Silicon Valley entrena a la inteligencia artificial de China

Las mismas startups de Silicon Valley que abastecen a OpenAI, Anthropic y al gobierno de EU también venden conjuntos de datos para el entrenamiento de IA a laboratorios chinos que desarrollan modelos más económicos, los cuales compiten con sus clientes estadounidenses.

Claves de la nota

• Los seis principales laboratorios chinos de IA gastan unos 500 millones de dólares anuales en empresas estadounidenses de etiquetado de datos.
• La facturación anualizada de Mercor superó los 2,000 millones de dólares en junio y contrató un gestor para China.
• AfterQuery genera al menos 50 millones de dólares en ingresos recurrentes y trabaja con laboratorios chinos.

Cuando los equipos de ventas de las empresas emergentes de Silicon Valley dedicadas al etiquetado de big data asistieron este año a la Conferencia Internacional sobre Aprendizaje Automático en Seúl (Corea), llegaron preparados para captar a los clientes que más invierten en el sector. Estas compañías de datos —que en conjunto valen decenas de miles de millones de dólares y generan miles de millones en ingresos anuales al suministrar datos de entrenamiento a clientes como OpenAI y Anthropic— están acostumbradas a tratar con laboratorios de IA conocidos por ser exigentes, volubles y difíciles de complacer.

Sin embargo, se encontraron con otro cliente ansioso esperándolas: la industria china de la IA.

Algunas empresas chinas tienen listas de compras concretas. Tencent —que anteriormente fue señalada por el gobierno de EU como una entidad vinculada al ejército chino, una calificación que la empresa rechaza— distribuyó entre posibles proveedores una solicitud detallada de datos de entrenamiento que abarcaban finanzas, ciberseguridad y uno de los objetivos de investigación más codiciados en IA: sistemas capaces de automejorarse.

Si bien Estados Unidos lleva tiempo prohibiendo a China la compra de los chips que impulsan sus modelos de IA más avanzados, no tomó las mismas precauciones respecto a los datos necesarios para entrenarlos. Este conocimiento humano sistematizado —generado por redes de especialistas y moldeado mediante diseños de tareas, criterios de evaluación y controles de calidad— forma parte de la costosa infraestructura de datos que enseña a los modelos a realizar tareas profesionales complejas, como el modelado financiero y la programación.

Este negocio mueve cientos de millones de dólares al año y está ayudando a los modelos de IA chinos a acortar distancias con sus rivales estadounidenses.

“Después de la capacidad de cómputo necesaria para entrenar los modelos, los datos de buena calidad son el factor más importante”, declaró a Forbes Nathan Lambert, exinvestigador del Allen Institute for AI. “A medida que intentamos que los modelos se adentren en ámbitos nuevos y más desafiantes, conseguir buenos datos es el elemento clave que puede hacer viable el modelo”.

Documentos y comunicaciones —revisados ​​por Forbes— procedentes de compradores en laboratorios de IA chinos y de empleados de destacadas plataformas de datos de Silicon Valley, como Surge AI y Mercor, revelan la existencia de un discreto mercado de conjuntos de datos de entrenamiento valorado en cientos de millones de dólares.

Las mismas empresas emergentes estadounidenses que abastecen a OpenAI, Anthropic y, en algunos casos, a organismos federales de EU, también suministran datos a los principales laboratorios de Pekín. Cada vez más, Silicon Valley está entrenando a ambas partes de la carrera armamentística de la IA.

Para los laboratorios chinos de IA que buscan igualar el rendimiento de la IA estadounidense, en realidad solo existen tres vías rápidas. La primera consiste en captar investigadores de la competencia. La segunda es la destilación: recopilar las respuestas generadas por ChatGPT o Claude y utilizarlas para entrenar modelos chinos. Aunque no es ilegal, esta práctica infringe explícitamente los términos de servicio de OpenAI y Anthropic, y recientemente fue señalada por Michael Kratsios, asesor de ciencia y tecnología de la administración Trump.

Una tercera opción es más sencilla y no conlleva posibles complicaciones regulatorias: comprar los mismos datos de entrenamiento que adquieren los laboratorios estadounidenses, a los mismos proveedores.

Enseñar a un modelo de IA a gestionar tareas contables complejas o protocolos de laboratorio web no se limita a recopilar los resultados brutos del trabajo. El verdadero ingrediente secreto reside en las especificaciones de los datos: en qué tipo de datos centrarse y en las complejas rúbricas elaboradas por profesionales humanos que guían al modelo para que aprenda a desenvolverse en trabajos de oficina y gestión. Al comprar estos conjuntos de datos, los laboratorios chinos adquieren de manera eficiente el criterio exclusivo y fruto de un arduo trabajo que impulsa a los mejores modelos de Silicon Valley.

Sean Cai, consultor de datos de IA y autor de un blog homónimo sobre datos y aprendizaje por refuerzo, lo expresa sin rodeos: “Si se analiza la estructura de la industria de datos en China y la cadena de suministro de datos en general, uno se da cuenta de que, efectivamente, gran parte de los mismos datos estadounidenses que impulsan el avance de los modelos de EU también se están vendiendo a laboratorios chinos”.

Cadena de suministro de datos confidenciales de 500 mdd en China

El flujo de operaciones conecta directamente a empresas estadounidenses de etiquetado de datos con los mayores gigantes tecnológicos de China, incluidas firmas como Tencent, la compañía china señalada por el Pentágono.

En un mensaje visto por Forbes, un ejecutivo de adquisiciones de datos de Tencent señaló que la empresa depende de Surge AI —entre cuyos clientes figuran el Ejército de EU, la Fuerza Aérea de EU y Anthropic— para el suministro de datos. Mercor, que a finales del mes pasado comunicó a sus empleados que había ganado un contrato con el gobierno federal de EU, también trabaja con Tencent.

Otras comunicaciones revisadas por Forbes muestran una coincidencia similar. En intercambios de mensajes, un ejecutivo de Ant Group —la empresa china de tecnología y finanzas propietaria de Alipay— reconoció una estrecha relación de trabajo con AfterQuery, una firma estadounidense especializada en datos para el entrenamiento de IA.

Las transcripciones de audio de conversaciones con un empleado de Alibaba, el gigante chino del comercio electrónico, apuntan a acuerdos de compra con AfterQuery y Mercor. Documentación interna de proyectos sugiere que Turing, una startup estadounidense de etiquetado de datos, trabajó con ByteDance, la empresa matriz china de TikTok.

ByteDance, Alibaba, Moonshot, Tencent y Ant Group no respondieron a las solicitudes de comentarios; Mercor declinó hacer declaraciones. AfterQuery y Surge afirmaron que no divulgan información sobre sus clientes. En un comunicado, Turing declaró: “Impulsamos la vanguardia de la IA, lo que incluye tanto modelos propietarios como de código abierto. Creemos que ambos seguirán creciendo, y algunos de los modelos de código abierto más potentes de la actualidad provienen de laboratorios fuera de EU”.

El otro problema de Silicon Valley con China: está entrenando a su IA

En conjunto, los seis principales laboratorios chinos de IA gastan unos 500 millones de dólares anuales en empresas estadounidenses de etiquetado de datos, de acuerdo con dos emprendedores del sector que recibieron estimaciones sobre el tamaño del mercado por parte de ejecutivos de Tencent y ByteDance. Una persona que interactuó con varios de ellos, señala que los laboratorios chinos de IA no se perciben a sí mismos como competidores directos en la adquisición de datos; más bien, se ven como un grupo colectivo de compradores que busca conjuntos de datos occidentales de primer nivel.

Las empresas estadounidenses de etiquetado de datos están dispuestas a venderles. De acuerdo con una fuente conocedora del asunto, los ingresos de Mercor procedentes de laboratorios chinos de IA en el segundo trimestre representaron el 2% de sus ingresos totales (la facturación anualizada de Mercor superó los 2,000 millones de dólares en junio), y la empresa contrató a un gestor de relaciones específico para China.

Una parte considerable del negocio de AfterQuery —que genera al menos 50 millones de dólares en ingresos recurrentes— proviene de laboratorios chinos de inteligencia artificial, según informaron fuentes a Forbes. Surge AI, una empresa pionera en la región, ha buscado activamente a estos clientes; de hecho, su director ejecutivo, Edwin Chen, ha viajado a China para reunirse personalmente con los directivos de dichos laboratorios.

Las empresas dedicadas al etiquetado de datos venden a los laboratorios chinos tanto proyectos personalizados y exclusivos como los llamados conjuntos de datos «listos para usar» (OTS, por sus siglas en inglés): paquetes estandarizados de datos de entrenamiento diseñados para ser revendidos a múltiples laboratorios. Aunque pueda parecer algo inofensivo, estos conjuntos de datos estándar distan mucho de ser inocuos.

Se elaboran utilizando los mismos “flujos de conocimiento” desarrollados durante proyectos a medida para empresas como OpenAI o Anthropic. Esto significa que las compañías chinas que los adquieren se benefician de las mismas redes de expertos con doctorado, algoritmos de control de calidad y criterios de evaluación posteriores al entrenamiento que sirven de base para los procesos realizados en los grandes laboratorios de IA de Estados Unidos.

Y esa ventaja es enorme: en muchos casos, los laboratorios chinos pueden ahorrarse meses de pruebas y errores al comprar conjuntos de datos OTS que incorporan estructuras de razonamiento ya probadas en la práctica.

“Hay que tener en cuenta que las estructuras de estos datos a veces provienen de las mismas empresas que adaptaron sus estrategias iniciales de escalado para Anthropic”, explicó Cai, consultor de datos de IA. “Para un proveedor de datos que ha trabajado con Anthropic, resulta sumamente sencillo utilizar la misma infraestructura para generar datos destinados a un laboratorio chino”.

Esto convierte a los conjuntos de datos listos para usar en una fuente de ingresos muy atractiva para los proveedores. Al poder revenderse a múltiples laboratorios de IA, ofrecen los márgenes de beneficio más elevados. Además, los laboratorios chinos de IA expresan abiertamente a los proveedores estadounidenses de etiquetado de datos su interés en adquirir toda la información que ya han comprado los laboratorios de EU, señaló un ejecutivo que mantuvo conversaciones con dichos laboratorios chinos.

Max Gazor, fundador de Striker VC —firma que invirtió en muchos de los desarrolladores estadounidenses de modelos de IA—, reconoció que esta realidad del mercado conlleva ciertas complicaciones. “Yo lo plantearía más bien como una decisión ética: si la empresa está dispuesta o no a vender los datos a compañías chinas de IA”, afirmó.

Un ‘Salvaje Oeste’ regulatorio

Washington lleva años construyendo una fortaleza geopolítica en torno a los chips avanzados. Sin embargo, el capital humano y la experiencia utilizados para entrenar a la IA logran cruzar fronteras sin apenas escrutinio.

Esto contribuyó a convertir a las principales plataformas de datos de Silicon Valley en gigantes multimillonarios. Mercor, fundada entre 2020 y 2023, aspira actualmente a una valoración de 20,000 millones de dólares, mientras que se estima que Surge AI vale al menos 25,000 millones.

Por su parte, AfterQuery —una empresa de reciente creación— pasó de generar 100 millones a cientos de millones de dólares en ingresos recurrentes anuales en apenas tres meses. Aunque la gran mayoría de estos ingresos proviene de gigantes estadounidenses consolidados, las ventas al extranjero representan probablemente una fuente de ingresos secundaria irresistible.

Hay quienes sostienen que vender conjuntos de datos a China es una cuestión de seguridad nacional.

“Algunas empresas que gestionan datos humanos colaboran con adversarios extranjeros, y los resultados son visibles hoy en Kimi K3”, publicó recientemente en X Ali Ansari, el director ejecutivo de la empresa, de 25 años. “Nos parece vergonzoso proclamar el deseo de una hegemonía estadounidense en IA mientras se venden datos por valor de millones a países con los que mantenemos una rivalidad competitiva”.

Micro1 afirma que no vende datos fuera de Estados Unidos. Scale AI también llegó a tantear un contrato con ByteDance, pero lo descartó en 2024 debido a preocupaciones de seguridad nacional.

Quienes defienden esta práctica argumentan que restringir la venta de datos sofocaría la innovación global en el ámbito del código abierto.

“No es fácil restringir las exportaciones de datos o de IA sin perjudicar sustancialmente al código abierto estadounidense”, señaló Cai, aclarando que no tiene una postura definida al respecto. “Eso otorgaría un duopolio injusto a OpenAI y Anthropic, lo cual conlleva sus propios problemas”.