ChatGPT destruyó el trabajo de los ghostwriters kenianos que escribían los trabajos de universitarios occidentales

Durante más de una década, escribir los trabajos de fin de carrera y los ensayos de universitarios en EE.UU. y el Reino Unido fue una fuente de ingresos respetable —y a veces muy buena— para miles de jóvenes en Kenia. Era un mercado informal, no del todo legal donde se operaba, pero funcionaba. ChatGPT lo cerró en meses.

El New York Times publicó el pasado 5 de septiembre un reportaje que reconstruye este mercado a través del caso de Teresios Bundi, quien llegó a Nairobi en 2011 para estudiar en la universidad y descubrió casi por casualidad el negocio: su primer encargo le pagó 7 dólares. Bundi renunció a su carrera en salud pública, montó una pequeña empresa con otros estudiantes y a su punto máximo cobraba entre 40 y 70 dólares por trabajo, escribiendo un total de 2.500 trabajos académicos. Su reacción al impacto de la IA es transparente: «Jamás habría imaginado que la IA pudiera lograr esto.»

¿Cuántas personas vivían de escribir trabajos ajenos en Kenia y cómo llegaron a eso?

En el punto álgido del mercado, a principios de la segunda década de los 2000, se calcula que al menos 40.000 kenianos vivían de esta industria. El perfil era jóvenes con buen nivel de inglés escrito, familiarizados con las convenciones de la escritura académica anglosajona y con acceso a internet. Los sitios de encargo de trabajos —una industria paralela y transnacional basada principalmente en plataformas angloparlantes— conectaban a los estudiantes con los escritores y cobraban una comisión.

Era un mercado con cierta estructura: plazos, revisiones, especificaciones de citas por estilo (APA, Chicago, MLA). Quienes lo hacían bien llegaban a cobrar tarifas superiores a las del mercado local formal, con suficiente margen para comprar coches nuevos y smartphones de gama alta, según los testimonios recogidos por el NYT. No era trabajo degradante; era trabajo conocido.

Hemos comprobado en wwwhatsnew.com al documentar el impacto de la IA en distintos mercados laborales que los CEOs de IA que prometían el apocalipsis ahora se desdicen de sus propias predicciones más extremas —Sam Altman y Dario Amodei entre ellos—, pero el caso de los ghostwriters kenianos es uno de los pocos en los que la sustitución ha sido prácticamente total y muy rápida.

¿Qué otras ocupaciones desaparecieron con la IA y cuáles siguen resistiendo?

La transcripción de reuniones fue uno de los primeros mercados en colapsar, antes incluso de que llegara ChatGPT: Whisper de OpenAI y otras herramientas de reconocimiento de voz ya hacían ese trabajo a un coste cercano a cero desde 2022. La moderación de contenido para plataformas como Facebook es otro sector en retroceso: aunque todavía hay personas etiquetando imágenes, los equipos se han reducido significativamente porque la IA mejora su precisión en detección de contenido dañino cada trimestre.

Los datos de Scale AI, una de las mayores empresas de etiquetado del mundo, cuantifican la aceleración: en octubre de 2025, los modelos de IA completaban el 2,5% de las tareas freelance que Scale gestiona. En julio de 2026, ese porcentaje ya era del 16%. En menos de un año, la capacidad de la IA para completar trabajo de conocimiento bajo demanda se multiplicó por seis.

La advertencia de Anthropic sobre el impacto de la IA en el empleo bien remunerado señaló en 2025 que el desplazamiento no se limitaría a trabajos de baja cualificación sino que alcanzaría a profesionales con formación universitaria. Los ghostwriters kenianos no eran trabajadores de baja cualificación en sentido estricto: dominaban la escritura académica en inglés a un nivel que la mayoría de nativos digitales no alcanza.

El sector que sí resiste es el de los «humanizadores» de textos de IA: personas que editan el output de ChatGPT para que no suene a IA, eliminen los marcadores que detectan los detectores de plagio y hagan el texto aceptable para los sistemas anti-fraude académico. Es la paradoja completa del ciclo: la IA destruye un mercado y crea uno nuevo basado en ocultar la IA. Yellow.ai y otras empresas de BPO automatizado están haciendo exactamente lo mismo en el sector empresarial: reemplazar trabajadores humanos en servicios de atención al cliente y documentar la automatización como una mejora de eficiencia.

El caso de los ghostwriters kenianos tiene una dimensión geográfica que va más allá de la economía del mercado local. Es un ejemplo claro de cómo el impacto de las herramientas de IA desarrolladas en EE.UU. se distribuye de forma asimétrica globalmente: los beneficios (menores costes, mayor accesibilidad a producción de contenido) los capturan principalmente los usuarios en países ricos, mientras los costes (pérdida de ingresos) los absorben trabajadores en países de renta media-baja que participaban en el mercado de exportación de servicios intelectuales. Bundi ya no escribe trabajos ajenos. No reveló qué hace ahora.Aprendizaje automático e inteligencia artificial

El caso de los ghostwriters académicos también ilustra un efecto macroeconómico más amplio que la economía digital ha creado y destruido en una sola generación: la democratización del trabajo de conocimiento por internet permitió que personas en países de renta media-baja accedieran a mercados laborales de renta alta sin emigrar. La fibra óptica y las plataformas de pago online hicieron posible que un graduado de Nairobi cobrara tarifas próximas a las de un escritor de Nueva York. La IA ha roto ese acceso en algunos sectores y lo está rompiendo en otros.

El mercado de etiquetado de datos es el siguiente en la lista. Scale AI, que hoy ya automatiza el 16% de las tareas que antes hacían freelances humanos, es una empresa cuya estrategia de crecimiento depende de que la IA haga cada vez más del trabajo que sus trabajadores humanos hacían manualmente. Los trabajadores de Scale AI son mayoritariamente de países africanos y asiáticos. La narrativa de que la IA crea más empleos de los que destruye podría ser cierta en agregado global; es casi con certeza falsa en la distribución geográfica de esos empleos.

Para Kenia específicamente, el impacto va más allá de los 40.000 ghostwriters. La industria de BPO —call centers, moderación de contenido, entrada de datos— es uno de los mayores empleadores del sector formal keniano. Si las cifras de Scale AI (2,5% a 16% de tareas automatizadas en nueve meses) se extrapolan a ese sector, el impacto sobre el empleo formal en Nairobi en los próximos tres años va a ser visible en los datos macroeconómicos.

Fuente: wwwhatsnew

La Sibila de Cumas y el problema del prompt

Cada vez que obtenemos un resultado absurdo, inesperado o simplemente malo de una inteligencia artificial (IA), quienes mejor conocen estas herramientas suelen dar la misma explicación: el problema es la pregunta. Hay que saber preguntar, hay que aprender a escribir un buen prompt.

Esto tiene mucho de cierto, pues un pequeño cambio en las instrucciones puede llevarnos a resultados sorprendentemente distintos. (De hecho, una misma petición producirá resultados más o menos diferentes cada vez que se formule, debido al carácter probabilístico de la IA, pero ese es un problema de otro tipo: el de la imprevisibilidad).

Quien aprende a plantear con precisión lo que quiere, a dar contexto, establecer límites, exigir revisiones fácticas y señalar aquello que la máquina no debe hacer, obtiene mejores respuestas. De ahí ha surgido incluso una nueva habilidad, la llamada ingeniería de prompts, que promete algo parecido al dominio de un lenguaje arcano: si sabemos hablar correctamente con la máquina, la máquina hará exactamente lo que queremos.

Pero la promesa es engañosa: el prompt, por su propia naturaleza, será siempre imperfecto.

Es así porque nunca podremos decirlo todo. Por más que escribamos una instrucción de tres páginas, enumeremos condiciones, proporcionemos ejemplos y contraejemplos, señalemos excepciones e incluso ordenemos expresamente a la IA que no asuma nada y que pregunte, siempre faltará algo. En algún momento la máquina tendrá que llenar un hueco para responder.

En realidad, esto ocurre cotidianamente entre seres humanos. Buena parte de la comunicación en nuestra especie consiste en decir mucho menos de lo que queremos comunicar. Si le pedimos a un amigo que cierre la ventana porque hace frío, no necesitamos aclararle que debe cerrarla sin romper el vidrio, que no debe tapiarla con ladrillos y que deberá ser posible abrirla de nuevo cuando mejore el clima. Todo eso se sobreentiende. Nuestra experiencia común del mundo completa la petición.

Con las inteligencias artificiales descubrimos de pronto la enorme cantidad de cosas que no decimos, pero que esperamos que nuestro interlocutor entienda.

Los griegos y los romanos, que para casi todos los problemas humanos tenían una historia moral o por lo menos entretenida, imaginaron situaciones parecidas.

La Sibila de Cumas recibió de Apolo un regalo extraordinario. Según cuenta Ovidio, el dios le concedió tantos años de vida como granos de arena pudiera sostener en la mano. La Sibila aceptó, pero olvidó pedir algo importante: conservar también la juventud. Vivió siglos, envejeciendo sin cesar. En el Satiricón de Petronio aparece ya reducida a una criatura minúscula, encerrada en una botella, a la que unos niños preguntan qué desea. Su respuesta es terrible: “Quiero morir”.

Apolo había cumplido estrictamente, el problema estaba en el prompt.

La historia resulta extraordinariamente moderna porque contiene el mismo equívoco que encontramos hoy frente a una IA. La Sibila sabía perfectamente lo que quería: una vida larga y disfrutable. Pero ni siquiera su don profético le sirvió para anticipar que debía especificarlo.

La mitología está llena de casos parecidos. El rey Midas pidió a Dioniso que todo cuanto tocara se convirtiera en oro, pero demasiado tarde entendió que “todo” significaba también la comida y la bebida. Siglos después, los cuentos de genios encerrados en lámparas y de deseos concedidos conservaron la misma advertencia. Mucho más modernamente, Isaac Asimov jugó con el problema en I, Robot: un técnico enfadado le dice a un robot que se pierda y éste, interpretando literalmente la orden, se vuelve ilocalizable.

En el fondo, todos estos relatos cuentan la misma historia: la de una petición cumplida y una intención frustrada. Durante milenios imaginamos criaturas capaces de concedernos lo que pedíamos, no necesariamente lo que queríamos. Ahora hemos construido varias.

Naturalmente, una inteligencia artificial no es Apolo y tampoco hay dentro de la computadora un genio maligno esperando encontrar el error o la omisión que convierta nuestros deseos en desgracias. Pero la semejanza resulta sugerente. También la IA recibe una formulación necesariamente incompleta de algo que existe con mucho mayor detalle en nuestra cabeza, aunque ni siquiera nosotros seamos conscientes de todos sus elementos, y debe reconstruir, a partir de ella, nuestras intenciones.

Lo interesante es que el problema no se resuelve escribiendo instrucciones cada vez más largas y detalladas. En cierto momento aparece una paradoja: para obtener exactamente lo que imaginamos tendríamos que describirlo con tal precisión que acabaríamos haciendo nosotros mismos una parte considerable del trabajo.

Si para pedir una ilustración tuviéramos que determinar la posición, tamaño, color y forma de cada uno de sus elementos, ya no estaríamos describiendo una imagen: estaríamos dibujándola con palabras.

Toda instrucción deja, además, espacio a interpretaciones. “Haz el texto más elegante”, “que suene menos solemne”, “no pierdas mi estilo”, “hazlo más breve pero no elimines nada importante” o incluso el vergonzante “que no parezca escrito por una IA” son instrucciones comprensibles para nosotros precisamente porque confiamos en una enorme zona de interpretación. Elegante, solemne, importante, natural: ninguna de esas palabras constituye una especificación. Son invitaciones a comprender lo que queremos.

Por eso quizá estamos pensando al revés el problema del prompt.

Hoy dedicamos mucho esfuerzo a aprender a hablar con las máquinas. Existen manuales y cursos para conseguir que una IA haga lo que deseamos. Y seguramente seguirán siendo útiles. Pero si las inteligencias artificiales se vuelven realmente mejores, debería suceder también el proceso contrario: no debemos nosotros aprender cada vez más a hablar como máquinas, sino las máquinas aprender cada vez mejor a entender cómo hablamos los seres humanos. Una inteligencia artificial verdaderamente eficaz debería ser capaz de reconstruir cada vez mejor ese territorio invisible que existe alrededor de nuestras palabras. Tal vez entonces descubramos que la ingeniería de prompts, pese a toda la importancia que hoy se le da, pertenece a una etapa primitiva de nuestra relación con la IA. Quizá dentro de algunos años resulte tan extraño consultar manuales para aprender a pedir correctamente una imagen o un texto como nos parecería hoy hacerlo para pedirle algo a una persona.

Porque el lenguaje humano nunca ha funcionado con especificaciones exhaustivas como las de un prompt “robusto”. Hablamos a través de aproximaciones, antecedentes, gestos, correcciones y sobreentendidos. Decimos una parte y confiamos en que nuestro interlocutor complete el resto.

La Sibila de Cumas tuvo la desgracia de tratar con un dios que concedía exactamente lo que se le pedía. Quizá una máquina verdaderamente inteligente comience a serlo cuando pueda hacer algo que aquel dios no supo hacer: entender que lo que decimos y lo que queremos decir nunca son exactamente la misma cosa.

Fuente: Letras Libres

Cochabamba impulsa 4 startups en la final de Incubatec

Cuatro emprendimientos tecnológicos de Cochabamba alcanzaron la fase final del programa Incubatec powered by Solydes + UPB. Las iniciativas presentaron sus modelos de negocio y herramientas de inteligencia artificial ante empresarios, mentores e inversores en el Demo Day.

Soluciones tecnológicas 

Los proyectos finalistas cochabambinos abarcan sectores de la economía digital como Legaltech, Proptech y Healthtech. La plataforma Legado optimiza el trabajo jurídico mediante herramientas automatizadas, mientras que Horizon ofrece gestión integral para agencias inmobiliarias evitando cierres informales.

En el ámbito de la salud, Sincromed estructura diagnósticos junto con historias clínicas digitales. Por su parte, Mind Organizer automatiza la gestión de consultas, resúmenes e historial para profesionales de la salud mental.

El programa inicial registró 91 postulaciones a nivel nacional, seleccionó a 23 equipos y concluyó con 14 finalistas en La Paz, Santa Cruz y Cochabamba. Esta tasa de permanencia representó un 61%, acompañada por un 92% de satisfacción general entre los participantes.

Consolidación 

La metodología impulsada por la Universidad Privada Boliviana y Fundación Solydes abarcó desde la validación de problemas hasta el diseño de productos mínimos viables y estrategias de mercado. Esta fase previa complementa el trabajo de Aceleratec, enfocado en empresas con ventas activas.

Viviana Coloma, directora de Aceleratec-Incubatec powered by Solydes + UPB, destacó la alianza entre la academia, el sector privado y el empresariado, respaldada por SOBOCE y Banco BCP, para transformar el ecosistema local.

La organización alista una segunda edición simultánea en el eje troncal del país. Los organizadores habilitarán talleres de ideación e información de la nueva convocatoria en sus canales oficiales.

Fuente: Enfoque News