Laboratorios de inteligencia artificial están pagando entre 350,000 y 2 millones de dólares por acceso a archivos de trabajo, correos electrónicos y transcripciones de llamadas de empresas y profesionales. La escasez de datos públicos de calidad ha llevado al sector a invertir más de 45,000 millones de dólares en fuentes privadas, convirtiendo los registros internos de las organizaciones en uno de los activos más disputados del mercado tecnológico actual.

Por qué los datos corporativos valen más que los públicos

Los modelos de lenguaje de gran escala han agotado progresivamente el volumen de información disponible en fuentes abiertas. Lo que queda —y lo que más necesitan para mejorar su desempeño en contextos profesionales reales— son flujos de trabajo documentados, cadenas de correos con toma de decisiones, y registros de comunicación interna que reflejan cómo operan las organizaciones en la práctica.

Esta brecha entre lo que los modelos pueden aprender de internet y lo que necesitan para funcionar en entornos empresariales ha generado una industria paralela de adquisición de datos. Startups como Mercor, Handshake y Micro1 actúan como intermediarios: depuran, anonimizan y negocian conjuntos de datos con laboratorios de IA, eliminando información identificable antes de la transferencia.

Una cadena de valor que va desde estudiantes hasta corporaciones

El alcance de esta demanda es amplio. Handshake ha documentado la compra de trabajos académicos de estudiantes de posgrado, mientras que escritores independientes han recibido ofertas de hasta 1,000 dólares por un solo artículo. En el extremo corporativo, los acuerdos incluyen transcripciones de llamadas y documentos operativos completos, con valuaciones que escalan según el volumen y la especificidad sectorial de los datos.

Mercor, fundada en 2023, ejemplifica la velocidad de consolidación de este mercado: sus cofundadores alcanzaron estatus de multimillonarios en menos de dos años. Brendan Foody, al frente de la empresa, ha señalado que la demanda de datos está en una fase de crecimiento explosivo, impulsada por la necesidad de los laboratorios de acceder a información que simule con precisión flujos de trabajo reales —algo que los ejercicios sintéticos o los datos generados artificialmente no logran replicar con fidelidad.

Las implicaciones para las organizaciones que generan estos datos

Antes de considerar cualquier acuerdo de este tipo, las organizaciones deben evaluar con precisión qué información está siendo cedida y bajo qué condiciones contractuales. La anonimización no elimina todos los riesgos: patrones de decisión, estructuras organizacionales y metodologías propietarias pueden inferirse de conjuntos de datos aparentemente neutros.

El marco regulatorio en torno a la transferencia de datos corporativos a terceros —especialmente cuando esos terceros los utilizan para entrenar sistemas de IA— sigue siendo ambiguo en la mayoría de las jurisdicciones. Esa ambigüedad representa tanto un riesgo de cumplimiento como una ventana de negociación para quienes decidan participar en este mercado con criterios claros de gobernanza de datos.

La industria de IA tiene dos insumos críticos: capacidad de cómputo y datos. Mientras las inversiones en infraestructura de cómputo son visibles y cuantificables, la carrera por datos privados de calidad ocurre con menor visibilidad pública —pero con consecuencias igualmente estratégicas para las empresas que los poseen.