Amazon está cerrando Mechanical Turk al eliminar el acceso a nuevos clientes — un movimiento silencioso pero significativo que coloca efectivamente al mercado laboral colaborativo de 20 años en una trayectoria de declive. Los solicitantes existentes pueden continuar operando por ahora, pero no se aprobarán nuevas cuentas, lo que significa que los equipos que aún no han construido flujos de trabajo en MTurk ya no pueden comenzar.
Para los profesionales de IA y aprendizaje automático, esto es importante porque Mechanical Turk fue durante años la infraestructura predeterminada para tareas con intervención humana: anotación de datos, moderación de contenido, etiquetado de sentimientos, verificación de transcripciones y clasificación de preferencias al estilo RLHF. Innumerables puntos de referencia académicos y conjuntos de datos de entrenamiento comerciales se construyeron sobre ella.
El cierre refleja un cambio más amplio en cómo la industria obtiene datos etiquetados. Plataformas de anotación especializadas — Scale AI, Labelbox, Surge AI, Prolific y otras — han desplazado en gran medida a MTurk para trabajo de nivel producción, ofreciendo mejores controles de calidad, evaluación de trabajadores y registros de auditoría que los equipos de IA empresariales requieren. El bajo costo de MTurk venía acompañado de variaciones de calidad bien documentadas que hacían cada vez más difícil justificarlo para trabajos de etiquetado de alto riesgo.
Si tu equipo aún depende de MTurk para alguna parte de un canal de datos, ahora es el momento de migrar. Evalúa alternativas según tu tipo de tarea específica: Prolific es sólida para tareas de investigación y encuestas; Scale y Labelbox se adaptan a anotación estructurada a gran escala; Surge AI se posiciona para trabajo de procesamiento de lenguaje natural más complejo. Considera el costo por etiqueta, las tasas de acuerdo entre trabajadores y cómo cada plataforma maneja el control de calidad en casos especiales.
La conclusión más profunda es que la era del crowdsourcing barato y anónimo como base para datos de entrenamiento de IA ha terminado efectivamente. La presión regulatoria en torno a la procedencia de datos, los requisitos de transparencia del modelo y las lecciones difíciles de conjuntos de entrenamiento de baja calidad han impulsado a la industria hacia flujos de trabajo de etiquetado más responsables y auditables — y la arquitectura de MTurk nunca fue construida para ese mundo.