Recopilación de datos geosegmentada: cómo obtener datos de IA por país

RapidWorkers Team09 oct 2026 • 9 min de lectura
Recopilación de datos geosegmentada: cómo obtener datos de IA por país

La recopilación de datos geosegmentada resuelve un problema sencillo: asegurarse de que tus datos procedan de los países donde realmente se usará tu modelo. Parece obvio, pero equivocarse puede costar decenas de puntos porcentuales de precisión. Cuando unos investigadores probaron los sistemas de reconocimiento de voz de Amazon, Apple, Google, IBM y Microsoft, encontraron una tasa media de error por palabra del 35% para los estadounidenses negros frente al 19% para los estadounidenses blancos. Mismo país, mismo idioma, distintos dialectos, y casi el doble de errores.

La brecha entre países es igual de grande. En un estudio de Facebook AI, la precisión al reconocer objetos domésticos variaba entre un 15 y un 20% entre EE. UU. y Somalia o Burkina Faso. Los modelos generalizan mal a lo que no han visto, y si tus usuarios están en Indonesia, los datos de EE. UU. no lo compensarán.

A continuación veremos cuándo importa de verdad la geosegmentación, por qué un filtro por país a menudo no basta, cómo repartir el presupuesto entre países y cómo comprobar que los datos vienen de donde debían venir.

Cuándo necesitas geosegmentación y cuándo no

No todas las tareas dependen de la geografía. Si un trabajador etiqueta coches en imágenes ya existentes, su país no importa. Pero si crea datos nuevos a partir de su propio entorno, su país representa la mitad del valor del resultado.

Tipo de datos

Qué cambia de un país a otro

¿Necesitas geosegmentación?

Idioma, acento, dialecto, ruido de fondo

Sí, casi siempre

Productos, interiores, calles, documentos, carteles

Sí, si el modelo atiende mercados concretos

Gestos, escenas cotidianas, condiciones de las carreteras

Sí, para escenas cotidianas y de calle

Registro, jerga, servicios locales, alternancia de idiomas

Sí, si necesitas lenguaje local natural

Etiquetado de datos existentes

Casi nada, salvo que la tarea requiera conocimientos de idioma o contexto local

Normalmente no

País ≠ idioma ≠ acento

La principal trampa de la geosegmentación: filtra por país, pero lo que a menudo necesitas es un idioma o un acento. Son cosas distintas y coinciden menos de lo que crees.

  1. Un país puede tener cientos de idiomas. Según Ethnologue, Nigeria tiene 520 lenguas vivas. Un filtro «Nigeria» te traerá hablantes de yoruba, hablantes de hausa y personas que solo hablan inglés.
  2. Un idioma vive en muchos países. El español de España, México y Argentina difiere en pronunciación, vocabulario y formas de tratamiento. Si tu asistente está pensado para México, un filtro de «países hispanohablantes» es demasiado amplio.
  3. El acento no depende solo del país. El estudio de la introducción encontró una brecha dentro de un mismo país. La región, la edad y el origen moldean el habla tanto como las fronteras.
  4. La gente se muda. Un hablante de tagalo que vive en los EAU sirve para un dataset de voz, pero no para fotos de tiendas filipinas.

Por eso la geosegmentación es el primer filtro, no el único. El segundo filtro va en la propia tarea: «solo para hablantes nativos de yoruba», «fotografía solo en tiendas de tu ciudad». El tercero llega durante la revisión, de la que hablamos más abajo.

Nota: pide a los trabajadores que indiquen su lengua materna y su región en cada envío. Aunque ahora no necesites esos datos, te permitirán comprobar más adelante el equilibrio de tu dataset y descubrir con qué grupos tiene dificultades el modelo.

Cómo repartir los datos entre países

El primer instinto es repartir los datos en proporción a la cuota de usuarios de cada país. Funciona mal: un país con el 5% de tus usuarios recibe tan pocos datos que puede que el modelo nunca funcione bien allí. Un enfoque más fiable: empieza con un mínimo garantizado para cada país y reparte el resto en proporción a la cuota de usuarios.

Ejemplo: un asistente de voz necesita 3,000 grabaciones de voz en cuatro mercados.

País

Cuota de usuarios

Proporcional

Mínimo + ponderación

Nigeria

55%

1,650

1,170

Kenia

25%

750

750

Ghana

15%

450

610

Uganda

5%

150

470

Total

100%

3,000

3,000

En la segunda opción, cada país recibe al menos 400 grabaciones y las 1,400 restantes se reparten según la cuota de usuarios. Uganda obtiene tres veces más datos que con un reparto proporcional, mientras que Nigeria sigue siendo la mayor parte del dataset. Lo mejor es probar el mínimo adecuado en un piloto: entrena el modelo y mira sus métricas para cada país por separado.

¿Una sola tarifa para todos los países o tarifas distintas?

Lanzar una campaña separada por país te permite fijar tarifas distintas. Úsalo con cuidado:

  1. Sube la tarifa donde escaseen los trabajadores. Si una campaña en un país se completa despacio, la causa suele ser la tarifa.
  2. No bajes la tarifa al mínimo absoluto para ajustarla a los salarios locales. Una tarea que paga demasiado poco atrae a gente que la hace con prisas, y lo que ahorras acaba yéndose en envíos rechazados.
  3. Ten en cuenta lo difícil que es la tarea en cada país. Fotografiar un supermercado de cadena en una capital es más fácil que encontrar el mismo tipo de tienda en un país donde escasean.
Consejo profesional: lanza tu piloto en todos los países a la vez con la misma tarifa. La velocidad de llenado y las tasas de rechazo por país te mostrarán dónde subir la tarifa y dónde mejorar las instrucciones.

Cómo comprobar que los datos vienen realmente del país correcto

Cualquier filtro por país puede, en teoría, eludirse, por ejemplo con una VPN. Por eso conviene comprobar también el país en los propios datos. La buena noticia: los datos delatan su origen si sabes dónde mirar.

Tipo de datos

Señales del país

Cómo comprobarlo

Fotos de productos y tiendas

Marcas locales, etiquetas de precio en moneda local, idioma de los envases

Revisión manual por muestreo, búsqueda inversa de imágenes

Voz

Idioma, acento, nombres locales en el habla libre

Identificación automática del idioma + revisión por un hablante nativo

Texto

Jerga, servicios y referencias locales, formatos de fechas y números

Revisión de una muestra por hablantes nativos

Vídeo y escenas de calle

Carteles, señales de tráfico, matrículas, circulación por la izquierda o por la derecha

Revisar manualmente algunos fotogramas

Otra señal es el historial del trabajador. Si la misma persona envía fotos de tiendas con monedas distintas o habla con un acento que no corresponde a su país, revisa todos sus envíos.

Advertencia: no recopiles la geolocalización EXIF ni direcciones exactas solo para verificar. Son datos personales y almacenarlos te genera obligaciones según las leyes de protección de datos. El país y la ciudad que indica el trabajador, más una revisión del contenido, son suficientes.

Luego está la cuestión de quién hace la revisión. Si nadie de tu equipo habla suajili, tampoco hay nadie que revise las grabaciones en suajili. La solución es una segunda campaña con la misma geosegmentación: otros trabajadores del mismo país escuchan las grabaciones y responden preguntas sencillas como «¿Esto es suajili?» y «¿Se leyó la frase sin errores?».

Cómo configurar la recopilación por país en RapidWorkers

En RapidWorkers, la geosegmentación se configura al crear una campaña: la tarea solo la ven los trabajadores de los países que selecciones. Este es un flujo de trabajo que funciona:

  1. Un país, una campaña. Cada país tiene su propio límite de tareas y su tarifa, y un país grande no puede acaparar todo el presupuesto.
  2. Requisitos de idioma y ubicación en la tarea. «Solo para hablantes nativos de suajili», «fotografía en tiendas de tu ciudad».
  3. Metadatos en cada envío. Lengua materna y región o ciudad, según lo que indique el trabajador.
  4. Un piloto en todos los países a la vez con la misma tarifa, y después ajustar tarifas e instrucciones.
  5. Revisión por hablantes nativos como campaña aparte con la misma geosegmentación, si tu equipo no incluye hablantes del idioma.

El empleador fija la tarifa por tarea, con un mínimo de $0.05, y se añade una comisión del 15% al coste de la tarea. El depósito mínimo es de $20 y la campaña mínima, de $0.30. Los envíos rechazados no se pagan y, si terminas una campaña antes de tiempo, el presupuesto no utilizado vuelve a tu saldo.

Cálculo de ejemplo para las mismas 3,000 grabaciones de voz (las tarifas son ilustrativas; supongamos que durante el piloto la tarea se completó más despacio en Uganda, así que allí se subió la tarifa):

País

Grabaciones

Tarifa

Coste de las tareas

Nigeria

1,170

$0.25

$292.50

Kenia

750

$0.25

$187.50

Ghana

610

$0.25

$152.50

Uganda

470

$0.30

$141.00

Todas las tareas

3,000


$773.50

Comisión del 15%



$116.03

Total



$889.53

La revisión por hablantes nativos del 10% de las grabaciones (300 tareas a $0.05) añade otros $15.00 + $2.25 de comisión = $17.25.

Preguntas frecuentes sobre la recopilación de datos geosegmentada

¿Qué es la geosegmentación en la recopilación de datos para IA?

Es un ajuste que hace que una tarea de recopilación de datos solo la vean los trabajadores de los países que selecciones. Así, tu dataset refleja los idiomas, acentos, productos y condiciones de los mercados donde funcionará tu modelo.

¿Basta un filtro por país para obtener el idioma correcto?

No. Un país puede tener muchos idiomas (Nigeria tiene más de 500) y un mismo idioma suena distinto de un país a otro. Añade a la geosegmentación un requisito de idioma en la tarea y una revisión por hablantes nativos.

¿Cuántos datos deberías recopilar de cada país?

Un enfoque fiable es un mínimo garantizado para cada país más el resto repartido en proporción a la cuota de usuarios. Las métricas del modelo por país después de un piloto te dirán qué tamaño debe tener ese mínimo.

¿Cómo puedes asegurarte de que un trabajador es realmente del país correcto?

Revisa el contenido: marcas locales y moneda en las fotos, acento e idioma en las grabaciones, referencias locales en los textos. Si algo no cuadra, revisa todos los envíos de ese trabajador. Para esto no necesitas recopilar geolocalización precisa.

¿Deberías pagar tarifas distintas a trabajadores de distintos países?

No necesariamente. Empieza con la misma tarifa en el piloto y súbela donde la tarea se complete despacio. No compensa recortar mucho las tarifas en países con salarios más bajos: el ahorro suele irse en envíos rechazados.

La geosegmentación es el primer filtro, no el único

Un modelo funciona donde sus datos se parecen a la realidad. La geosegmentación te trae a las personas adecuadas, la tarea concreta el idioma y la ubicación, las cuotas evitan que un país desplace al resto y las revisiones del contenido confirman que los datos vienen de donde deben. Juntos, estos cuatro pasos ayudan a cerrar una brecha de precisión que cambiar la arquitectura del modelo no resolverá.

Si tu modelo atiende varios mercados, lanza campañas piloto país por país en RapidWorkers. Explicamos el proceso general de recopilación de datos de entrenamiento en nuestra guía de recopilación de datos de entrenamiento para IA.

¿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