Amazon cierra Mechanical Turk tras 21 años y confirma lo que medio Silicon Valley ya sospechaba: la IA no solo automatiza tareas físicas, también devora el microtrabajo humano que la alimentó durante dos décadas. La plataforma, lanzada en 2005, apagará sus servidores el próximo 30 de septiembre, según el aviso oficial recogido por Fast Company. Para cualquier founder que construya sobre trabajo digital repetitivo, la lección es incómoda: cuanto más simple es una tarea, más rápido la convierte la IA en un simple coste de computación.
El cierre no llega por sorpresa. Amazon dejó de aceptar nuevos clientes el 30 de julio, una señal que el mercado del microtrabajo llevaba meses leyendo. La compañía justifica la decisión como el resultado de una evaluación interna de sus servicios, sin vincularla públicamente al avance de la IA. Pero los números y la propia historia del producto cuentan otra historia. MTurk nació como un mercado de tareas que las máquinas aún no sabían hacer: etiquetar imágenes, transcribir audio, ordenar datos por unos céntimos.
El fin de Mechanical Turk: qué cierra y cuándo
Mechanical Turk fue una de las primeras plataformas de trabajo digital invisible. Jeff Bezos la bautizó como ‘inteligencia artificial artificial’, un guiño al autómata de ajedrez del siglo XVIII que parecía jugar solo pero escondía a un operario humano. Ese nombre describía a la perfección el modelo: contratar a cientos de miles de personas para resolver tareas que los algoritmos aún no podían automatizar de forma fiable. En su pico, la plataforma llegó a superar el medio millón de trabajadores, según la propia Amazon.
La mecánica era simple. Un requester publicaba una HIT (Human Intelligence Task) con un pago de pocos céntimos; un trabajador remoto la completaba. El resultado se devolvía al sistema. Durante años, este bucle alimentó las bases de datos que entrenaron a los primeros modelos de aprendizaje automático. Amazon todavía define MTurk como una herramienta para recopilar y anotar grandes conjuntos de datos, validar modelos con feedback humano y reentrenar sistemas de machine learning. Ese era el puente entre el juicio humano y la escala de la nube.
El problema es que el puente empezó a ser sustituido por la propia orilla que conectaba. Los modelos de lenguaje y la visión artificial resolvieron primero las tareas más simples; después, las que exigían apenas un clic. La demanda de microtareas no se evaporó, sino que migró hacia empresas especializadas como Scale AI, Mercor y Prolific, mejor financiadas y orientadas al entrenamiento de modelos avanzados. La intermediación humana no desapareció: cambió de dueño y de precio.
El trabajo barato que entrenó a la IA generativa está siendo devorado por la misma IA que ayudó a crear.
Krista Pawloski, trabajadora y organizadora de Turkopticon, explicó a CNBC que MTurk llevaba años en declive. Amazon invertía menos recursos y los trabajadores migraban a otras plataformas. Pawloski empezó a turkear en 2008 durante una baja de maternidad y en 2012 convirtió el microtrabajo en su actividad principal. Para muchas personas que necesitan ingresos flexibles y en remoto, estas plataformas eran una fuente de ingresos relevantes. El adjetivo importa: eran, no son. La promesa de empleo digital estable se ha ido estrechando.
La lección no es que el microtrabajo haya muerto: es que el trabajo simple ya no vale nada, y nadie debería construir una empresa con ese suelo.
El bucle que se mordió la cola: cuando los propios turkers usan IA
El giro final es tan irónico como revelador. Un análisis de 2023 recogido por TechCrunch estimó que entre el 33% y el 46% de los trabajadores de MTurk incluidos en el estudio utilizaban modelos de lenguaje para completar las tareas. Es decir, un sistema diseñado para suministrar criterio humano a los ordenadores se limitaba, cada vez más, a reenviar respuestas que las propias máquinas ya habían generado. El bucle se cerró: humanos validando a máquinas que terminaron imitando a humanos.
Esto no es un simple detalle operativo. Es una señal de colapso de un modelo de negocio. Si la tarea es tan repetible que un LLM puede resolverla, el precio tiende a cero y el diferenciador humano desaparece. Las plataformas que sobreviven están corriendo en la dirección contraria: suben la complejidad, verifican la identidad del trabajador y garantizan a las empresas que hay criterio humano real detrás de cada anotación, porque eso es justo lo que la IA no puede regalar cuando necesita datos de calidad.
📦 Caso de estudio: Mechanical Turk
- El reto: Entrenar a la IA requería millones de tareas de etiquetado que los algoritmos no podían resolver solos.
- La jugada: Amazon montó un mercado global de microtareas con pagos por unidad y acceso instantáneo a trabajadores remotos.
- El resultado: Más de 500.000 workers en su pico y dos décadas de datos para el machine learning, pero con demanda canibalizada por los propios LLM.
- La lección: Un intermediario de tareas repetibles puede ser disruptivo mientras la tecnología no lo alcance; cuando lo alcanza, el margen se esfuma.
Amazon no abandona del todo el negocio del etiquetado de datos. AWS mantiene SageMaker Ground Truth como alternativa para los clientes que dependían de MTurk. Y algunos requester de seguros y viajes siguieron usando la plataforma hasta el anuncio de cierre, según Pawloski. La infraestructura no muere: se reorganiza. El mensaje para el ecosistema es que el etiquetado de datos se ha convertido en un mercado industrial, con empresas como Scale AI levantando cientos de millones para ofrecer precisión, controles de calidad y flujos de trabajo que MTurk ya no supo vender.
Conviene mirar esto sin alarmismo tecnológico ni optimismo naíf. La IA generativa no destruye todo el trabajo digital de una vez, pero sí reordena quién captura el valor. El error de MTurk no fue nacer en 2005; fue no evolucionar cuando la tarea se volvió commodity. Quienes hoy emprenden en datos, automatización o formación de modelos pueden evitar el mismo destino si entienden que el diferencial no está en conectar oferta y demanda, sino en garantizar calidad, contexto y confianza.
Lo que el cierre de MTurk enseña a cualquier fundador
La lección aplica a negocios físicos y digitales por igual. Imagina una tienda de chocolate artesanal que compite solo por precio: cualquier fabricante industrial la devora. Si en cambio vende trazabilidad, experiencia y suscripción, construye un foso que la máquina no puede replicar en una noche. La lógica startup de product-market fit sirve para detectar cuándo un producto ha dejado de encajar y ha empezado a sobrevivir por inercia.
La historia de MTurk también recuerda una verdad incómoda del venture capital: el crecimiento alimentado por trabajo humano barato puede ser escalable, pero no siempre defendible. Los unit economics de pagar céntimos por tarea funcionaban mientras no existía alternativa. Ahora que un modelo de lenguaje cuesta menos por anotación, el margen se esfuma. Por eso los inversores ya no preguntan cuántos usuarios tienes; preguntan cuánto coste marginal puedes eliminar sin perder calidad.
🚀 Hoja de Ruta para Emprender
- Detecta el commodity antes que el mercado: Revisa qué parte de tu propuesta es replicable por IA y cambia el foco hacia calidad, contexto o confianza.
- No construyas sobre trabajo simple indefinidamente: Si tu margen depende de tareas de pocos céntimos, planifica una migración hacia servicios de mayor valor añadido.
- Añade capas de verificación: El etiquetado de datos ya no se vende por volumen, sino por precisión y control; documenta cómo garantizas criterio humano real.
- Monitoriza tus unit economics cada trimestre: Si el coste marginal cae en tu sector por la automatización, tu ventaja no puede ser solo el precio.
