Recopilación de datos de texto para el fine-tuning de LLM

RapidWorkers Team07 oct 2026 • 13 min de lectura
Recopilación de datos de texto para el fine-tuning de LLM

Recopilar datos de texto para el fine-tuning de LLM es hoy más difícil que hace un par de años, y el motivo tiene su ironía: los propios modelos de lenguaje. En 2023, investigadores de la EPFL estimaron que entre el 33 % y el 46 % de los trabajadores de Amazon Mechanical Turk usaron LLM en una tarea que les pedía escribir un resumen con sus propias palabras. Y el propio Amazon Mechanical Turk cerró el 30 de septiembre de 2026.

Aun así, la demanda de texto escrito por personas no ha desaparecido. Si quieres que un chatbot de soporte entienda cómo formulan realmente sus preguntas tus clientes, o un asistente que hable un polaco o un tagalo naturales en lugar de inglés traducido, necesitas ejemplos de personas reales. La buena noticia es que para el fine-tuning no hacen falta tantos. A continuación verás qué textos recopilar, cuántos, cómo redactar la tarea y cómo evitar acabar con resultados de ChatGPT en lugar de datos humanos.

Qué tipo de datos de texto necesita el fine-tuning de un LLM

El fine-tuning no le enseña a un modelo el idioma desde cero. Le muestra, mediante ejemplos, cómo comportarse en tu caso de uso concreto: qué preguntas recibirá, qué tono usar y qué no debe decir. Por eso, el formato de los datos depende de qué quieras cambiar exactamente.

Formato

Qué escribe la persona

Para qué sirve

Prompts

Preguntas y peticiones escritas como las escriben los usuarios reales

Cubrir todos los tipos de petición, incluidas erratas y formulaciones informales

Pares prompt–respuesta

Un prompt y una respuesta de referencia

Enseñar al modelo el estilo, el formato y el contenido de las respuestas

Diálogos de varios turnos

Una conversación de 3 a 10 mensajes basada en un escenario

Mantener el contexto, hacer preguntas aclaratorias, rechazar con educación

Paráfrasis

De 5 a 10 formas distintas de pedir lo mismo

Robustez ante formulaciones poco habituales; datos para clasificación de intenciones

Valoraciones de respuestas

Elegir la mejor de dos respuestas, con una breve explicación

Datos de preferencias para métodos como RLHF y DPO, que ajustan el comportamiento del modelo

En la práctica, la mayoría de los equipos empieza con pares prompt–respuesta. Pero no hace falta que una misma persona escriba las dos mitades. Un esquema que funciona bien: trabajadores de distintos países escriben los prompts, y tu equipo o expertos verificados escriben las respuestas de referencia. Los prompts necesitan diversidad; las respuestas, conocimiento del producto y un estilo coherente.

Nota: este artículo trata sobre texto escrito. Si tu asistente funciona por voz, consulta nuestra guía de recopilación de datos de voz, que tiene sus propios requisitos de grabación, hablantes y volumen.

Por qué no basta con generar los datos con otro modelo

Los datos sintéticos son más baratos y rápidos, y para algunas tareas son suficientes. Pero tienen tres puntos débiles que aparecen justo cuando haces fine-tuning para usuarios reales.

  1. Los modelos escriben como modelos. Los prompts generados son gramaticalmente correctos, educados y parecidos entre sí. Las personas reales escriben cosas como "didnt get the code what do i do", confunden términos, cambian de idioma y hacen dos preguntas en un mismo mensaje.
  2. Los errores se acumulan. Un artículo publicado en Nature (Shumailov et al., 2024) demostró que, cuando cada nueva generación de modelos se entrena con texto generado por la anterior, los modelos pierden los casos poco frecuentes y se degradan. Este efecto se llama colapso del modelo (model collapse).
  3. Sin contexto local. Un modelo no sabe cómo preguntan en Kenia por las transferencias de M-Pesa ni qué palabras usan los compradores filipinos en el chat de una tienda. Eso lo saben mejor quienes viven allí.

El enfoque que funciona para la mayoría de los equipos: el núcleo del dataset lo escriben personas, y los datos sintéticos se añaden para ganar volumen y se contrastan con ejemplos reales.

Cuántos ejemplos necesitas para el fine-tuning

Menos de lo que la mayoría cree. La documentación de OpenAI fija el mínimo en 10 ejemplos, y las mejoras notables suelen llegar con 50–100. En el estudio LIMA (Zhou et al., 2023), se hizo fine-tuning de un modelo LLaMa de 65 000 millones de parámetros con solo 1000 pares prompt–respuesta cuidadosamente seleccionados, y en el 43 % de los casos sus respuestas fueron igual de buenas o mejores que las de GPT-4. La conclusión de los autores: la calidad y la diversidad de los ejemplos importan más que su cantidad.

Las referencias de volumen dependen del objetivo (son práctica del sector, no reglas fijas):

Objetivo del fine-tuning

Por dónde empezar

Qué importa más

Tono, estilo, formato de respuesta

50–200 ejemplos

Un estilo coherente en las respuestas de referencia

Atención al cliente para tu producto

Unos cientos de diálogos

Cubrir todos los tipos de petición

Respuestas en un idioma que el modelo maneja mal

Más de 1000 ejemplos, a menudo más

Hablantes nativos y lenguaje natural y coloquial

Clasificación de intenciones

20–50 formulaciones por intención

Variedad de formulaciones

Consejo: no encargues miles de ejemplos de entrada. Recopila 100–200, haz fine-tuning del modelo y mira dónde falla. Un segundo lote dirigido a esos fallos suele aportar más que el mismo presupuesto gastado a ciegas al principio.

Tarjetas de escenario: cómo conseguir textos variados en lugar de cien parecidos

Pide a cien personas que "escriban una pregunta al soporte de una tienda online", y la mitad escribirá sobre la entrega y otro tercio sobre devoluciones. Para cubrir todos los casos, da a cada trabajador su propia tarjeta de escenario: una breve descripción de una situación que convierte en texto con sus propias palabras.

Una tarjeta se construye a partir de unos pocos parámetros. Al combinarlos, defines de antemano la distribución del dataset:

  1. Objetivo del usuario: consultar el estado del pedido, cambiar la dirección, quejarse, conseguir un reembolso.
  2. Estado de ánimo: tranquilo, con prisa, molesto, confundido.
  3. Canal: chat de la web, app de mensajería, correo electrónico. En las apps de mensajería la gente escribe mensajes más cortos y sin puntuación.
  4. Idioma y registro: formal, informal, mezcla de idiomas (por ejemplo, el taglish).
  5. Complejidad: una pregunta, dos preguntas a la vez, información incompleta (sin número de pedido).

Cinco parámetros con 3–4 valores cada uno dan cientos de tarjetas distintas. Lo más sencillo es generarlas con un script y repartir una por tarea. Aquí usar un modelo está perfectamente bien: él escribe la situación y una persona escribe el texto en sí.

Qué incluir en la tarea para quienes escriben los textos

Una tarea de redacción es distinta de una de fotos o grabación de voz: la persona no tanto sigue instrucciones como inventa algo. Por eso la situación y las restricciones importan más que las instrucciones paso a paso. Una buena tarea incluye:

  1. Una tarjeta de escenario: quién eres, qué ha pasado, qué quieres conseguir.
  2. Formato y extensión: "un mensaje, hasta 40 palabras" o "un diálogo de 4–6 mensajes, escribiendo ambas partes".
  3. Idioma y estilo: "escribe como escribirías en WhatsApp, con erratas y abreviaturas incluidas, si es así como sueles escribir".
  4. Un ejemplo de una respuesta buena y otro de una mala. No más: cuando hay muchos ejemplos, la gente empieza a copiarlos.
  5. Una prohibición clara de usar herramientas de IA, junto con una explicación de por qué necesitas precisamente texto escrito por personas.
  6. Una prohibición de incluir datos personales: nada de nombres, teléfonos, direcciones ni números de tarjeta reales, solo inventados.
Ejemplo de tarea: "Hace una semana pediste unas zapatillas en una tienda online y te llegaron en la talla equivocada. Tienes prisa y estás algo molesto. Escribe tu primer mensaje al chat de soporte tal como lo escribirías de verdad, en tu idioma nativo, en hasta 40 palabras. No uses ChatGPT ni otras herramientas de IA: necesitamos ver cómo escriben las personas reales. No incluyas nombres ni números reales".

Cómo filtrar los textos escritos por IA

Este es el mayor riesgo cuando recopilas texto mediante crowdsourcing, y no tiene una solución sencilla: no puedes tomar los detectores de texto de IA como juez definitivo. El propio clasificador de OpenAI detectaba solo el 26 % de los textos escritos por IA y marcaba por error el 9 % de los textos escritos por personas. Se retiró en julio de 2023 por su baja precisión. A los detectores les cuestan sobre todo los textos cortos y los idiomas distintos del inglés, que es justo con lo que trabajamos aquí.

Lo que funciona es combinar prevención y revisión. En un estudio posterior de los mismos autores, alrededor del 30 % de los trabajadores usó LLM cuando no había restricciones. Con solo pedirles que no usaran IA y desactivar el copiar y pegar, esa cifra se redujo aproximadamente a la mitad. Pero los investigadores también notaron un inconveniente: los textos escritos con ayuda de LLM eran de mayor calidad, pero más uniformes. Para un dataset de fine-tuning, la uniformidad es peor que las erratas.

Señal

Qué puede significar

Qué hacer

Gramática perfecta en un texto de "app de mensajería", viñetas, rayas

Puede que el texto lo haya escrito un modelo

Revisa los demás envíos de ese trabajador

Distintos trabajadores que empiezan igual ("¡Hola! Me gustaría aclarar…")

Una fuente común: el mismo modelo

Ejecuta una detección de casi duplicados en todo el conjunto

El texto supera el límite de extensión o no encaja con el escenario

El trabajador pegó la tarea en un chatbot

Rechaza indicando un motivo concreto

Varios envíos largos de un mismo trabajador hechos casi a la vez

El texto se pegó, no se escribió

Revisa manualmente todos sus envíos

También puedes diseñar la tarea para que la IA no ayude mucho. Los textos cortos e informales son más fáciles de escribir uno mismo que de sacárselos a un modelo. Los detalles locales (nombres de servicios, jerga, mezcla de idiomas) les cuestan más a los modelos que a los hablantes nativos.

Atención: no rechaces envíos basándote solo en el veredicto de un detector. Alguien que escribe bien en un segundo idioma a menudo le parece un modelo a un detector: investigadores de Stanford demostraron que los detectores marcan sistemáticamente como generados por IA los textos de personas cuyo idioma nativo no es el inglés. Apóyate en una combinación de señales y en el historial del trabajador.

Cómo conseguir suficiente variedad entre quienes escriben

Incluso los textos honestos de una misma persona se parecen entre sí: todo el mundo tiene sus palabras y giros favoritos. Por eso la variedad hay que incorporarla a nivel de campaña:

  1. un límite de tareas por trabajador (por ejemplo, no más de 5 diálogos);
  2. campañas separadas con segmentación geográfica por país si el modelo atiende a varios mercados;
  3. una tarjeta de escenario distinta para cada tarea;
  4. una comprobación de casi duplicados al final (con embeddings o MinHash) para eliminar los ejemplos demasiado parecidos.

Recopilación de texto mediante microtareas en RapidWorkers: proceso y coste

Escribir textos cortos se divide de forma natural en microtareas: una tarjeta, un prompt o un diálogo. En RapidWorkers, estas tareas van en la sección AI Tasks (actualmente en beta), y la segmentación geográfica te permite mostrar una tarea solo a personas de los países que elijas. Eso importa cuando necesitas hablantes nativos de un idioma concreto.

El empleador fija la tarifa por tarea, con un mínimo de $0.05. Al coste de la tarea se suma una comisión de la plataforma del 15 %. El depósito mínimo es de $20 con tarjeta o cripto, y la campaña mínima es de $0.30. Los envíos rechazados no se pagan, y si terminas una campaña antes de tiempo, el presupuesto no usado vuelve a tu saldo (puede aplicarse una comisión de cancelación de $0.20). Aquí tienes un cálculo de ejemplo con tarifas ilustrativas:

Qué recopilas

Volumen y tarifa

Tareas

Comisión del 15 %

Total

Piloto: prompts

50 × $0.08

$4.00

$0.60

$4.60

Prompts de hasta 40 palabras

1000 × $0.08

$80.00

$12.00

$92.00

Diálogos de 4–6 mensajes

300 × $0.30

$90.00

$13.50

$103.50

Los diálogos cuestan más porque llevan más tiempo y exigen tener en mente la lógica de la conversación. Si la tarifa es demasiado baja para el trabajo que supone, crece la tentación de pasarle la tarea a un chatbot, así que ahorrar en la tarifa a menudo acaba costándote calidad.

Datos personales en los textos

La gente suele escribir sobre sí misma incluso cuando el escenario es ficticio: mete su propio nombre, su ciudad o su número de teléfono. Si ese texto acaba en el entrenamiento, el modelo puede memorizarlo. Por eso, antes de entrenar, pasa el dataset por una detección de datos personales (nombres, teléfonos, correos electrónicos, direcciones, números de identificación) y sustituye lo que encuentres por marcadores. Y no des a los trabajadores conversaciones reales de tus clientes como muestra: también contienen datos personales.

Cómo almacenar los datos recopilados

La mayoría de las herramientas de fine-tuning aceptan datos en formato JSONL: un ejemplo por línea, cada uno con una lista de mensajes con roles. Es también el formato que se usa en la documentación de OpenAI. Guarda metadatos junto al texto: la tarjeta de escenario, el idioma, el país y un ID anónimo del trabajador. Los necesitarás para comprobar el equilibrio del dataset y para dividirlo en conjuntos de entrenamiento y de prueba sin fugas (todos los textos de una misma persona deben quedar en la misma partición).

{"messages": [{"role": "user", "content": "hi the sneakers dont fit how do i exchange them fast?"}, {"role": "assistant", "content": "Hi! You can exchange them within 14 days. Send me your order number and I'll set up the exchange."}], "meta": {"lang": "en", "country": "PH", "scenario": "exchange_urgent", "worker": "w_0412"}}

El campo meta normalmente se elimina antes de subir los datos a una herramienta de entrenamiento, pero debe conservarse en tu copia maestra del dataset.

Preguntas frecuentes sobre la recopilación de datos para el fine-tuning de LLM

¿Qué datos necesitas para hacer fine-tuning de un LLM?

Lo más habitual son pares prompt–respuesta o diálogos en un formato de mensajes con roles. Los prompts deben parecerse a lo que escriben tus usuarios reales, y las respuestas, a cómo quieres que responda el modelo.

¿Cuántos ejemplos necesitas para el fine-tuning?

El mínimo de OpenAI es de 10 ejemplos, y las mejoras notables suelen llegar con 50–100. Un idioma que el modelo maneja mal o un dominio complejo requieren más. El estudio LIMA demostró que 1000 ejemplos de alta calidad y variados pueden dar resultados sólidos.

¿Se puede hacer fine-tuning de un LLM con datos sintéticos?

Sí, pero solo como complemento. Los datos sintéticos son uniformes y no reflejan cómo escriben las personas reales, y entrenar una y otra vez con datos generados lleva al colapso del modelo. El núcleo del dataset y el conjunto de prueba deben escribirlos personas.

¿Cómo saber si un texto lo ha escrito una persona o ChatGPT?

No existe un detector fiable, así que fíjate en una combinación de señales: la misma formulación en distintos trabajadores, una gramática perfecta donde no sería natural, varios envíos largos hechos casi a la vez. La prevención funciona mejor que la detección: textos cortos e informales, detalles locales y una prohibición clara de la IA en la tarea.

¿Cuánto cuesta crear un dataset de fine-tuning?

En RapidWorkers, el empleador fija la tarifa, desde $0.05 por tarea, más una comisión del 15 %. En el ejemplo anterior, 1000 prompts a $0.08 cuestan $92, y 300 diálogos a $0.30 cuestan $103.50.

Qué determina realmente la calidad de un dataset de fine-tuning

El tamaño de un dataset de fine-tuning importa menos de lo que parece. Los resultados dependen de tres cosas: que los textos los escriban personas reales, no un modelo; que los escenarios cubran lo que el modelo se encontrará de verdad; y que haya suficientes personas escribiendo para que ningún estilo domine. Empieza con un piloto de 50 tareas para probar la propia tarea, después recopila 100–200 ejemplos, haz fine-tuning del modelo y añade datos allí donde se equivoque.

Si necesitas textos de hablantes nativos de distintos idiomas y países, lanza una campaña piloto en RapidWorkers. En nuestra guía de recopilación de datos para entrenar IA repasamos el proceso general de recopilación de datos para IA y sus otros formatos.

¿Listo para empezar?

Únete a miles de trabajadores y empleadores que ya usan RapidWorkers para completar tareas rápido.

  • Sin suscripción
  • Cancela cuando quieras
  • Disponible 24/7
  • Resolución de disputas