Una startup está ofreciendo limpiezas domésticas gratuitas en Nueva York a cambio de algo que, para la industria de la inteligencia artificial, puede valer más que el propio servicio: vídeo real de personas limpiando una vivienda. Shift, una aplicación vinculada a la startup alemana MicroAGI, ha lanzado una propuesta tan llamativa como incómoda: un operador acude al apartamento, limpia, lleva una cámara montada en la cabeza y graba la sesión desde su punto de vista. El cliente no paga la limpieza. La empresa obtiene datos para entrenar robots domésticos.
El modelo resume muy bien el momento actual de la IA física. Después de entrenar modelos de lenguaje con textos, código e imágenes de Internet, la industria se ha topado con una barrera mucho más difícil: enseñar a los robots a actuar en el mundo real. Limpiar una cocina, recoger una habitación, ordenar una nevera o fregar un baño parecen tareas sencillas para una persona, pero son un enorme problema técnico para una máquina. Cada casa es distinta, cada objeto aparece en un lugar inesperado y cada movimiento exige adaptación.
Shift intenta convertir ese problema en un negocio de datos. Según la información publicada por la compañía y recogida por medios como The Verge, Business Insider y Ars Technica, los operadores llevan un dispositivo con cámara, realizan tareas domésticas y el vídeo se anonimiza antes de utilizarse o licenciarse como material de entrenamiento. La empresa afirma que difumina información sensible como caras, nombres, pantallas o documentos personales, aunque la propia naturaleza del servicio plantea preguntas evidentes sobre privacidad dentro del hogar.
El dato doméstico se convierte en activo estratégico
La limpieza gratuita es el gancho. El negocio real está en capturar ejemplos de trabajo humano en entornos reales. En robótica, este tipo de datos es especialmente valioso porque no basta con saber qué aspecto tiene una mesa sucia. El robot necesita aprender secuencias de acción: cómo se agarra una taza, cómo se mueve una bayeta, cómo se evita tirar un objeto, cómo se abre un armario o cómo se dobla una prenda.
Durante años, la robótica ha dependido de laboratorios, simuladores, teleoperación y datasets relativamente limitados. El problema es que el mundo doméstico es mucho más caótico que una línea de montaje. Las casas no están normalizadas. Hay iluminación variable, objetos frágiles, mascotas, cables, ropa, platos, muebles estrechos, superficies resbaladizas y decisiones que una persona resuelve de forma casi inconsciente.
Por eso las empresas de IA física buscan datos de primera persona. Una cámara en la cabeza del limpiador capta lo que ve una persona mientras trabaja, cómo orienta la mirada, cómo se aproxima a los objetos y qué decisiones toma en cada momento. Esa perspectiva puede ser más útil para entrenar modelos de visión-acción que un simple vídeo externo desde una cámara fija.
El planteamiento encaja con una tendencia más amplia. Business Insider ya había señalado que la demanda de datos de entrenamiento para robótica está transformando parte del trabajo temporal y de plataformas. Empresas que antes solo conectaban trabajadores con turnos empiezan a ver esos trabajos como una fuente de datos para entrenar sistemas autónomos. Instawork, por ejemplo, ha impulsado iniciativas para que trabajadores recopilen vídeo de tareas reales con dispositivos portables, en respuesta a lo que algunos investigadores han llamado el problema de los “100.000 años” de datos necesarios para entrenar robots generalistas.
| Elemento del modelo de Shift | Qué significa |
|---|---|
| Servicio inicial | Limpieza gratuita de apartamentos en Nueva York |
| Operador | Profesional equipado con cámara en la cabeza |
| Dato capturado | Vídeo en primera persona de tareas domésticas |
| Uso declarado | Entrenamiento de IA y futuros robots domésticos |
| Privacidad | La empresa afirma anonimizar información sensible |
| Expansión prevista | Reparaciones, recados, cocina y otros trabajos físicos |
| Valor estratégico | Datos reales de manipulación en entornos no controlados |
La economía detrás de una limpieza “gratis”
Una limpieza doméstica estándar en Manhattan puede costar fácilmente más de 150 dólares, según mercado, tamaño de la vivienda y tipo de servicio. Si Shift paga a sus operadores por hora, asume coordinación, equipo, soporte, app, almacenamiento, anonimización y procesamiento, la pregunta parece obvia: ¿cómo puede salir rentable?
La respuesta está en el valor del dato. La robótica no tiene un equivalente directo al Internet textual que permitió entrenar modelos de lenguaje a gran escala. No existe una web llena de demostraciones limpias, sincronizadas y utilizables de humanos manipulando objetos en millones de hogares. Generar esos datos exige personas, cámaras, tiempo, revisión y procesamiento.
Las estimaciones del sector muestran por qué tiene sentido económico. Informes especializados sitúan el coste de datasets de entrenamiento robótico de producción en rangos de decenas o cientos de miles de dólares. Robotics Center AI estima que un dataset de calidad para entrenamiento de robots puede costar entre 50.000 y 200.000 dólares, incluyendo hardware, mano de obra y postprocesado. Otros análisis apuntan a que el coste por hora de datos robóticos ha bajado de forma acusada desde 2024, pero sigue siendo un recurso escaso.
A esto se suma el crecimiento esperado del mercado. Un informe difundido por Valuates Reports situaba el mercado global de datasets de manipulación robótica en 753 millones de dólares en 2024 y proyectaba 6.752 millones en 2031, con una tasa de crecimiento anual compuesta del 36,8 %. Aunque estas previsiones deben leerse con cautela, reflejan una realidad de fondo: los datos físicos se están convirtiendo en una capa económica propia dentro de la IA.
| Concepto | Estimación o dato sectorial |
|---|---|
| Coste típico de una limpieza en Manhattan | Más de 150 dólares en muchos servicios |
| Pago citado para operadores de tareas similares | En torno a 20 dólares/hora |
| Dataset robótico de producción | 50.000-200.000 dólares |
| Mercado de datasets de manipulación robótica en 2024 | 753 millones de dólares |
| Proyección para 2031 | 6.752 millones de dólares |
| CAGR estimada | 36,8 % |
La frase “gratis” se vuelve menos clara cuando se mira así. El usuario no paga con dinero, pero paga con acceso a un espacio privado y con la producción de un activo que puede usarse para entrenar sistemas comerciales. La vivienda se convierte en escenario de captura de datos. El trabajo humano se convierte en demostración. La limpieza se convierte en una operación de adquisición de dataset.
Privacidad doméstica y consentimiento real
Shift afirma que anonimiza la información personal antes de procesar el material. Es un punto necesario, pero no elimina todas las dudas. Una casa no es una calle ni una fábrica. El interior de una vivienda contiene hábitos, objetos personales, documentos, medicamentos, fotografías, pantallas, distribución del espacio, rutinas y señales muy sensibles sobre la vida de una persona.
Difuminar caras o nombres ayuda, pero no siempre basta para eliminar el contexto. La forma en que alguien vive, qué objetos tiene, cómo organiza su cocina o qué aparece en una habitación puede revelar información aunque se borren identificadores directos. Además, una grabación en primera persona puede capturar elementos inesperados: una carta sobre la mesa, una conversación, un portátil abierto, una receta médica, una caja de medicamentos o el interior de un armario.
El consentimiento también merece una lectura cuidadosa. El cliente acepta la grabación a cambio de la limpieza, pero ¿qué ocurre con otras personas que viven en la casa? ¿Y con visitas, menores, compañeros de piso o trabajadores externos? ¿Durante cuánto tiempo se conserva el vídeo? ¿A quién se licencia? ¿Puede el usuario pedir la eliminación posterior? ¿Qué nivel de anonimización se aplica antes de entrenar modelos? ¿Hay auditoría externa?
Estas preguntas no invalidan el modelo, pero muestran que el dato doméstico requiere reglas más estrictas que otros tipos de captura. En Europa, una iniciativa así tendría que enfrentarse a un marco de privacidad mucho más exigente bajo el RGPD, especialmente si se graban interiores de viviendas y se procesan datos potencialmente personales. No sorprende que el piloto empiece en Nueva York y no en Berlín, Múnich o Madrid.
El trabajo que entrena a la máquina que podría sustituirlo
Hay otra tensión evidente: los limpiadores generan los datos que podrían servir para automatizar parte de su propio trabajo en el futuro. La compañía presenta el modelo como una forma de pagar por trabajo humano y devolver beneficios al usuario mediante servicios gratuitos. Pero la dinámica de fondo es delicada. La IA física necesita aprender de trabajadores reales para intentar que robots hagan esas tareas mañana.
Esto no significa que los robots domésticos vayan a reemplazar masivamente a limpiadores en el corto plazo. La limpieza del hogar es una tarea difícil, variable y llena de excepciones. Los robots actuales todavía están lejos de resolver con fiabilidad todo lo que hace una persona en una casa. Pero sí muestra la dirección de la industria: capturar habilidades manuales, convertirlas en datasets y usarlas para entrenar modelos de acción.
El mismo patrón podría extenderse a reparaciones, fontanería, cocina, montaje de muebles, jardinería o mantenimiento. Shift ya ha sugerido que la limpieza es solo el principio y que en el futuro podría expandirse a manitas, recados y otros servicios. Cada sector físico puede convertirse en una fuente de datos para robótica.
Para la industria, el potencial es enorme. Para los trabajadores, el debate será más complejo. Si los datos tienen tanto valor, ¿cómo se reparte ese valor? ¿El operador recibe solo una tarifa por hora o participa de alguna forma en el activo que está ayudando a crear? ¿Los clientes deberían tener más control sobre el uso posterior del vídeo? ¿Puede existir una licencia de datos domésticos justa y transparente?
La próxima frontera de la IA no está en Internet, está en tu salón
Shift muestra que la IA está entrando en una nueva fase. Ya no basta con recolectar texto, código, imágenes o vídeos públicos. Para construir robots útiles en entornos humanos hacen falta datos de acciones reales, en casas reales, con objetos reales. Esa necesidad va a empujar modelos de negocio extraños, incómodos y probablemente polémicos.
La propuesta también revela una idea poderosa: el mundo físico se está convirtiendo en dataset. Igual que la web fue materia prima para los modelos generativos, las cocinas, talleres, almacenes, hospitales, fábricas y hogares pueden convertirse en materia prima para la IA incorporada en robots.
La cuestión será quién captura esos datos, con qué consentimiento, bajo qué regulación y con qué reparto de valor. Porque el apartamento limpio es solo el beneficio inmediato. El activo duradero es el vídeo de una persona resolviendo pequeñas tareas que una máquina todavía no sabe hacer.
Shift ha encontrado una forma inteligente de explicar al público esa nueva economía: te limpio la casa gratis, pero me quedo con la lección. Para la industria de IA, puede ser una mina de datos. Para la sociedad, es una advertencia: la automatización del mundo físico no empezará con robots entrando en casa. Empezará con personas llevando cámaras para enseñarles cómo hacerlo.
Preguntas frecuentes
¿Qué es Shift?
Shift es una aplicación vinculada a MicroAGI que ofrece limpiezas domésticas gratuitas en Nueva York a cambio de grabar el trabajo con cámaras para generar datos de entrenamiento de robótica.
¿Por qué una empresa limpiaría una casa gratis?
Porque el vídeo de una persona realizando tareas domésticas reales puede tener valor como dato para entrenar futuros robots y modelos de IA física.
¿Qué datos se graban durante la limpieza?
Según la empresa, se graba vídeo en primera persona desde un dispositivo que lleva el operador mientras limpia. Shift afirma que anonimiza información sensible antes de usar el material.
¿Qué riesgos plantea este modelo?
Los principales riesgos están en la privacidad del hogar, el consentimiento de todas las personas afectadas, el uso posterior de los datos y la posibilidad de que el trabajo humano entrene sistemas que automaticen esas tareas.
