Las cooperativas de datos son la próxima frontera de las relaciones laborales
E
l impacto de la IA, y en particular de la IA generativa, está sintiéndose en todas las industrias. Pero mientras los ejecutivos están entusiasmados con el potencial de esta tecnología, los trabajadores a menudo desconfían de lo que podría significar para ellos, sus trabajos y su futuro. Estas percepciones divergentes están creando nuevas tensiones y presentando nuevos desafíos para ambos grupos.
Estas tensiones tienen su origen (directa o indirectamente) en el acceso a datos contextuales de alta calidad. Los datos son la información que necesitan los algoritmos de aprendizaje automático para funcionar, y la IA está compuesta por estos algoritmos. Por lo tanto, quienes tienen acceso a datos de alta calidad pueden entrenar IA de alta calidad. A menos que los trabajadores y las organizaciones puedan abordar este problema de los datos de una manera significativa y duradera, el conflicto continuará dirimiéndose mediante enfrentamientos y negociaciones parciales.
Las cooperativas de datos ofrecen un camino significativo hacia adelante. Son un modelo organizacional que permite a las personas agrupar sus datos con el propósito de obtener poder de negociación frente a las empresas que analizan sus datos. Estas cooperativas enfatizan el control individual, el uso ético y el trato justo, y permiten a los usuarios conservar la propiedad y el control de su huella digital. Además, en muchos casos, ofrecen la monetización con fines de lucro de los datos de los miembros de la cooperativa, permitiendo que terceros obtengan información de esos datos (de una manera responsable y que preserve la privacidad).
Los datos como un nuevo factor de producción
El impacto de la tecnología en los empleados y sus empleadores suele analizarse como un juego de suma cero entre ambas partes, donde la automatización aumenta las ganancias de los empleadores mientras reduce los puestos de trabajo para los empleados. Sin embargo, la dependencia de la IA de los datos frescos desafía esta visión.
Las organizaciones que dependen de las capacidades actuales de la IA pueden (tarde o temprano) descubrir que los algoritmos que utilizan comienzan a funcionar peor que antes debido a la «decadencia del modelo», es decir, el deterioro del rendimiento de la IA con el tiempo. La razón es que los datos con los que fueron entrenados ya no son representativos de la realidad en la que la IA debe operar.
Nuestras preferencias, contexto, sentido del humor, gustos y modas cambian constantemente. Y nosotros, los humanos, somos necesarios para revelar nuestras preferencias. Los datos más valiosos serán sobre nosotros mismos, y es nuestra interacción con los sistemas digitales la que genera esos datos. Eliminar al ser humano implica eliminar los datos sobre la persona para la cual la IA está diseñada para generar contenido.
Este hecho, que surge únicamente de la naturaleza de la IA y no de otras tecnologías que en el pasado han afectado al mercado laboral, sorprendentemente puede ayudar a alinear las necesidades de los empleadores y los empleados, ya que los empleados humanos son fundamentales para generar nuevos datos que eventualmente impulsen la IA.
Las cooperativas de datos son a los datos lo que los sindicatos son al trabajo
En el contexto laboral, son los conocimientos de primera mano de los empleados, sus habilidades para resolver problemas y sus competencias en evolución las que cambian con cada nuevo desafío e innovación. Por lo tanto, los datos más valiosos para la IA que puede asumir las tareas de los trabajadores provendrán directamente de las tareas que estos realizan.
Es aquí donde las cooperativas de datos ofrecen un nuevo enfoque para la gestión de datos al permitir que los trabajadores sean copropietarios y gestionen sus datos colectivos a través de un proceso de toma de decisiones más o menos descentralizado. Esto sucede porque los miembros de una cooperativa de datos pueden extraer datos que actualmente están aislados en diferentes fuentes y combinarlos en un solo conjunto. La agregación de datos que los miembros generan a partir de diversas fuentes y situaciones puede conducir al desarrollo de nuevos productos, servicios y modelos de negocio que serían inalcanzables mediante contribuciones individuales o utilizando datos de una sola fuente.
Además, una vez que los trabajadores comienzan a ver la monetización de sus datos por parte de las cooperativas, es mucho más probable que reorganicen sus propios procesos para facilitar una mejor recopilación de datos, lo que a su vez puede generar mejores resultados de IA para la organización y mayores ingresos por datos para los trabajadores.
Ahora que los datos se utilizan cada vez más como un factor de producción (es decir, como insumo) en la economía, parece natural que las cooperativas de datos surjan como una solución. Esta es la misma lógica que llevó al desarrollo de los sindicatos en el pasado: la fragmentación de la estructura de propiedad del factor de producción (ya sea datos o trabajo) impide que cualquier individuo tenga poder de negociación frente al empleador.
Lo que esto significa para el futuro de las relaciones laborales
Para que se libere este valor económico (y para que tanto empleadores como empleados prosperen en la economía de los datos) todos los involucrados deben aumentar su nivel de alfabetización en datos. Tanto los trabajadores como los empleadores deben comprender cómo los datos crean valor mediante la agregación y el análisis para revelar información y patrones que puedan mejorar la toma de decisiones y entrenar modelos de IA. Además, los empleados deben comprender cómo contribuyen a la creación y gestión de dichos datos mientras trabajan, y utilizar la influencia colectiva que les otorgan las cooperativas, con el fin de tener una discusión adecuada sobre el futuro del trabajo.
Para aprovechar al máximo los datos que las personas producen y, al mismo tiempo, garantizar que los trabajadores tengan control sobre qué datos ofrecen y reciban una compensación justa por ellos, los empleadores y los empleados deben seguir estos pasos para poder dar forma al futuro de la economía digital y, por ende, al futuro del trabajo:
1. Evaluar los recursos y el potencial de los datos internos de la organización.
Los empresarios y los empleados deben comenzar por realizar una auditoría exhaustiva de los datos que la organización ya recopila y genera, centrándose en identificar los datos que podrían ser valiosos para la formación o el análisis de IA.
2. Involucrar a los empleados en programas de alfabetización en datos.
Las organizaciones pueden implementar programas de capacitación para mejorar la alfabetización en datos de sus empleados. Al formarlos sobre cómo sus actividades diarias generan datos valiosos, la importancia de estos datos en el desarrollo de la IA y cómo pueden participar en cooperativas de datos, se crean conocimientos valiosos.
3. Incorporar cláusulas de cooperativas de datos en los contratos de trabajo.
Al actualizar los contratos de trabajo para incluir cláusulas que reconozcan los derechos de los empleados sobre sus datos y describan cómo pueden utilizarse sus datos en cooperación con las cooperativas de datos, las organizaciones pueden posicionarse como pioneras en este ámbito. Esto garantizaría la transparencia y proporcionaría un marco jurídico para el uso de los datos, y puede ayudar a atraer nuevos talentos.
Dada la naturaleza dinámica de la sociedad, la IA necesitará (al menos en el futuro previsible) los datos y la orientación de los humanos para generar valor real. Por lo tanto, los trabajadores, deben enfocarse en comprender la interacción entre capital, trabajo y datos, y comenzar a guiar la discusión sobre el futuro del trabajo con una comprensión adecuada de la naturaleza de la IA.
Los líderes empresariales también deben comprender las dependencias entre capital, trabajo y datos para proponer proactivamente marcos colaborativos que permitan a las organizaciones (y por ende a la sociedad) prosperar en la era de la IA.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
The impact of AI, and generative AI in particular, is being felt across industries. But while executives are excited about this technology’s potential, white collar workers are often wary about what it may mean for them, their jobs and their futures. These differing perceptions are creating new tensions and presenting new challenges for both groups.
These tension are rooted — directly or indirectly — in access to high quality, contextual data. Data is the input that is needed for machine learning algorithms to perform, and AI is made of such algorithms. Hence, those having access to high quality data can train high-quality AI. Unless workers and organizations can address this data issue in a meaningful, lasting way, conflict will continue to be litigated through standoffs and piecemeal negotiations.
Data cooperatives offer one meaningful path forward. They are an organizational model that enable individuals to pool their data with the purpose of gaining bargaining power with the companies analyzing their data. These cooperatives emphasize individual control, ethical use and fair treatment, and allow users to retain ownership and agency over their digital footprint. Furthermore, they offer in many cases the for-profit monetization of the data from the cooperatives’ members, enabling third parties to get insights from that data (in a responsible, and privacy-preserving way).
DATA AS A NEW FACTOR OF PRODUCTION
The impact of technology on employees and their employers is usually analyzed as zero-sum game between both parties, in which automation increases profits for employers while it reduces jobs for employees. However, AI’s dependency on fresh data upends this view.
Organizations relying on the current capabilities of the AI may sooner or later find out that the algorithms they use start performing worse than they used to through “model decay” — the degradation of the AI’s performance over time. The reason is that the data with which they were trained is no longer representative of the reality in which the AI has to navigate.
Our preferences, context, sense of humor, taste and fashion change constantly. And we humans are needed to reveal our preferences. The most precious data will be about us humans, and it is therefore our interaction with digital systems that results in that data. Eliminating the human implies eliminating the data about the person that the AI is designed to generate content for.
This very fact, which emerges only from the nature of AI and not from the nature of other technologies that have in the past affected the labor market, can surprisingly help align the needs of employers and employees, as human employees are fundamental for generating newer data that can eventually drive AI.
DATA COOPERATIVES ARE TO DATA WHAT LABOR UNIONS ARE TO LABOR
In the context of work, it is the employees’ on-the-ground knowledge, problem-solving abilities and evolving skill sets that change with each new challenge and innovation. Thus, the most valuable data for the AI that can take over the tasks of the workers will come directly from the tasks workers perform.
It is here where data cooperatives offer a new approach to data governance by enabling workers to co-own and manage their collective data through a more or less decentralized decision making process. This happens because the members of a data cooperative can pull data currently siloed in different sources into one bundle. The aggregation of data that members generate from diverse sources and situations can lead to the development of new products, services and business models that would be unattainable through individual contributions alone, or through the utilization of data in single sources.
Furthermore, once workers start seeing monetization of their data from cooperatives, they are much more likely to reorganize their own processes to facilitate better data collection, which in turn can generate better AI outcomes for the organization and higher incomes from data for workers.
Now that data is being increasingly used as a factor of production (i.e., as an input) in the economy, it seems natural that data cooperatives emerge as a solution. This is the same logic that led to development of labor unions in the past: the fragmentation of the ownership structure of the factor of production (being it data or labor) impedes any bargaining power of an individual with the employer.
WHAT THIS MEANS FOR THE FUTURE OF EMPLOYEE-EMPLOYER RELATIONSHIPS
For this economic value to be unleashed — and for both employers and employees to thrive in the data economy — everyone involved needs to raise their level of data literacy. Both workers and employers should understand how data creates value, which is by being aggregated and analyzed in order to reveal insights and patterns that can improve decision making and train AI models. Further, workers should understand how they contribute to creating and managing such data while they are working, and use the collective influence that cooperatives grant them, in order to have the right discussion about the future of work.
To take full advantage of the data people produce, while also ensuring workers have control over which data they offer and are fairly compensated for it, employers and employees should follow these steps in order to be able to shape the future of the digital economy, and thus the future of work:
1. Asses the organization’s internal data resources and potential.
Employers and employees should begin by conducting a thorough audit of the data that the organization already collects and generates, focusing on identifying data that could be valuable for AI training or analytics.
2. Engage employees in data literacy programs.
Organizations can implement training programs to enhance their employees’ data literacy. By educating them on how their daily activities generate valuable data, the importance of this data in AI development, and how they can participate in data cooperatives, valuable knowledge is created.
3. Incorporate data cooperative clauses in employment contracts.
By updating employment contracts to include clauses that recognize employees’ rights to their data and outline how their data can be used in cooperation with data cooperatives, organizations can position themselves as pioneers in this area. This would ensure transparency and provide a legal framework for data usage, and can help with the attraction of new talent.
Given the dynamic nature of society, AI will (at least in the foreseeable future) need the data and guidance of humans to generate real value. Workers should therefore focus on understanding the interplay between capital, labor, and data, and start guiding the discussion about the future of work with the right understanding of the nature of the AI.
Business leaders should equally understand the dependencies between capital, labor and data in order to proactively propose collaborative frameworks that let organizations — and thus society — flourish in the age of AI.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
