Venezuela para Remotasks y animó a los usuarios a unirse a su nueva iniciativa denominada Remotasks Plus. Al programa se accedía solo por invitación, pero luego se implementó a nivel mundial, prometió a los participantes una nueva oportunidad de recibir más formación, de aumentar sus ganancias a través de las primas y salarios mínimos por hora, y, aparentemente, promocionar dentro de la empresa.
En un mes, el inicio de la pandemia mundial comenzó a incrementar el número de miembros del programa. El nuevo esquema estableció firmemente el punto de apoyo de Scale AI en el país. Scale AI dominó como la opción preferida entre las destacadas start-ups; Appen entre los gigantes tecnológicos como Google, YouTube y Facebook; y Hive Micro entre los clientes de menor nivel económico con necesidades de calidad menos estrictas.
La ciudad donde vive Fuentes está situada entre las montañas, a una hora de viaje al sur del incipiente centro tecnológico de Colombia, Medellín. Esta mujer de 32 años comparte un piso con su esposo, su madre, su tía, tío y abuela, y con sus dos perros, a los que se refiere como “mis hijos”.
El espacio de la vivienda incluye la peluquería de su madre. Mientras Fuentes, apasionada del anime y con el pelo teñido de rosa y lavanda, enciende su ordenador portátil en el salón, su madre le corta el pelo a una mujer en la cocina junto a otros tres miembros de la familia que preparan el almuerzo. El más pequeño de los dos perros, luciendo un tutú rosa y un collar a juego, se sienta a los pies de Fuentes. Flores de papel de colores decoran las paredes.
En la pantalla del ordenador, se ve una lista de tareas en Appen. Cada una muestra un título y una identificación anónima del cliente, así como la cantidad de unidades en las que se divide y cuánto se puede ganar, generalmente céntimos, por cada unidad. Las tareas varían bastante, desde el etiquetado de imágenes hasta la moderación de contenido y hacer categorías de productos (por ejemplo, determinar si un objeto corresponde a “joyería”, “ropa” o “bolsos”). Este último tipo de tarea se ha vuelto tan familiar que Fuentes ya no necesita traducir el texto del inglés al español. Para otras tareas, la venezolana utiliza Google Translate para entenderlas.
Para aceptar una tarea, hace clic y el sistema le presenta las instrucciones del cliente. A veces son claras, pero otras veces no. A veces no hay ninguna instrucción en absoluto. Una tarea le resultó imposible de realizar: su pantalla mostraba una imagen satelital de un área densamente boscosa. No había instrucciones, solo una tecla de “árbol” y otra de “no árbol”, y un cursor que debería indicar las partes correspondientes de la imagen. Independientemente del método, su respuesta siempre fue rechazada. Fuentes está convencida de que el cliente quería que cada árbol, y probablemente eran miles, se señalara por separado.
Mientas completa algunas de las tareas más fáciles, el recuento de sus ganancias en la esquina superior derecha crece en centavos. No puede recibir el dinero hasta que alcance un mínimo de 10 dólares (9,4 euros) y luego debe cambiarlos a la moneda local. En Venezuela era algo complicado: la mayoría de los lugares no aceptan pagos con monederos electrónicos y el mercado negro para cambiarlos a la moneda local tiene muchas estafas y altas comisiones. En Colombia, al menos puede usar PayPal.
Fuentes entra en otra tarea que no ha podido completar, esta vez se trata de la moderación de contenidos. No es para un cliente sino una especie de evaluación. Si la pasa, su lista de trabajos empezará a recibir más encargos de moderación de contenidos, que suelen estar mejor pagados. “¿Estos vídeos de RED SOCIAL* contienen algún crimen o violación de los derechos humanos?” era la pregunta. A continuación, una serie de reproductores de vídeo con subtítulos muestran las teclas de “sí” o “no”.
El problema era que los reproductores de vídeo funcionaban mal y aparecían como rectángulos oscuros sin imagen. Era claramente un error, pero sus experiencias pasadas con el servicio al cliente de Appen le han enseñado que no vale la pena alertarlos. “¿Te gustaría intentarlo?” pregunta Fuentes, con la esperanza de que alguien con mejor inglés pueda entenderlo solo con los subtítulos. Pero esos subtítulos se ven borrosos y están llenos de jerga. La tarea es, de nuevo, imposible de realizar.
En la universidad, Fuentes estudió ingeniería de petróleo y gas en un momento en el que la empresa petrolera estatal de Venezuela generaba una riqueza significativa para el país. Era buena estudiante y consiguió unas prácticas, y luego una oferta para un trabajo a tiempo completo. Estaba bien encaminada hacia el sueño venezolano. Pero en el último año de su máster, la economía ya empezó a derrumbarse. El precio del petróleo caía y la dependencia casi total del país de esos ingresos amenazaba con un declive drástico.
Fue entonces cuando Fuentes se enteró de las plataformas de microtrabajo y se unió a Appen, siguiendo el consejo de sus amigos que le decían “esta sí que paga”. En los descansos de escribir su tesis, ganaba de 10 a 15 dólares (9,4 a 14 euros) previendo la tensión financiera que se avecinaba. Como muchos otros, usaba el ordenador portátil educativo que el Gobierno había entregado a los niños unos años antes. Ese tipo de programas eran de una era diferente. Desde entonces, esos ordenadores portátiles se han vendido y revendido entre los adultos que intentan acceder a la economía digital.
Al graduarse Fuentes, la crisis empeoró. Como resultado de la extraordinaria hiperinflación, su oferta de trabajo ya no cubría los gastos básicos de subsistencia, pero no había mejores empleos para los estudiantes recién salidos de la universidad. A Fuentes le preocupaba la seguridad de su familia si se quedaban en el país. Ni siquiera estaba segura de que pudieran comprar comida. Entonces, a principios de 2019, con el dinero suficiente solo para una semana de comida, ella y su esposo cruzaron la frontera con Colombia, donde tenía doble nacionalidad. La generación anterior de su familia, en la misma búsqueda de estabilidad, había hecho el camino opuesto, dejando Colombia rumbo a Venezuela, para huir de una crisis diferente.
El plan era empezar de cero. Pero en cambio, se enfrentaron a constantes recordatorios de la precariedad de su situación. Un malentendido con el casero casi les hace perder el piso. Luego, mientras su esposo luchaba por obtener el permiso de trabajo, el nuevo empleador de Fuentes, un call-center local, anunció que cerraba de un día para otro.
Bajo un estrés enorme, la mujer comenzó a sufrir un intenso malestar físico, pero pensó que pasaría cuando terminase la crisis. Sin embargo, días después de empezar un nuevo trabajo en otro call-center, Fuentes terminó en el hospital durante cinco días. El médico le diagnosticó diabetes aguda y le advirtió que moriría sin un tratamiento inmediato. Durante un mes, sufrió calambres debilitantes y perdió la visión. Cuando se recuperó, su mente volvió instantáneamente a preocuparse por cómo pagarían sus medicamentos. Así que sacó su viejo ordenador y comenzó a trabajar en Appen a tiempo completo.
Resultó que lo que le pagaban ahí era aproximadamente la misma cantidad de dinero que ganaba en el centro de llamadas. De acuerdo con lo que explica el CTO de Appen, Wilson Pang, la empresa ajusta su pago por tarea al salario mínimo de la localidad de cada trabajador. Así, Fuentes pudo quedarse en casa para descansar más, cuidarse e iniciar un tratamiento intensivo. Invirtió en un ordenador portátil más potente para acceder a las tareas mejor pagadas, como el etiquetado de LIDAR 3D para los coches autónomos. Rápidamente recuperó los costes iniciales y ganó algo más.
Fuentes sonríe al recordar esta parte de la historia. Con su esposo empleado y sus ganancias en Appen de una media de 65 euros semanales, por fin pudo respirar sin preocuparse constantemente por el dinero. Esos fueron los buenos tiempos, según resalta Fuentes, cuando, por un momento fugaz, sintió que había llegado al final de un túnel largo y oscuro. Para la mayoría de los venezolanos, sin embargo, salir del país era imposible. Aquellos que recurrieron al etiquetado de datos lo hicieron no solo porque habían perdido otros trabajos, sino porque una ola de delincuencia por la creciente inestabilidad los atrapó dentro de sus hogares.
Trabajar en las plataformas se convirtió en el empleo a tiempo completo de muchas familias, indica Posada. A veces, padres e hijos se turnaban en un ordenador compartido; otras veces las mujeres se encargaban de las tareas del hogar para que los hombres de la casa pudieran trabajar sin parar.
Pero como pronto descubrió Fuentes, la ventana de las oportunidades se iba reduciendo. Poco después del cierre de Spare5 y del inicio de la pandemia, la cantidad de tareas en Appen empezó a disminuir, a medida que más trabajadores se unían a la plataforma. Antes, la lista de tareas se completaba de manera fiable durante las 24 horas del día, recuerda Fuentes. Ahora estaba cada vez más vacía, con encargos que llegaban de manera imprevisible y en horarios extraños.
Aunque para Fuentes todavía era suficiente para mantenerla, los usuarios que se registraron más tarde no tuvieron tanta suerte. Appen dividió sus cuentas en cuatro niveles. Los usuarios tenían que completar las tareas de los niveles 0 y 1 con un estándar consistente antes de poder acceder a trabajos adicionales en los niveles 2 y 3. Con el tiempo, las tareas del nivel inferior se volvieron casi inexistentes, lo que significaba que las nuevas cuentas recibían cantidades insignificantes de dinero. La única forma de subir de nivel era comprando una cuenta existente de mayor nivel en el mercado negro, pero aquellos que lo hacían corrían el riesgo de que les cerraran las cuentas por violar la política de la empresa.
Golden afirma que se han alejado de este modelo basado en niveles, pero que sus proyectos aún “tienen calificaciones específicas y, por lo tanto, no están abiertos a todos”. “Nos sentimos orgullosos de pagar por encima del salario mínimo y nos adherimos a nuestro Código de ética. Esperamos que nuestra plataforma pueda ser una luz para los venezolanos durante la crisis y ofrecer trabajo a quienes lo necesitan”, añade.
Por eso Remotasks era la siguiente mejor opción. (Aunque Hive Micro es el servicio más fácil para entrar, ofrece el trabajo más desagradable, como etiquetar imágenes terroristas, por el mínimo dinero). Pero tan pronto como se lanzó Remotasks Plus, el sistema empezó a mostrar sus grietas. Muchos usuarios se dieron cuenta rápidamente de que sus horas no se calculaban bien, lo que reducía sus ganancias semanales. También estaban sujetos a estándares más altos, con un mayor riesgo de posible suspensión por no ser lo suficientemente rápidos o precisos.
Matt Park, vicepresidente senior de operaciones de Scale AI, destaca que Remotasks “invierte mucho en la formación y apoyo de todos los trabajadores”, incluido un equipo de soporte de habla hispana las 24 horas, los 7 días de la semana, cursos de formación, sesiones de capacitación en directo y canales de foros comunitarios. “Los trabajadores de Remotasks Plus recibieron formación y apoyo adicionales a través de un programa de entrenamiento especializado”, asegura. Sin embargo, los empleados descubrieron que no había un apoyo adecuado para ayudarles a cumplir con los estándares requeridos.
Unos meses después, Remo Plus limitó las ganancias: a los que trabajaran más de 60 horas a la semana no se les pagaba el tiempo extra. Mientras tanto, Scale AI continuó con su campaña publicitaria, publicando vídeos en YouTube, Facebook e Instagram con testimonios y material atractivo con montones de dólares estadounidenses. “Prometen estabilidad, lo venden como un trabajo a largo plazo, pero mienten”, resalta un estudiante universitario que trabajó en Remo Plus y pidió permanecer en el anonimato por temor a represalias.
Cuando los trabajadores experimentaban problemas, se veían incapaces de abordarlos. Sus principales canales de comunicación con la empresa eran a través de los educadores, community managers y reclutadores, que a menudo también eran contratistas de la empresa. Como resultado, esas personas no tenían ni la capacidad ni el incentivo para abogar en su nombre. Los trabajadores que hacían preguntas recibían silencio, excusas y maltrato. El exingeniero informático Ricardo Huggines, que comenzó a trabajar en Remo Plus para mantener a su esposa e hijos, asegura que lo expulsaron del programa después de protestar por la reducción de los pagos y el aumento de la carga de trabajo.
A medida que pasaba el tiempo, el programa se volvía más desorganizado. La plataforma estaba plagada de errores y corría riesgo de colapsar, dejando a las personas con tareas incompletas por las que luego acababan siendo castigadas. Scale AI también tuvo problemas para introducir el dinero a Venezuela y luego cambió de PayPal a la billetera digital AirTM, que admitía mejor los bolívares, la moneda local. En el servidor de Discord que Scale AI creó exclusivamente para los participantes venezolanos, al que MIT Technology Review tuvo acceso, los trabajadores se quejaban a menudo de que los pagos se retrasaban durante semanas o incluso meses.
A principios de 2021, Scale AI recortó sus primas y redujo aún más los ingresos de los trabajadores. En abril, finalmente cerró Remo Plus por completo, moviendo a todos a la plataforma Remotasks estándar. Muchos trabajadores afirman que nunca recibieron su último pago, aunque Park asegura que los registros de la empresa muestran que “no hay pagos pendientes ni consultas de apoyo relacionadas con el pago de este programa”. Una empleada mostró a MIT Technology Review varias capturas de pantalla de una disputa de pago con el servicio al cliente que había durado ocho meses y que el agente finalmente marcó como resuelta sin que ella haya recibido el dinero.
Algunos trabajadores han oído los rumores de que la empresa había cerrado el programa como castigo a las personas que se habían aprovechado del sistema. En Discord, Scale AI les explicó oficialmente a los trabajadores que el programa había sido un experimento y que ese experimento ya había terminado. Para muchos, ese latigazo interrumpió su sustento y los medios de supervivencia de su familia. “Por la forma en la que nos trataron, me di cuenta de que su enfoque era agotar a cada usuario tanto como fuera posible y luego deshacerse de ellos y traer nuevos usuarios”, indica Huggines.
Últimamente, Fuentes espera ansiosa junto a su ordenador, lista para comenzar a realizar tareas en cualquier momento. Algunas semanas, su hipervigilancia no conduce a nada; otros, gana entre 6 a 8 dólares (5,6 a 7,5 euros), por debajo del umbral para poder retirar el dinero. A veces, aparece una tarea bien remunerada y gana 300 dólares (282 euros) en unas pocas horas.
Las ganancias inesperadas llegan con la frecuencia suficiente para que su ingreso medio sea sostenible. Pero también son tan raras que la mantienen atada a su ordenador. Si aparece una buena tarea, solo hay unos segundos para cogerla y no puede permitirse perder la oportunidad. Una vez, mientras daba un paseo, se perdió una tarea que le habría hecho ganar 100 dólares (94 euros). Ahora reduce sus paseos a los fines de semana, ya que se dio cuenta de que los clientes suelen publicar las tareas durante sus horas de trabajo.
Fuentes descarga sus frustraciones en los grupos de Telegram y Discord de otros venezolanos en Appen. Los miembros intercambian sus estrategias y trucos para aumentar sus ganancias. También comparten herramientas desarrolladas por la comunidad para facilitar el trabajo. Fuentes utiliza varias de estas herramientas, incluida una extensión del navegador que activa una alarma cuando aparece una nueva tarea. Lo mantiene funcionando incluso mientras duerme, para despertarla en medio de la noche.
Un grupo en particular la ha ayudado a incrementar significativamente sus ingresos. Appen envía diferentes trabajos a distintos trabajadores, basando la distribución en una serie de factores que incluyen su ubicación, la velocidad y la competencia. Aunque los miembros del grupo no conocen el mecanismo exacto, saben que cada uno recibe tareas diferentes. Y cuando el trabajo en Appen comenzó a disminuir, se dieron cuenta de que podían acceder al trabajo de los demás.
El grupo lleva a cabo las tareas de forma conjunta. Cada vez que aparece una tarea en la lista de un miembro, esa persona copia la URL específica de la tarea para todos los demás. Cualquiera que haga clic puede reclamar la tarea como propia, incluso si nunca apareció en su propia lista. Pero ese sistema no es perfecto. Cada tarea tiene una cantidad limitada de unidades, como el número de imágenes que se deberían etiquetar, que desaparecen más rápido cuando varios miembros reclaman la misma tarea a la vez. Pero Fuentes confirma que siempre que haga clic en el enlace antes de que desaparezca, la plataforma le permitirá completar las unidades que queden y Appen pagará. “Todos nos ayudamos unos a otros”, señala.
Este grupo también realiza un seguimiento de las identificaciones de los clientes que se deben evitar. Algunos clientes son particularmente severos al calificar el resultado de las tareas, lo que puede provocar una suspensión devastadora de la cuenta. Casi todos los miembros del grupo han experimentado al menos una, según Fuentes. Cuando eso sucede, se pierde el acceso no solo a las tareas nuevas, sino también a las ganancias que no se hayan retirado.
Cuando eso le pasó a Fuentes, recibió un correo electrónico que indicaba que había completado una tarea con “respuestas falsas”. Cuando lo reclamó, el servicio de atención al cliente confirmó que se trataba de un error administrativo. Pero a Fuentes aún le llevó varios meses de reclamaciones, usando Google Translate para escribir mensajes en inglés, poder restablecer su cuenta, según las comunicaciones revisadas por MIT Technology Review.
“Tenemos varias iniciativas para reducir el tiempo de respuesta. La realidad es que tenemos miles de solicitudes al día y respondemos según la prioridad”, admite Golden, quien señala que Appen ha registrado un incremento en los trabajadores que participan en actividades que la empresa considera un “fraude”, como el uso de VPN para ubicarse en los países con salarios más altos, y por eso la compañía busca de proactivamente estos comportamientos y cierra las cuentas consideradas ilegítimas. “Nuestro equipo de soporte trabaja activamente con cada colaborador en su situación para rectificar cualquier malentendido”, mantiene Golden, mientras que los trabajadores destacan que son precisamente las expectativas poco realistas de la plataforma y sus políticas de gatillo fácil las que les empujan a encontrar soluciones creativas.
Desde el cierre de Remo Plus, las condiciones en Remotasks también han empeorado. Los empleados resaltan que la plataforma sigue teniendo errores y, a veces, resulta engañosa, mientras que los pagos se han vuelto menos fiables. Algunos pueden pasar horas completando tareas para descubrir que recibieron solo una fracción de la cantidad total indicada en cada trabajo. Otros explican que los apagones repentinos en medio de una tarea pueden borrar su trabajo y costarles el salario que habrían ganado.
A medida que Remotasks ha continuado su expansión global, los anotadores en Venezuela también sospechan cada vez más que están siendo tratados de manera diferente a sus colegas en los países de ingresos más altos. Los trabajadores del norte de África, donde la plataforma se ha expandido en los últimos dos años, opinan lo mismo: Scale AI ha reducido su salario en más de un tercio en cuestión de meses y ha retenido o incluso quitado sus ganancias, dejando a algunos trabajadores con pagos pendientes negativos (en otras palabras, que le deben dinero a Scale AI), según las capturas de pantalla proporcionadas a MIT Technology Review.
Los empleados de Venezuela y del norte de África resaltan que sus colegas filipinos y europeos con los que hablan nunca han experimentado el mismo maltrato. “Los pagos se determinan en función del proyecto, no por una base geográfica”, señala Park, y añade que “en casos excepcionales, Remotasks ha encontrado errores que dieron como resultado que se mostraran estimaciones de pago inexactas”.
Scale AI también intentó impedir que los trabajadores se resistieran a estos cambios. Recientemente, cuando un grupo de empleados del norte de África trató de luchar contra los drásticos recortes salariales, sufrieron represalias. La compañía amenazó con prohibir el acceso a cualquiera que participe en las “revoluciones y protestas”, según las capturas de pantalla del Discord específico del proyecto y ocho trabajadores que se arriesgaron a que cerraran sus cuentas de Remotasks para hablar sobre sus experiencias. Los empleados aseguran que Scale AI también creó un nuevo sistema de cuotas que quita a los trabajadores del proyecto si no completan una cierta cantidad de tareas dentro de un tiempo determinado. Los empleados estiman que alrededor de 20 de ellos ya han sido despedidos.
“En febrero, las tasas de pago de este proyecto se actualizaron para alinearlas con los pagos promedio de otros proyectos similares de Remotasks. Remotasks se compromete a pagar salarios justos en todas las regiones en las que operamos y realizamos evaluaciones y actualizaciones periódicas de nuestros salarios”, indica, por su parte, Park.
MIT Technology Review creó su propia cuenta en Remotasks desde Venezuela para corroborar los testimonios de los trabajadores. La experiencia fue confusa e despiadada. Las instrucciones para las tareas eran difíciles de entender, con muchas páginas de información técnica. Un cronómetro avanzaba en la parte superior izquierda de la pantalla, sin un plazo claro de entrega o una forma visible de pausarlo para ir al baño. (Park señala que se trata de un temporizador de inactividad que devuelve una tarea al grupo para que otra persona la reclame si un trabajador la deja incompleta durante demasiado tiempo). Tres errores nos enviaban de vuelta a la página de instrucciones. A veces, la plataforma no cargaba.
Durante la formación, los materiales mostraban un GIF de una mujer que se duchaba con billetes de dólar. Arriba, ponía en español: “Si usted hace anotaciones de alta calidad y sigue cuidadosamente las reglas del proyecto, puede obtener una gran recompensa”. Después de dos horas de trabajo, que incluyeron completar un tutorial y 20 tareas por un centavo cada una, la autora venezolana de este artículo, Andrea Paola Hernández ganó 10 céntimos de euro. Park afirma que los trabajadores en Venezuela ganan una media de poco más de 85 céntimos por hora.
El estudiante de informática de la Universidad de Nairobi (Kenia) Simala Leonard, que estudia IA y trabajó varios meses en Remotasks, considera que el pago de los que etiquetan los datos es “totalmente injusto”. Los programas de coches autónomos de Google y Tesla valen miles de millones de euros, recuerda, y los desarrolladores de algoritmos que trabajan en la tecnología son recompensados con salarios de seis cifras. Mientras tanto, a las personas que realizan “la parte más fundamental del aprendizaje automático” se les paga una miseria. “Sin los datos bien etiquetados, los modelos no pueden predecir adecuadamente”, añade.
Paralelamente al auge de las plataformas como Scale AI, las empresas del etiquetado de datos más recientes han intentado establecer un estándar más alto para las condiciones de trabajo. Se presentan como alternativas éticas, que ofrecen salarios y primas estables, buena formación en el trabajo y posibilidades de crecimiento y promoción profesional. Pero este modelo todavía representa solo una pequeña parte del mercado. “Tal vez mejore la vida de 50 trabajadores, pero eso no significa que este sistema de trabajo, tal y como está estructurado, vaya a funcionar a largo plazo”, indica Milagros Miceli, doctoranda en la Universidad Técnica de Berlín (Alemania) que realiza su investigación sobre dos empresas de este tipo.
Estas compañías compiten con otros actores dispuestos a ir hasta el final y, para mantener sus precios competitivos, contratan a los trabajadores de forma similar, entre poblaciones empobrecidas y marginadas (jóvenes de bajos ingresos, refugiados, personas con discapacidades), las cuales siguen siendo igual de vulnerables a la explotación, explica Miceli.
Esto ha sido particularmente evidente durante la pandemia, cuando algunas de estas empresas comenzaron a relajar sus estándares. Redujeron sus salarios y alargaron las horas de trabajo, a medida que sus clientes ajustaban los presupuestos. El repentino exceso de oferta de mano de obra del mercado redujo el precio medio del etiquetado de datos. Eso ha afectado a los empleados como Jana de Kenia, que nos pidió que no usáramos su verdadero nombre y que asegura que sus ingresos decrecientes ya no son suficientes para mantener a su hijo. Actualmente hace malabares con dos trabajos. De día, trabaja a tiempo completo en una empresa considerada pionera en el etiquetado de datos de forma ética. Por la noche, entra en Remotasks y trabaja desde las 3 de la madrugada hasta la mañana. “Debido al coronavirus, no hay otra opción. Solo tenemos esperanza de que lleguen tiempos mejores”, comenta la mujer.
Pero esos tiempos mejores no llegarán sin una defensa y regulación internacional coordinada para limitar lo bajo que puede llegar la industria, según explica Posada: “Las plataformas se pueden mover. Si no les va bien en Filipinas, entonces se van a Venezuela. Si Venezuela no funciona, entonces a otro lugar”. De hecho, Scale AI ha seguido expandiéndose mucho más allá de Venezuela. Durante la pandemia, ofreció campos de entrenamiento virtuales en Asia, América Latina, África subsahariana y los países de habla árabe. Según los datos de tráfico web del analizador de tráfico Semrush, la proporción de registros en Remotasks desde Venezuela está disminuyendo.
Los datos de la publicidad web muestran que esta empresa también se está dirigiendo específicamente a Kenia, con anuncios pagados. Además, ha estado realizando campamentos de entrenamiento en persona en Nairobi. “Supongo que saben que la gente aquí está pasando apuros”, resalta el trabajador keniano Calvin Otieno, que abandonó la plataforma después de cuatro meses porque el salario era “muy desmoralizador”.
Fuentes teme el día en el que Appen también pueda abandonarla. A pesar del estrés y las dificultades que le ha causado, la mujer sigue estando tremendamente agradecida. “He sobrevivido gracias a esta plataforma”, destaca desde su salón. “Otras plataformas han dejado de pagar, pero Appen siempre ha estado ahí”.
Al mismo tiempo, le gustaría que los directivos de Appen puedan ver lo dedicados que son sus trabajadores y que hagan más para cuidarlos. “Espero que en cuatro o cinco años, Appen pueda convertirse en un empleador más tradicional. Saben que existimos, que podemos enfermarnos, que necesitamos seguridad y atención médica”, señala. “Estamos orgullosos de nuestros colaboradores y estamos trabajando arduamente para mejorar los procesos internos para que sea una mejor experiencia para ellos. Queremos que ella también sepa que la reconocemos y comprendemos su situación”, asegura Golden.
Al atardecer, Fuentes le pide a su tío que le haga una foto. Su sonrisa brilla a través de su mascarilla mientras abraza a su perro. Después de tantos años sirviendo a la plataforma y a sus clientes como una trabajadora anónima, Fuentes quiere que la gente vea su rostro y que sepa su nombre. Unas semanas más tarde, nos envió su foto con un mensaje: “No nos olviden”.
*MIT Technology Review decidió eliminar el nombre de la plataforma de redes sociales después de que la portavoz de Appen, Christina Golden, avisara que la empresa podría castigar a Fuentes si el nombre de su cliente aparecía en este reportaje).
Traducido por Ana Milutinovic.
