El criterio experto, los ejemplos difíciles y la retroalimentación institucional se están convirtiendo en insumos valiosos para herramientas especializadas de inteligencia artificial (IA).
Un mercado en rápido crecimiento conecta ahora a desarrolladores de IA con médicos, abogados, científicos y otros especialistas capaces de crear y evaluar tareas profesionales.
A medida que se extienden las nuevas herramientas de IA, las empresas pueden descubrir que sus propios flujos de trabajo, casos atípicos y registros de decisiones expertas les proporcionan una mayor ventaja competitiva.
En 2026, Thinking Machines Lab y Bridgewater Associates querían comprobar si la inteligencia artificial (IA) podía ayudar a los inversores a filtrar el gran volumen de noticias e investigaciones que revisan cada día.
El estudio resultante puso a prueba seis tareas de filtrado de información, entre ellas determinar si un artículo era pertinente. Al principio, Bridgewater utilizó ejemplos etiquetados por personas no expertas para indicar qué se consideraba pertinente o útil, pero muchas de esas evaluaciones resultaron erróneas. Los ejemplos controvertidos se enviaron a los inversores de Bridgewater para que los revisaran, y esa retroalimentación se utilizó para ajustar un modelo especializado.
El modelo resultante superó a otros modelos que Bridgewater había probado y, además, su funcionamiento costaba considerablemente menos.
El experimento fue acotado, pero su enseñanza más amplia es sencilla: la información financiera estaba fácilmente disponible para alimentar herramientas de IA, pero era más difícil obtener un criterio fiable sobre qué información importaba.
El criterio experto como insumo escaso para la IA
Los grandes modelos de lenguaje (LLM) son un tipo de modelo fundacional: sistemas de IA de propósito general que pueden adaptarse a muchas tareas distintas. A los modelos más capaces disponibles se los suele describir como modelos de frontera.
Los LLM pueden procesar informes financieros, documentos jurídicos y artículos científicos a una escala enorme. Pero tener acceso a ese material no reproduce el criterio de alguien que lleva años trabajando en el sector.
Los expertos aprenden a qué detalles conviene prestar atención, qué errores importan y cuándo es probable que falle el proceso habitual. Algunas de estas lecciones pueden documentarse, pero otras se hacen evidentes a través de las decisiones que toman las personas. Por ejemplo, un análisis de inversiones puede contener información precisa y, al mismo tiempo, centrarse en las señales equivocadas. Generar más ejemplos solo sirve hasta cierto punto si no hay una forma fiable de juzgar su calidad.
Aun así, el criterio experto no es una única verdad objetiva. Los profesionales pueden discrepar porque tienen objetivos, tolerancias al riesgo o prioridades institucionales diferentes. Un modelo entrenado con las decisiones de Bridgewater aprende qué considera pertinente Bridgewater, no una forma universal de criterio de inversión.
Es este criterio propio de cada institución lo que a los competidores puede costarles reproducir al desarrollar nuevas herramientas de IA, como los modelos fundacionales, por lo que este tipo de datos es crucial para la ventaja competitiva de una organización en la era de la IA.
Los expertos como parte de la cadena de suministro de datos de IA
La demanda de aportaciones humanas especializadas ya sustenta un mercado comercial considerable. Un segmento de empresas en rápido crecimiento conecta ahora a desarrolladores de IA con médicos, abogados, científicos y otros especialistas capaces de crear y evaluar tareas profesionales.
Según un artículo de TechCrunch, una de estas empresas, Micro1, vio cómo su ritmo anual bruto de ingresos aumentaba de 100 millones de dólares a 500 millones en ocho meses. También valoró a empresas similares, Mercor, en unos 2.000 millones de dólares, y Handshake, en alrededor de 1.000 millones de dólares de ingresos brutos anualizados. Estas cifras dan una idea de la escala del gasto actual en datos y evaluación especializados para IA.
La labor de estas empresas va más allá del etiquetado convencional de datos. Mercor describe proyectos que incluyen referentes profesionales, conjuntos de datos y entornos de evaluación. Pide a especialistas que redacten problemas realistas, revisen los resultados de los modelos o detecten errores que requieren conocimientos del ámbito.
Este mercado podría facilitar la adquisición de conocimientos profesionales genéricos. Pero es más difícil comprar el conocimiento ligado a una organización —información sobre sus clientes, decisiones anteriores, procesos internos y casos atípicos inusuales—.
El conocimiento empresarial que internet no ha captado
Gran parte de la información que sustenta las buenas decisiones empresariales nunca se ha publicado en línea. Los sistemas internos de las organizaciones contienen casos inusuales de clientes, fallos operativos y decisiones acumuladas a lo largo de los años. El personal con experiencia sabe a qué excepciones prestar atención y cuándo no debe seguirse el proceso habitual.
Por eso el bufete de abogados Kirkland & Ellis ha comprometido 500 millones de dólares para desarrollar su propia plataforma de IA, con aportaciones de unos 250 abogados y más de 180 profesionales de tecnología, mientras sigue utilizando productos externos de IA, según el Financial Times.
A medida que los modelos fundacionales capaces estén al alcance de más organizaciones, el acceso podría explicar cada vez menos las diferencias entre lo que las empresas logran con la IA. La diferencia podría deberse, en cambio, a una mejor recuperación de información, ejemplos más completos, evaluaciones más sólidas o mejores registros de los resultados de decisiones anteriores. Por eso, un sistema que genere continuamente retroalimentación específica de la organización podría ser más difícil de copiar.
Cuando los empleados revisan los resultados de la IA, corrigen recomendaciones, rechazan respuestas plausibles, elevan casos inusuales y, más adelante, observan si las decisiones han tenido éxito. Cada intervención puede revelar algo sobre cómo es un buen desempeño.
Muchas organizaciones registran la decisión final, pero es más difícil reutilizar las correcciones que la determinaron. Registrar esas correcciones y decisiones podría generar material útil para futuras evaluaciones, sistemas de recuperación de información o mejoras de modelos.
Los datos sintéticos aún necesitan una verificación fiable
Los datos sintéticos, generados artificialmente en lugar de recopilados directamente de observaciones del mundo real, podrían reducir la necesidad de algunos ejemplos generados por personas.
El Foro Económico Mundial ya ha examinado cómo los datos sintéticos pueden aliviar las limitaciones del desarrollo de la IA. Además, el Informe Internacional de Seguridad de la IA de 2026, encargado por el Gobierno del Reino Unido, destaca las matemáticas, la programación y el razonamiento formal como ámbitos en los que los enfoques sintéticos pueden funcionar especialmente bien, porque las respuestas pueden verificarse con criterios relativamente claros.
La verificación de los datos sintéticos tampoco tiene que provenir siempre de una persona. Las herramientas de software, las simulaciones, los resultados observados u otros sistemas de IA pueden proporcionar retroalimentación. Unos evaluadores automatizados mejores también podrían reducir la necesidad de costosas revisiones expertas.
La cuestión económicamente importante es a qué bajo coste puede un sistema basado en IA obtener retroalimentación fiable sobre la calidad de sus resultados. Cuando la verificación puede automatizarse de forma fiable, los datos sintéticos más baratos podrían volverse abundantes. Cuando la calidad depende de conocimientos escasos o de resultados cuya observación lleva tiempo, la buena retroalimentación puede seguir siendo costosa.
Captar el criterio también plantea cuestiones de gobernanza. Las correcciones de los empleados, las interacciones con los clientes y las decisiones profesionales pueden contener información confidencial o personal. Las organizaciones necesitan contar con los derechos adecuados para reutilizar estos datos y deben establecer controles de acceso.
Recopilar datos fiables sobre el desempeño de la empresa
A medida que más organizaciones accedan a modelos fundacionales más capaces, parte de su ventaja competitiva podría desplazarse hacia la retroalimentación que rodea a estos modelos: qué resultados tuvieron éxito, cuáles fracasaron y qué respuestas plausibles rechazaron los profesionales con experiencia.
Parte de ese conocimiento puede comprarse o imitarse, pero un registro actualizado continuamente de cómo una organización toma decisiones difíciles y aprende de sus resultados puede ser más difícil de reproducir. Por tanto, la próxima carrera por los datos de IA podría consistir menos en recopilar más información que en obtener pruebas fiables de lo que realmente constituye un buen desempeño.
