Shift limpia gratis para entrenar robots con IA

Publicado el 19 de junio de 2026 por Sergio Jiménez Mazure en Inteligencia Artificial.

Hay noticias que parecen pequeñas, casi domésticas, hasta que uno las mira dos veces. Shift ofrece limpiezas domésticas gratuitas en Nueva York a cambio de grabar a los limpiadores mientras trabajan, y ese material servirá para entrenar futuros robots con Inteligencia Artificial. Dicho así suena a promoción de barrio elegante: te limpian el apartamento, tú no pagas, todos sonríen. Qué generoso el siglo XXI, que ya encontró la forma de convertir hasta el polvo debajo del sofá en materia prima tecnológica.

Según publicó The Verge, la propuesta de Shift es directa, casi brutal en su sinceridad comercial: “You receive a pristine apartment. We obtain training data.” Tú recibes un apartamento impecable. Nosotros obtenemos datos de entrenamiento. No hay poesía ahí, pero sí una claridad que muchas empresas deberían envidiar. En mi caso, cuando trabajo con equipos directivos en procesos de IA aplicada, suelo comentar que la pregunta importante ya no es solo “qué automatizamos”, sino “de dónde salen los datos que harán posible esa automatización”. Shift responde con una escena muy concreta: una persona friega, aspira, quita el polvo, ordena y lava mientras una cámara registra cada gesto.

La limpieza no es el final del servicio. Es el tablero donde se aprende la próxima partida.

La imagen tiene algo de ajedrez. Cada movimiento del limpiador —la presión sobre una superficie, el ángulo de la aspiradora, la decisión de mover un objeto o rodearlo— se convierte en una jugada que algún robot intentará repetir mañana. Y aquí conviene recordar a Henry Ford, no por los autos, sino por la obsesión de convertir tareas humanas en procesos observables, medibles y replicables. Shift no está inventando la limpieza; está intentando convertirla en lenguaje para máquinas.

También hay un eco literario inevitable. Isaac Asimov imaginó robots integrados en la vida cotidiana, pero incluso en sus relatos más lúcidos había una pregunta de fondo: ¿cómo aprende una máquina a comportarse en un mundo diseñado por humanos torpes, contradictorios y llenos de objetos fuera de lugar? Porque una casa real no es un laboratorio. Una casa tiene cables atravesados, migas invisibles, una taza mal puesta, una alfombra traicionera y ese cajón misterioso donde viven baterías muertas desde 2017.

Por eso Shift resulta interesante. No por regalar limpiezas durante un “limited time”, sino porque muestra una etapa nueva de la Inteligencia Artificial: la de sistemas que ya no se alimentan únicamente de textos, imágenes o videos de Internet, sino de acciones físicas reales. Un robot no aprende a limpiar leyendo manuales. Aprende mirando manos, errores, atajos y pequeñas decisiones que rara vez valoramos porque nos parecen demasiado comunes. Y, como suele pasar, lo común termina siendo lo más difícil de copiar.

Más allá de la anécdota simpática de una limpieza sin costo, el asunto de fondo es bastante más estratégico: Shift no está vendiendo limpieza, está fabricando un dataset propietario. Y en la economía actual de la Inteligencia Artificial, quien controla datos difíciles de conseguir controla una parte importante del tablero. No todos los datos valen lo mismo. Hay toneladas de texto en Internet, millones de imágenes disponibles y océanos de video público. Pero observar cómo una persona limpia una casa real, con todos sus imprevistos, es otra liga.

Shift y el valor de los datos físicos para entrenar IA

En mi caso, cuando acompaño a empresas en proyectos de Innovación e IA aplicada, suelo insistir en algo que a veces incomoda: la ventaja competitiva ya no está solamente en tener una buena idea, sino en tener acceso continuo a información que otros no pueden replicar con facilidad. Eso aplica para una cadena de retail que entiende el comportamiento de sus clientes, para una constructora que registra fallos en obra o para una empresa logística que aprende de sus rutas diarias. Shift lleva esa lógica al espacio físico doméstico: convierte cada tarea humana en una pieza de entrenamiento para futuros robots.

Es muy importante mirar esto con ojos de negocio. La limpieza es el caballo de Troya, no la ciudad conquistada. El verdadero activo está en las trayectorias, los gestos, la secuencia de acciones, las pequeñas correcciones que hace una persona cuando se encuentra con una silla mal ubicada, un líquido derramado o una superficie delicada. Qué sorpresa: resulta que la humanidad entera llevaba siglos limpiando maletines, cocinas y dormitorios solo para que una startup descubriera que aquello era oro molido para la robótica.

La diferencia con otros modelos de Marketing Digital o plataformas de datos es clara. Durante años, muchas empresas construyeron valor observando clics, búsquedas, compras, visitas y formularios. Ese fue el petróleo de la web. Ahora entramos en una fase distinta: la captura de acciones físicas. Ya no basta con saber qué queremos comprar; ahora interesa cómo movemos la mano, cómo resolvemos un obstáculo, cómo ordenamos el caos. Es una transición parecida a pasar de leer el mapa a navegar el mar con tormenta. En el mapa todo parece limpio. En la cubierta, en cambio, uno descubre dónde cruje realmente el barco.

Hay aquí una referencia histórica inevitable. La Revolución Industrial no comenzó solo con máquinas, sino con una obsesión por descomponer el trabajo humano en pasos repetibles. Adam Smith hablaba de la fábrica de alfileres para explicar la división del trabajo. Frederick Taylor llevó esa mirada al extremo, cronometrando movimientos como si el cuerpo humano fuera una pieza más del engranaje. Shift opera en una versión contemporánea de esa vieja pulsión: observar, fragmentar, estructurar y convertir la experiencia humana en instrucciones que una máquina pueda aprender.

La referencia literaria también aparece casi sola. Arthur Conan Doyle hizo que Sherlock Holmes viera patrones donde otros solo veían desorden. Una huella, una ceniza, una mancha en la manga. Para un robot doméstico, una casa es exactamente eso: un caso policial lleno de pistas. El problema es que, sin suficientes ejemplos reales, la máquina mira la escena como Watson en sus peores días: con buena voluntad, pero sin entender casi nada.

Por eso el dataset de Shift puede tener valor para laboratorios de robótica, fabricantes de dispositivos autónomos y compañías que desarrollan Asistentes de IA capaces de actuar en el mundo físico. No hablamos solo de grabar video. Hablamos de transformar ese video en conocimiento útil: secuencias de tareas, etiquetas, patrones de movimiento, decisiones de contexto y respuestas ante situaciones no previstas. La materia prima es humana, pero el producto final apunta a sistemas capaces de ejecutar tareas con mayor autonomía.

Datos de movimiento: cómo se desplaza una persona entre muebles, cables, esquinas y objetos frágiles.
Datos de decisión: qué tarea se prioriza, cuándo se interrumpe y cómo se retoma.
Datos de manipulación: fuerza, ángulo, presión, velocidad y precisión en acciones domésticas.
Datos de contexto: cómo cambia una acción según el tipo de superficie, el desorden o la disposición del espacio.

Una de las claves está en que estos datos no se consiguen fácilmente con scraping ni con simulaciones perfectas. La simulación sirve, por supuesto, pero la vida real tiene una virtud incómoda: siempre arruina el Excel. Un robot puede entrenarse en miles de escenarios virtuales, pero tarde o temprano tendrá que enfrentar una media tirada en el piso, una silla atravesada o una mesa llena de objetos que nadie colocó pensando en la elegancia del algoritmo.

El nuevo lujo empresarial no será tener datos. Será tener datos físicos, propios y difíciles de copiar.

Desde esa perspectiva, Shift encaja en una categoría que algunos fondos y emprendedores llaman empresas “AI-native”. No son negocios tradicionales que luego agregan Inteligencia Artificial como adorno de presentación comercial. Nacen diseñados para alimentar modelos, generar información fresca y construir defensas competitivas alrededor de datos exclusivos. Dicho de forma simple: el servicio visible paga la operación; el dato construye el valor de largo plazo.

Privacidad, consentimiento y datos en el hogar para entrenar robots

Para cualquier fundador en Ecuador o Latinoamérica, esta idea debería quedar dando vueltas. No se trata de imitar literalmente una empresa de limpieza en Nueva York, sino de entender el patrón. ¿Qué proceso físico existe en mi industria que ocurre todos los días, genera conocimiento valioso y todavía nadie está registrando de forma estructurada? Agro, construcción, mantenimiento industrial, comercio minorista, logística, servicios técnicos. En todos esos campos hay una mina de información que suele perderse como agua entre los dedos.

Lo cierto es que muchos negocios siguen pensando en la IA aplicada como una herramienta que se compra, se instala y listo. Ojalá fuera tan cómodo. En la práctica, la ventaja aparece cuando una empresa diseña operaciones que aprenden mientras funcionan. Cada visita técnica, cada inspección, cada entrega, cada reparación y cada interacción puede alimentar un sistema más inteligente si se captura con método. Ahí está el cambio profundo: pasar de operar para facturar a operar también para aprender.

Shift nos recuerda que la próxima batalla de la Innovación no se librará únicamente en laboratorios ni en modelos gigantes entrenados con media Internet. También se librará en cocinas, bodegas, talleres, cultivos, rutas y espacios donde las personas resuelven problemas concretos con las manos. Esa es la guerra silenciosa por el dato físico. Y quien no la entienda, probablemente terminará comprando mañana la inteligencia que pudo haber empezado a construir hoy.

Privacidad, consentimiento y riesgos de grabar dentro del hogar

Ahora bien, el punto realmente incómodo aparece cuando dejamos de mirar el dato como activo empresarial y lo miramos desde el lugar donde se captura: el hogar. No estamos hablando de una cámara en una bodega, una fábrica o una tienda. Estamos hablando de dormitorios, cocinas, salas, baños, escritorios con papeles abiertos, fotografías familiares, pantallas encendidas, medicamentos sobre una mesa y rutinas que dicen mucho más de nosotros de lo que solemos admitir.

Shift afirma que la privacidad está “completely safeguarded” y que sus sistemas difuminan y anonimizarán nombres, rostros y datos personales visibles antes de usar el material para entrenamiento de Inteligencia Artificial. Bien. Es lo mínimo esperable. Pero conviene no confundir una promesa técnica con una garantía ética. En proyectos de IA aplicada suelo ver esta confusión con frecuencia: se cree que anonimizar equivale a borrar el problema. Desgraciadamente, en la práctica, los datos rara vez viajan solos. Un rostro difuminado puede desaparecer, pero el diseño de una casa, los horarios, los objetos, las rutinas y ciertos patrones de comportamiento siguen contando una historia.

Y las casas cuentan demasiado. Una casa revela si hay niños, adultos mayores, mascotas, hábitos religiosos, afinidades políticas, nivel económico, enfermedades, gustos, descuidos y ausencias. Es un libro abierto, aunque a veces esté escrito con polvo sobre una repisa. Como decía Borges en su universo de bibliotecas infinitas, el problema no es solo tener información; el problema es que toda información puede conectarse con otra. Ahí empieza el laberinto.

¿El consentimiento es realmente libre cuando el incentivo es una limpieza gratis?

Esta pregunta merece más atención de la que suele recibir en las presentaciones bonitas de startups. Si una persona acepta ser grabada porque recibe una limpieza doméstica gratuita, ¿está decidiendo con plena libertad o está participando en un intercambio asimétrico? La empresa entiende el valor potencial del material. El usuario, probablemente, entiende que se ahorra un servicio. No es lo mismo. Es como sentarse a jugar ajedrez sin saber que el otro ya estudió tus próximas diez jugadas.

En mi caso, cuando trabajo con equipos de Marketing Digital, experiencia de cliente o innovación, suelo insistir en que el consentimiento no puede ser un checkbox decorativo. Debe ser comprensión real. La persona tiene que saber qué se graba, para qué se usa, durante cuánto tiempo se conserva, quién puede acceder al material, si se licencia a terceros y cómo puede solicitar su eliminación. Porque si todo eso queda enterrado en términos y condiciones que nadie lee, entonces no hablamos de transparencia. Hablamos de teatro legal con olor a ambientador premium.

Además, hay un problema evidente con terceros. ¿Qué ocurre si entra una visita durante la limpieza? ¿Qué pasa si aparece un menor de edad? ¿Y si en la mesa hay una receta médica, una carta, una tarjeta de identificación o una pantalla con información laboral confidencial? La promesa de difuminado ayuda, por supuesto, pero no elimina el riesgo. Ahora más que nunca, la privacidad en Inteligencia Artificial debe pensarse antes de capturar el dato, no después de haberlo metido en una tubería tecnológica.

El hogar no es un dataset esperando dueño. Es el último territorio donde todavía creemos cerrar la puerta.

El hogar como nuevo campo de batalla de los datos

Hay una referencia histórica que viene al caso. Durante la Segunda Guerra Mundial, la información doméstica aparentemente trivial podía tener valor estratégico: horarios, desplazamientos, correspondencia, hábitos. No comparo una startup de limpieza con un aparato militar, eso sería una exageración cómoda. Pero la metáfora sirve para entender algo: cuando un entorno íntimo se convierte en territorio de observación, cualquier detalle puede transformarse en inteligencia. Y no toda inteligencia se usa siempre con la delicadeza que promete el folleto comercial.

El hogar, en este caso, se vuelve una especie de trinchera silenciosa. No porque haya soldados, sino porque se disputa algo esencial: quién tiene derecho a observar nuestra vida cotidiana y convertirla en insumo económico. La IA aplicada necesita datos del mundo real, sí. Los Asistentes de IA y los futuros robots domésticos necesitarán entender espacios complejos, también. Pero esa necesidad técnica no puede convertirse en una licencia para normalizar cámaras dentro de la intimidad como si fueran una nueva cafetera inteligente.

Lo cierto es que la anonimización tiene límites. En protección de datos se habla mucho de reidentificación, y con razón. Una persona puede no aparecer con nombre y apellido, pero ciertos elementos combinados pueden acercarse peligrosamente a su identidad. El barrio, la distribución del departamento, objetos únicos, rutinas repetidas, voces de fondo o documentos parcialmente visibles pueden reconstruir contexto. Y el contexto, en privacidad, muchas veces vale tanto como el dato explícito.

Riesgo de terceros: visitas, niños, trabajadores o vecinos pueden aparecer sin haber dado consentimiento.
Riesgo contextual: la disposición del hogar y los objetos personales pueden revelar información sensible.
Riesgo de uso secundario: el video puede servir para más fines que los inicialmente explicados.
Riesgo de transferencia: los datos podrían almacenarse, procesarse o licenciarse fuera del país del usuario.
Riesgo de falsa tranquilidad: “difuminar” no siempre significa proteger de forma suficiente.

¿Basta con difuminar rostros para proteger la privacidad?

No. Ayuda, pero no basta. Y decirlo no es tecnofobia; es sentido común. En la literatura, Arthur Conan Doyle nos enseñó con Sherlock Holmes que los detalles mínimos pueden revelar una vida entera. Una mancha, una huella, una ceniza. En un video doméstico, esos detalles abundan. Una cámara no solo registra una acción de limpieza. Registra un ecosistema humano completo, con sus rutinas, preferencias y vulnerabilidades.

Por eso es muy importante exigir algo más que declaraciones tranquilizadoras. Una empresa que captura datos dentro de viviendas privadas debería explicar con precisión su arquitectura de privacidad, sus controles de acceso, sus mecanismos de eliminación, sus auditorías, sus políticas frente a menores, sus criterios de retención y sus acuerdos con terceros. Si la respuesta es “confía en nosotros”, mal empezamos. La confianza no es una contraseña universal. Se construye con evidencia.

En países con marcos regulatorios más estrictos, como los europeos bajo el GDPR, estas preguntas no son caprichos de abogados aburridos. Son condiciones básicas para tratar información personal. En América Latina, y particularmente en Ecuador, donde ya existe una normativa de protección de datos personales inspirada en estándares internacionales, un modelo así tendría que responder preguntas bastante concretas sobre base legal, consentimiento, proporcionalidad, conservación y transferencia internacional. No basta con poner una frase bonita en la web y esperar que la aspiradora haga el resto.

También conviene revisar la dimensión reputacional. Una marca puede tener una propuesta brillante de Innovación, pero si cruza la línea de la intimidad sin explicar bien el intercambio, el rechazo puede ser rápido. La reputación online no se rompe solo por una filtración masiva. A veces se rompe por la sensación de que alguien convirtió tu sala en laboratorio sin pedir permiso con suficiente claridad. Y cuando esa percepción aparece, ni el mejor equipo de comunicación estratégica limpia el desastre con facilidad.

Más allá del caso concreto, esta discusión nos obliga a formular una pregunta incómoda: ¿qué partes de nuestra vida cotidiana estamos dispuestos a entregar para que la Inteligencia Artificial aprenda a moverse entre nosotros? Porque una cosa es entrenar modelos con datos operativos en entornos controlados, y otra muy distinta es abrir la puerta de casa para que el futuro tome apuntes mientras alguien pasa un trapo por la mesa.

El mismo tema, desde otra mesa: privacidad sin ingenuidad

Vale insistir porque el debate se repite con facilidad, especialmente cuando la palabra “gratis” entra en escena. El aprendizaje ocurre en un territorio delicado: la casa. Y la casa no es una bodega, ni una fábrica, ni una sala de pruebas con paredes blancas y objetos perfectamente etiquetados. El hogar es el último pequeño reino donde creemos conservar algo de soberanía. Ahí están nuestros hábitos, nuestras rutinas, nuestras medicinas, las fotos familiares, los papeles sobre la mesa, la pantalla abierta del computador, la tarjeta de identificación colgada por descuido y, a veces, personas que ni siquiera saben que forman parte de ese intercambio.

En mi caso, cuando acompaño a empresas en proyectos de IA aplicada o automatización con datos sensibles, suelo insistir en una idea incómoda: anonimizar no siempre significa despersonalizar. Una vivienda revela más de lo que parece. El plano de una casa, la ubicación de objetos, los horarios en los que alguien permite el ingreso, la presencia de juguetes, documentos médicos o dispositivos conectados pueden construir un retrato bastante preciso de una persona o de una familia. No hace falta ver un rostro para entender demasiado.

El hogar no es solo un espacio físico. Es un archivo vivo de nuestra intimidad.

Aquí conviene mirar la historia con menos ingenuidad. Jeremy Bentham imaginó el panóptico como una arquitectura de vigilancia donde bastaba la posibilidad de ser observado para modificar la conducta. Dos siglos después, no necesitamos una torre en el centro de la prisión. Tenemos cámaras pequeñas, consentimiento contractual y una narrativa simpática: “te limpiamos gratis”. La vigilancia aprendió a redactar copies. Qué detalle tan contemporáneo.

La pregunta clave no es solo si Shift graba, sino quién entiende realmente qué se está entregando. Porque el consentimiento, para ser válido en términos éticos, debe ser informado, libre y específico. Si una persona acepta una limpieza sin costo durante un tiempo limitado, ¿comprende que ese video puede ayudar a entrenar sistemas de robótica, alimentar modelos y eventualmente integrarse en productos de terceros? ¿O simplemente vio la palabra “gratis” y bajó la guardia, como quien firma un acuerdo sin leer las cláusulas importantes?

¿Qué pasa con las personas que no dieron consentimiento?

Este punto es especialmente sensible. Una vivienda no siempre está habitada por una sola persona. Puede haber niños, adultos mayores, visitas, trabajadores, repartidores o vecinos que aparecen accidentalmente en una escena. ¿Quién autoriza por ellos? ¿Cómo se gestiona el consentimiento de un menor captado en video dentro de su propia casa? ¿Qué ocurre si alguien entra mientras se graba una tarea aparentemente banal como aspirar o lavar?

En proyectos de datos e Inteligencia Artificial, una de las claves es separar lo técnicamente posible de lo socialmente aceptable. Técnicamente podemos grabar, difuminar, segmentar, etiquetar y almacenar. Socialmente, otra cosa es normalizar que la vida doméstica se convierta en material de entrenamiento. Arthur Conan Doyle hizo que Sherlock Holmes dedujera una vida entera observando cenizas, barro en los zapatos y pequeños gestos. Imaginemos ahora lo que puede deducir un sistema entrenado con miles de hogares, rutinas y objetos cotidianos. Elemental, querido algoritmo.

Anonimizar ayuda, pero no borra todos los riesgos

La anonimización es importante, por supuesto. Difuminar rostros, ocultar nombres y eliminar datos visibles reduce exposición. Pero no elimina por completo el riesgo de reidentificación, especialmente cuando los datos se cruzan con otros elementos: ubicación aproximada, fecha, tipo de vivienda, patrones de consumo, dispositivos visibles o rutinas domésticas. En Inteligencia Artificial, el contexto también habla. A veces grita.

Documentos visibles: facturas, recetas médicas, contratos, libretas escolares o correspondencia pueden aparecer en segundos de video.
Pantallas encendidas: computadores, televisores o tablets pueden mostrar mensajes, reuniones, correos o información corporativa.
Objetos personales: medicamentos, fotografías, libros, símbolos religiosos o políticos revelan preferencias y condiciones íntimas.
Rutinas del hogar: horarios, frecuencia de limpieza, presencia de personas y disposición de espacios ofrecen señales conductuales.
Terceros involuntarios: visitas, niños o trabajadores pueden quedar registrados sin haber aceptado nada.

Más allá de la promesa técnica, hay un problema de confianza. Y la confianza, como los libros antiguos, se deteriora cuando se manipula sin cuidado. Un contrato puede decir que todo está protegido, pero el usuario promedio difícilmente audita dónde se almacenan los videos, durante cuánto tiempo, quién los procesa, qué proveedores intervienen o si esos datos cruzan fronteras. Es muy importante entender que la privacidad no depende solo de una política publicada en una web; depende de procesos verificables, responsabilidades claras y capacidad real de respuesta cuando algo falla.

El hogar como nuevo frente de batalla de los datos

La metáfora bélica no es exagerada. Durante años, la batalla por los datos ocurrió en buscadores, redes sociales, tiendas online y aplicaciones móviles. Ahora el frente se desplaza hacia el mundo físico. Primero fue el texto. Luego las imágenes. Después la voz. Ahora aparecen los movimientos humanos dentro de espacios privados. Cada etapa empuja un poco más la frontera, con lo cual conviene preguntar dónde trazamos la línea antes de que la línea desaparezca por costumbre.

En Europa, un modelo así tendría que conversar con marcos como el GDPR, especialmente por el tratamiento de datos personales, la finalidad del uso, la conservación, la transferencia internacional y los derechos de eliminación. En América Latina, y también en Ecuador con su normativa de protección de datos personales, surgirían preguntas muy concretas: cuál es la base legal del tratamiento, cómo se prueba el consentimiento, qué pasa si el usuario se arrepiente, cómo se eliminan los registros y qué garantías existen si el material termina en manos de terceros.

Eso sí, no conviene caer en el reflejo fácil de demonizar cualquier captura de datos. La IA aplicada necesita información real para resolver problemas reales. El punto no es negar esa necesidad, sino evitar que la urgencia por entrenar sistemas convierta la intimidad en una cantera barata. Porque una cosa es registrar procesos en una planta industrial, donde existe una expectativa razonable de monitoreo, y otra muy distinta es filmar el dormitorio, la cocina o la mesa donde alguien dejó una carta sin pensar que podía terminar siendo parte de un dataset.

Yuval Noah Harari suele advertir que el poder contemporáneo no se basa únicamente en controlar territorios, sino en conocer mejor a las personas de lo que ellas se conocen a sí mismas. En ese sentido, grabar tareas domésticas no es una simple operación logística. Es una pieza más en un tablero amplio, donde empresas, reguladores y ciudadanos juegan una partida desigual. Unos conocen el valor futuro de los datos; otros reciben una limpieza reluciente y una promesa de anonimato envuelta en lenguaje amable.

Fuente base: https://www.theverge.com/ai-artificial-intelligence/939765/ai-training-data-startup-shift-free-cleaning