Las habilidades de personas neurodivergentes podrían convertirse en un recurso clave para el entrenamiento de modelos de inteligencia artificial. Así lo señala un estudio exploratorio publicado en ScienceDirect, que evaluó cómo jóvenes con autismo o TDAH enfrentan tareas de anotación de datos para sistemas de IA.
Estas tareas consisten, en general, en etiquetar, clasificar o transcribir información para que una IA pueda aprender de ella. Los datos anotados funcionan como ejemplos: la IA analiza los patrones presentes y generaliza comportamientos a partir de ellos. Cuanto más precisas y consistentes sean esas anotaciones, mejor será el rendimiento del modelo entrenado.
Los resultados revelan una combinación singular de precisión, atención al detalle y estilo cognitivo que podría mejorar directamente la calidad de los modelos actuales.
Uno de los hallazgos más relevantes del estudio fue la alta fidelidad con que los participantes neurodivergentes completaron tareas de transcripción y clasificación. En ejercicios como describir imágenes o extraer texto desde recibos digitales (facturas, boletas) destacaron por su meticulosidad. Esta capacidad no solo reduce errores, sino que enriquece el dataset al capturar detalles que otras personas podrían pasar por alto.
Los investigadores subrayan que la percepción diferente del entorno —característica en muchos perfiles neurodivergentes— no implica menor comprensión, sino otro tipo de lectura del mundo. En el entrenamiento de IA, donde cada matiz puede alterar la inferencia de un modelo, esta diferencia se convierte en fortaleza técnica.
Flexibilidad cognitiva y coherencia en la señal de datos
A diferencia de lo que muchas veces se asume, algunos perfiles neurodivergentes presentan una estructura de pensamiento altamente consistente. Esta coherencia puede traducirse en anotaciones más estables a lo largo del tiempo, algo fundamental cuando se trata de entrenar modelos en tareas repetitivas o sujetas a ambigüedad.
Por ejemplo, una misma consigna puede ser interpretada de modo distinto por múltiples trabajadores neurotípicos, generando señales ruidosas para el modelo. En cambio, los participantes del estudio mostraron una tendencia a sostener criterios estables, incluso en contextos no estructurados. Esta habilidad resulta clave para entrenamientos que exigen alineación de significado entre humano y máquina.
Diseñar sistemas que aprendan desde otras formas de pensar
Incluir personas neurodivergentes en el ciclo de entrenamiento no se trata solo de ajustar las condiciones laborales. Implica también adaptar las interfaces y flujos de trabajo para aprovechar lo mejor de estas formas de procesamiento cognitivo.
Sistemas de anotación que permiten tiempos extendidos, instrucciones no ambiguas o uso de estímulos sensoriales personalizados pueden optimizar el rendimiento de estos trabajadores. Más aún, herramientas como asistentes IA podrían actuar como mediadores entre tareas técnicas y el estilo propio de cada anotador, generando un loop virtuoso entre inteligencia humana e inteligencia artificial.
Cuando los datos provienen de una mayor diversidad cognitiva, los modelos resultantes dejan de reproducir un único tipo de percepción. Esto es especialmente importante en áreas sensibles como salud, educación o justicia, donde la inclusión de matices puede evitar sesgos estructurales.
Así, las habilidades neurodivergentes no solo enriquecen la señal técnica de entrenamiento, sino que también contribuyen a construir IAs que representen con mayor fidelidad la multiplicidad humana.
Si bien el estudio se centra en aspectos técnicos, también advierte sobre las condiciones actuales de las plataformas de microtrabajo. Muchos participantes recibieron pagos bajos al no poder mantener ritmos de producción exigidos por sistema. Esto sugiere que, para aprovechar de verdad el aporte neurodivergente, será necesario también rediseñar los entornos laborales desde un enfoque de justicia cognitiva.
