Los trabajadores usan rastreadores de movimiento para enseñar a los robots los trabajos que los humanos ya conocen

Los trabajadores llevan cámaras y rastreadores de movimiento para que los sistemas de IA puedan estudiar movimientos que a los humanos les llevó años dominar. Un reciente reportaje de Bloomberg pone de relieve una creciente disputa por los datos que sustentan el trabajo físico.

Este esfuerzo apunta a una persistente debilidad de la robótica moderna. Los modelos de lenguaje pueden absorber billones de palabras de fuentes digitales. Los robots no pueden aprender criterio físico únicamente extrayendo datos de internet.

Necesitan demostraciones que conecten la visión, el movimiento, el tacto, la fuerza, el tiempo y el estado cambiante de los objetos cercanos. Por ello, las empresas están convirtiendo a trabajadores cualificados en fuentes de datos en vivo para máquinas diseñadas para operar en hoteles, almacenes, tiendas, fábricas y hogares.

La tensión resultante es difícil de ignorar. La experiencia de un trabajador se vuelve más valiosa durante la recopilación de datos precisamente porque el sistema resultante busca realizar una mayor parte de ese trabajo.

Los trabajadores se están convirtiendo en el conjunto de entrenamiento

El más reciente proceso de entrenamiento de robots comienza con personas realizando trabajos ordinarios bajo una observación extraordinaria.

En el Lotte Hotel de Seúl, el trabajador veterano David Park demostró cómo doblar una servilleta de banquete mientras cámaras registraban su cabeza, pecho y manos. Park había realizado la tarea durante nueve años, según una investigación de Associated Press.

El ejercicio capturó mucho más que la forma final de la servilleta. Registró el orden de los movimientos, cómo Park colocaba el material y cómo sus manos se ajustaban cuando la tela se desplazaba.

La startup surcoreana de robótica RLWRLD está convirtiendo demostraciones como estas en datos de entrenamiento legibles por máquinas. La empresa también trabaja con empleados de logística de CJ y trabajadores de tiendas de Lawson.

Los trabajadores de CJ demuestran cómo agarran, levantan y desplazan mercancías dentro de los almacenes. Los empleados de Lawson muestran cómo organizan productos y gestionan exhibiciones de alimentos.

Estos ejemplos ilustran por qué los datos del lugar de trabajo importan. Un robot necesita más que un video que muestre que una caja se movió de un estante a otro. Necesita un registro utilizable de cómo ocurrió ese movimiento.

Ese registro puede incluir imágenes de cámaras, posiciones de las articulaciones, posturas de las manos, trayectorias de movimiento, ubicaciones de objetos y fuerza aplicada. Cada señal sincronizada ayuda a conectar una escena observada con una acción física.

Los ingenieros de RLWRLD añaden otra capa al repetir tareas con visores de realidad virtual, cámaras y guantes de seguimiento de movimiento. Los operadores humanos pueden entonces guiar robots de prueba a través de movimientos relacionados.

Este proceso se parece al aprendizaje por imitación, en el que un sistema de IA aprende un comportamiento a partir de demostraciones en lugar de depender por completo de reglas escritas manualmente. El principio es sencillo, pero producir ejemplos fiables exige mucho trabajo.

Los robots también tienen cuerpos distintos a los de sus instructores humanos. Sus articulaciones tienen límites diferentes, sus manos pueden tener menos dedos y sus sensores capturan el mundo de otra manera.

Por lo tanto, los ingenieros deben readaptar un movimiento humano al cuerpo disponible del robot. La readaptación asigna las partes esenciales de un movimiento teniendo en cuenta distintas proporciones, articulaciones, restricciones de equilibrio y límites mecánicos.

Un trabajador puede girar la muñeca mientras dobla una tela. Un robot concreto podría necesitar reposicionar todo su brazo para lograr un efecto similar.

Incluso las demostraciones limpias no producen automáticamente máquinas independientes. Los ingenieros deben etiquetar las grabaciones, alinear los flujos de datos, eliminar secuencias inutilizables, entrenar un modelo y probar el comportamiento resultante.

Después, el robot debe recuperarse cuando un objeto aparece en una posición ligeramente distinta. Ese último requisito separa una rutina memorizada de una habilidad útil para el lugar de trabajo.

Las propias demostraciones de RLWRLD muestran esa brecha. Durante una prueba observada, un robot con ruedas movió tazas cerca de un minibar, pero derribó un plato. Imágenes posteriores mostraron a un humanoide abriendo una caja, introduciendo un ratón de computadora y colocando la caja cerrada sobre una cinta transportadora.

La progresión importa, pero no demuestra que el mismo sistema pueda realizar de forma fiable todas las variaciones de cualquiera de las dos tareas. Muestra cómo las demostraciones pueden respaldar pruebas cada vez más complejas.

Los trabajadores no se limitan a etiquetar si una imagen contiene una taza. Están proporcionando secuencias que revelan cómo las manos, los objetos y los entornos interactúan a lo largo del tiempo.

Esto convierte el movimiento humano en una nueva categoría de material de entrenamiento para IA. También transforma los lugares de trabajo en posibles sitios de recopilación de datos.

La IA física tiene un problema de datos que internet no puede resolver

El hardware robótico está avanzando más rápido que el suministro de demostraciones fundamentadas, diversas y legalmente utilizables.

El desarrollo moderno de la IA se benefició de una enorme reserva de texto, imágenes, audio y video ya disponible en línea. La IA física no cuenta con un registro equivalente de acciones vinculadas a controles robóticos.

Un video de cocina en línea puede mostrar a alguien cortando una cebolla. Por lo general, carece de la orientación exacta de la muñeca, la presión aplicada, la posición de la cuchilla y los datos sincronizados que describen cómo cambió la cebolla después de cada corte.

Una política robótica necesita relaciones entre observaciones y acciones. Una política es el componente aprendido que selecciona un movimiento después de interpretar la situación actual.

Los investigadores pueden recopilar esas relaciones operando robots directamente. Sin embargo, la teleoperación robótica requiere equipos, operadores capacitados, entornos controlados y tiempo de uso de hardware costoso.

Las demostraciones humanas ofrecen otra vía. Los trabajadores ya poseen el ritmo y el criterio necesarios para la tarea, y el lugar de trabajo proporciona objetos y condiciones realistas.

El reto consiste en traducir su comportamiento a señales que una máquina pueda utilizar. Las cámaras capturan el movimiento visible, pero pueden pasar por alto la fuerza, el contacto o los movimientos ocultos detrás de un objeto.

Los rastreadores de movimiento estiman la posición y orientación de las partes del cuerpo. Los guantes con sensores pueden añadir el movimiento de los dedos, mientras que los sensores de fuerza miden la presión o el contacto.

Ningún dispositivo individual captura la esencia completa de la habilidad física. Los ingenieros combinan señales porque un movimiento visualmente similar puede producir un resultado muy distinto cuando cambian la fuerza o el tiempo.

Pensemos en colocar un vaso sobre un estante. La cámara registra la trayectoria del brazo, pero una colocación segura depende de la fuerza de agarre, la desaceleración, la altura del estante y el momento de soltarlo.

Un humano ajusta estas variables casi de forma inconsciente. Un robot debe inferirlas o medirlas sin exceder sus límites mecánicos.

El proyecto Open X-Embodiment de Google DeepMind demostró otra parte del problema. Los investigadores combinaron datos de 22 tipos distintos de robots mediante una colaboración con 33 laboratorios académicos.

El conjunto de datos de robótica resultante incluyó más de 500 habilidades y 150.000 tareas. Su objetivo era ayudar a los modelos a transferir conocimiento entre distintos cuerpos robóticos y entornos.

Ese proyecto utilizó experiencia generada por robots en lugar de limitarse a grabar a trabajadores. Aun así, confirma el desafío central de la industria: el comportamiento robótico útil depende de datos físicos diversos y estructurados.

Un modelo entrenado con un brazo, una sala y un conjunto de objetos suele tener dificultades en otros contextos. La misma acción puede verse diferente cuando cambian el ángulo de la cámara, la iluminación, la herramienta o el cuerpo del robot.

Por tanto, la diversidad importa tanto como el volumen. Los desarrolladores necesitan ejemplos de distintos trabajadores, ubicaciones, disposiciones de objetos y resultados de tareas.

También necesitan demostraciones fallidas. Un conjunto de datos que contenga únicamente movimientos perfectos podría no enseñar a un robot a detectar problemas o recuperarse de forma segura.

Este requisito hace atractiva la recopilación en el lugar de trabajo. Los entornos reales contienen arrugas, desorden, interrupciones, embalajes dañados, objetos inusuales e innumerables condiciones que los laboratorios tienen dificultades para recrear.

Sin embargo, el realismo aumenta los riesgos para la privacidad y la calidad. Una cámara montada en la cabeza puede grabar a compañeros, conversaciones, documentos, pantallas de computadora, clientes y zonas restringidas.

Los recopiladores de datos deben decidir qué entra en el conjunto de entrenamiento. También necesitan registros fiables que indiquen quién dio su consentimiento, qué se capturó y cómo puede reutilizarse el material.

El proceso se parece al crecimiento inicial de la anotación de datos para modelos de lenguaje y visión. La diferencia es que las demostraciones físicas capturan experiencia práctica junto con información personal y ambiental.

Un movimiento grabado puede revelar cómo un trabajador concreto resuelve un problema. Las grabaciones repetidas pueden exponer patrones de productividad, limitaciones físicas o técnicas informales que nunca aparecieron en un manual de procedimientos.

Por eso, la carrera por los datos de IA física va más allá de añadir cámaras a un lugar de trabajo. Es un intento de formalizar el conocimiento tácito, es decir, la experiencia que las personas utilizan sin describirla por completo.

Una vez formalizado, ese conocimiento puede entrenar muchas máquinas. Su valor deja de estar limitado a la tarea o ubicación original.

La verdadera competencia enfrenta la habilidad humana con la escala de las máquinas

La competencia central no enfrenta hoy a los trabajadores contra los robots, sino a la experiencia humana contra la escala que prometen los modelos robóticos reutilizables.

Un empleado cualificado mejora mediante años de trabajo repetido. Su conocimiento permanece ligado a una persona y, por lo general, beneficia a un lugar de trabajo a la vez.

Un modelo robótico ofrece una propuesta económica diferente. Los desarrolladores quieren registrar ejemplos una vez, refinarlos mediante entrenamiento y distribuir la capacidad resultante entre muchas máquinas.

Esa promesa explica la intensa demanda de datos de demostraciones humanas. Un movimiento capturado en un hotel o almacén puede convertirse en una entrada para un modelo desplegado en otro lugar.

Nvidia describe esta estrategia a través de su plataforma de robótica Isaac GR00T. La empresa afirma que los modelos GR00T combinan video de internet, teleoperación en el mundo real y datos sintéticos.

Su flujo de trabajo GR00T-Mimic convierte demostraciones teleoperadas en datos de movimiento para el aprendizaje por imitación. Otro flujo de trabajo puede ampliar un pequeño conjunto de ejemplos humanos dentro de una simulación.

En una prueba comunicada por la empresa, Nvidia generó 780.000 trayectorias sintéticas en 11 horas. La empresa describió ese volumen como equivalente a 6.500 horas de datos de demostraciones humanas.

Nvidia también informó de una mejora de rendimiento del 40 por ciento cuando se combinaron trayectorias sintéticas con datos reales. Estas cifras proceden del propio proceso de movimiento de Nvidia, no de una evaluación comparativa independiente de toda la industria.

El resultado aun así explica por qué las demostraciones reales tienen valor estratégico. Los datos sintéticos pueden multiplicar los ejemplos, pero los desarrolladores primero necesitan movimientos fundamentados y definiciones realistas de las tareas.

Una simulación puede variar las posiciones de los objetos, los ángulos de cámara y las trayectorias de movimiento. No puede garantizar que el comportamiento subyacente refleje las limitaciones sutiles de un lugar de trabajo real.

Esto crea un modelo híbrido para el entrenamiento de robots. Los trabajadores proporcionan ejemplos auténticos, los operadores conectan esos ejemplos con los controles robóticos y la simulación amplía el conjunto de datos resultante.

Los desarrolladores de robots prueban después la política en hardware físico. Los fallos generan nuevos datos, y las personas intervienen cuando el sistema se encuentra con condiciones desconocidas.

Por tanto, el trabajo humano aparece en cada etapa. Los trabajadores demuestran la tarea, los anotadores depuran las grabaciones, los operadores controlan robots y los equipos de seguridad evalúan los fallos.

La automatización no surge únicamente del aprendizaje automático. Emerge de una larga cadena de instrucción y corrección humanas.

El argumento comercial más sólido sostiene que esta cadena termina siendo más eficiente. Cada nueva demostración puede mejorar un modelo utilizado en múltiples robots y tareas.

La respuesta escéptica se centra en la última milla. Un robot que tiene éxito en una demostración aún puede fallar cuando cambian los materiales, la iluminación o el tránsito de personas.

El trabajo hotelero ofrece un ejemplo útil. Doblar una servilleta requiere destreza, pero completar el montaje de un banquete también implica navegación, secuenciación, inspección visual, gestión de excepciones y coordinación con colegas.

El trabajo en almacenes plantea complicaciones relacionadas. Las cajas varían en peso y estado, los pasillos contienen personas y un agarre aparentemente sencillo puede depender de contenidos inestables.

Los robots necesitan tanto manipulación como criterio situacional. Un modelo que resuelve el primer requisito no satisface automáticamente el segundo.

Esta brecha presiona a dos grupos. Las empresas de robótica deben demostrar que grandes conjuntos de datos de demostraciones producen un rendimiento fiable en el mundo real, no pruebas pulidas.

Los empleadores deben decidir si la recopilación de datos respalda a los trabajadores, rediseña los puestos o prepara determinadas tareas para la automatización. Estos resultados pueden coexistir dentro de una misma organización.

Los trabajadores afrontan la incertidumbre más aguda. Su experiencia se convierte en un insumo esencial, pero sus derechos sobre el modelo resultante siguen estando mal definidos.

Los acuerdos laborales tradicionales suelen asignar los productos del trabajo al empleador. Los datos de movimiento plantean preguntas más difíciles porque registran el cuerpo del trabajador, sus hábitos y su habilidad acumulada.

¿Es una trayectoria de la mano simplemente un dato operativo? ¿Es una demostración completa una forma de dato personal, propiedad intelectual del lugar de trabajo o ambas cosas?

La respuesta afecta al consentimiento, la compensación, la conservación y la reutilización. También afecta a si los trabajadores pueden impugnar un conjunto de datos desplegado más allá de su propósito original.

Las organizaciones ya utilizan la gestión del conocimiento para conservar procedimientos escritos y memoria institucional. La captura de movimiento extiende ese objetivo al comportamiento físico, donde los límites están menos definidos.

La base de datos resultante puede sobrevivir al empleado que la proporcionó. También puede separar la experiencia de la persona que la desarrolló.

Esa separación es la inversión central. Las habilidades consideradas más difíciles de automatizar se están volviendo muy valiosas porque generan los ejemplos que la automatización aún no tiene.

Mejores demostraciones no eliminan los riesgos laborales

Un conjunto de datos más completo puede mejorar el rendimiento de los robots mientras aumenta las preocupaciones sobre vigilancia, consentimiento y poder de negociación para las personas grabadas.

Una cámara en el lugar de trabajo no registra únicamente el movimiento objetivo. Puede capturar rostros, voces, pantallas de ordenador, información de clientes, procedimientos de seguridad y momentos ajenos al entrenamiento de robots.

Un sistema de seguimiento de movimiento puede revelar más que la técnica de una tarea. Las grabaciones repetidas pueden exponer fatiga, diferencias físicas, ritmo de trabajo, lesiones o desviaciones respecto al método preferido por la dirección.

Esto crea un problema de finalidad. Los datos recopilados para entrenar a un robot podrían utilizarse después para evaluar a trabajadores, supervisar la productividad, investigar cuestiones de seguridad u otras decisiones de gestión.

Un consentimiento significativo exige más que pedir a un empleado que lleve un dispositivo. Los trabajadores necesitan saber qué registra el sistema, quién recibe los datos y durante cuánto tiempo seguirán disponibles.

También necesitan saber si negarse afecta a los horarios, los ascensos o la continuidad de su empleo. El consentimiento se vuelve cuestionable cuando un trabajador no puede rechazarlo sin arriesgar sus ingresos.

Un estudio de 2026 sobre robots de almacén centrados en los trabajadores encontró un amplio interés por una automatización útil, pero también documentó preocupaciones sobre privacidad y consentimiento. Los participantes querían que los robots reconocieran cuándo las personas necesitaban espacio personal.

El estudio sobre almacenes también hizo hincapié en la participación de los trabajadores en el diseño. Sus hallazgos sugieren que la aceptación técnica depende en parte del control, la transparencia y el contexto laboral.

Los programas de entrenamiento de robots necesitan salvaguardas similares. La recopilación de datos debe tener una finalidad definida, acceso limitado, una conservación documentada y un proceso para eliminar material no relacionado.

Los transeúntes plantean otro desafío. Clientes y colegas pueden aparecer en vídeo en primera persona incluso si nunca aceptaron participar en un conjunto de datos de entrenamiento.

Difuminar rostros puede reducir parte de la exposición, pero no resuelve todos los problemas. Uniformes, voces, ubicaciones y rutinas de trabajo pueden identificar indirectamente a las personas.

Los propios datos de movimiento también pueden ser distintivos. Un conjunto de datos puede revelar características físicas o patrones de comportamiento incluso después de eliminar los nombres.

Por ello, las empresas deben tratar la procedencia como una característica central. La procedencia registra de dónde provienen los datos, qué permisos se aplican y cómo cambió cada activo durante el procesamiento.

Sin procedencia, un desarrollador de robots puede recibir archivos útiles sin saber si las personas y los lugares fueron debidamente autorizados.

La compensación plantea una disputa independiente. Un trabajador puede recibir su salario habitual mientras demuestra una tarea, un pago único o ningún pago adicional.

El conjunto de datos puede luego respaldar un modelo con un valor muy superior al del turno original. Los acuerdos salariales existentes rara vez contemplan la reutilización comercial repetida de experiencia capturada.

Esto no significa que cada trabajador deba recibir regalías por cada acción de un robot. Sí significa que empleadores y desarrolladores necesitan una postura explícita antes de que comience la recopilación.

La negociación colectiva puede influir en esa postura. Los representantes de los trabajadores pueden negociar límites a los dispositivos, pagos, reglas de acceso, pruebas de seguridad y restricciones al uso de grabaciones con fines disciplinarios.

La Confederación de Sindicatos de Corea ha advertido que un despliegue amplio de robots podría interrumpir la formación de futuros trabajadores cualificados. Su preocupación va más allá de las pérdidas de empleo inmediatas.

Los empleados junior aprenden observando a colegas experimentados y practicando bajo supervisión. Si la automatización elimina las tareas de nivel inicial, menos personas avanzarán hacia puestos donde se desarrolla una experiencia más profunda.

Un conjunto de datos de entrenamiento puede conservar el método actual de un experto. No garantiza que el sistema genere nuevos conocimientos artesanales cuando cambian los materiales, las herramientas o las expectativas de los clientes.

Los humanos modifican continuamente sus técnicas. Un corpus de entrenamiento estático puede congelar una versión de un trabajo mientras el trabajo real sigue evolucionando.

RLWRLD ha sostenido que el dominio humano sigue siendo importante incluso cuando la IA replica capacidades existentes. Esa distinción merece atención.

La replicación y la invención no son idénticas. Un robot puede copiar una secuencia demostrada sin comprender por qué un experto se apartó del procedimiento estándar.

La seguridad añade otro límite. Un robot entrenado con comportamientos promedio puede encontrarse con una situación poco común en la que el movimiento esperado se vuelve peligroso.

Los desarrolladores necesitan métodos de evaluación que cubran objetos inusuales, personas cercanas, desgaste mecánico, fallos de sensores y condiciones adversariales. Una demostración exitosa ofrece poca evidencia sobre esos extremos.

Los trabajadores deberían participar en esas evaluaciones porque reconocen riesgos laborales que los diseñadores de benchmarks pueden pasar por alto. Su contribución no debería terminar cuando las cámaras dejan de grabar.

Un enfoque centrado en los trabajadores trataría a los empleados como expertos del dominio durante todo el diseño, las pruebas y el despliegue. No los reduciría a fuentes anónimas de movimiento.

Qué viene después del giro hacia la captura de movimiento

La siguiente fase se medirá por la fiabilidad de los robots, los derechos de datos documentados y la evidencia de que los modelos se transfieren más allá de demostraciones controladas.

La primera señal que hay que observar es el rendimiento en lugares de trabajo activos. Las demostraciones cuidadosamente editadas y las pruebas de laboratorio no pueden establecer si un sistema funciona durante turnos completos.

Los desarrolladores deben informar tasas de finalización, intervenciones humanas, rendimiento de recuperación e incidentes de seguridad. Los resultados deben abarcar objetos cambiantes e interrupciones realistas.

La evaluación independiente reforzaría esas afirmaciones. Las demostraciones de las empresas siguen siendo útiles, pero naturalmente muestran tareas y condiciones seleccionadas por el desarrollador.

Un robot que dobla una servilleta bajo supervisión todavía no es un trabajador hotelero generalista. Un sistema que cierra una caja todavía no es una operación de almacén autónoma.

La segunda señal es la transferencia entre cuerpos y ubicaciones. Un modelo fundacional reutilizable debería aplicar las lecciones de un robot o centro a otro con un reentrenamiento limitado.

La investigación de DeepMind entre robots y la estrategia de datos mixtos de Nvidia abordan este problema. El progreso exige más que ampliar un único programa de recopilación.

Los desarrolladores deben demostrar que entrenar con un conjunto de trabajadores mejora tareas, objetos o entornos desconocidos. Una transferencia débil reduciría la ventaja económica de reunir bibliotecas masivas de demostraciones.

Una transferencia sólida haría que la propiedad de los datos fuera más determinante. Un único flujo de trabajo grabado podría influir en máquinas mucho más allá del lugar de trabajo donde se originó.

La tercera señal es la aparición de reglas de datos exigibles. Las empresas describen cada vez más el consentimiento, la privacidad y la procedencia como características de sus canales de recopilación.

La prueba importante es si esos compromisos se convierten en cláusulas contractuales, registros de auditoría, procesos de eliminación y derechos de los trabajadores. Las garantías públicas por sí solas no resuelven cómo se reutilizan los datos.

Los reguladores también podrían examinar si las grabaciones califican como información biométrica o personal. La respuesta puede variar según las jurisdicciones y los métodos de captura.

Un vídeo ordinario, un modelo detallado de la mano y una imagen ecográfica de tendones no exponen información idéntica. Los empleadores no deberían tratarlos como intercambiables.

Los avances técnicos complicarán la distinción. Investigadores del MIT han desarrollado una pulsera de ultrasonido que obtiene imágenes de músculos, tendones y ligamentos mientras una persona mueve la mano.

Un modelo de IA traduce esas imágenes en posiciones para la palma y cinco dedos. El equipo probó el sistema con ocho voluntarios y siguió 22 grados de libertad.

Los investigadores demostraron el control de una mano robótica que interpreta una sencilla melodía de piano y opera un juego de baloncesto de escritorio. Están recopilando datos de más formas y tamaños de manos.

El profesor del MIT Xuanhe Zhao afirmó que el enfoque podría proporcionar grandes volúmenes de datos de entrenamiento para robots humanoides diestros. La pulsera de ultrasonido también muestra lo íntimos que pueden llegar a ser los futuros conjuntos de datos de movimiento.

Una cámara de cabeza registra lo que ve el trabajador. Un dispositivo de ultrasonido registra el movimiento interno bajo la piel.

Esa progresión técnica vuelve más urgentes las políticas claras. Cuanto más precisamente capture un dispositivo el movimiento humano, más valiosa y potencialmente sensible será su producción.

Los próximos meses deberían revelar si las empresas de IA física pueden convertir mejores demostraciones en operaciones repetibles. Esté atento a despliegues que informen de rendimiento sostenido en lugar de pruebas breves.

También observe los acuerdos laborales relativos a la captura mediante dispositivos portables. Disposiciones detalladas sobre consentimiento, uso secundario, conservación y compensación indicarían que los derechos de datos de los trabajadores se están convirtiendo en requisitos operativos.

Por último, observe si los modelos de robots se generalizan entre centros y máquinas. Si lo hacen, las demostraciones humanas se convertirán en un activo estratégico comparable a los principales corpus de entrenamiento de IA.

Si no lo hacen, la IA física seguirá dependiendo de una costosa ingeniería específica para cada centro y de una intervención humana continua.

Los trabajadores están enseñando a las máquinas más que movimientos aislados. Están revelando la estructura no escrita del trabajo físico, un agarre, giro, corrección y recuperación a la vez.

La pregunta clave ya no es si ese conocimiento puede registrarse. Es si las organizaciones pueden utilizarlo sin borrar a las personas que lo crearon.

Los desarrolladores, empleadores y trabajadores deberían exigir las mismas pruebas antes de aceptar afirmaciones generalizadas: funcionamiento fiable, procedencia transparente de los datos y un control significativo sobre la experiencia capturada.

Ese estándar no detendría el aprendizaje de los robots. Haría que la economía de la IA física reconociera su fuente de inteligencia más importante: las personas que ya realizan el trabajo.