Latest / El podcast de Jeny Mejía Aguirre / Democracy Now! 2026-08-27 Thursday

Transcript

Democracy Now! 2026-08-27 Thursday · El podcast de Jeny Mejía Aguirre

0:19
Speaker 3: Desde Nueva York, esto es Democracy Now!
0:35
Speaker 2: Meta, la compañía de padres de Facebook e Instagram, ha
0:39
Speaker 2: decidido pagar hasta 17 billones de dólares en un asunto
0:42
Speaker 2: landmark después de que la compañía fue juzgada por los
0:44
Speaker 2: estados por diseñar plataformas que son adictivas y perjudiciales a
0:46
Speaker 2: los niños. Recibiremos una respuesta. Luego, mientras Bill Gates suena
0:50
Speaker 2: la alarma sobre los riesgos y peligros de la inteligencia artificial,
0:53
Speaker 2: veremos cómo las compañías de inteligencia artificial están usando un
0:56
Speaker 2: workforce global muy oculto para entrenar a sus modelos. Recibiremos
0:59
Speaker 2: exércitos del filme en el pecho de la inteligencia artificial.
1:07
Speaker 4: Todos los tipos de inteligencia artificial necesitan humanos detrás de
1:12
Speaker 5: ellos, un ejército de trabajadores. Hay reportes de la Banca
1:15
Speaker 5: Mundial en los que en realidad argumentan que hay alrededor
1:19
Speaker 5: de 150 millones de trabajadores de datos y 430 millones
1:22
Speaker 5: de trabajadores de datos en todo el mundo. Los trabajadores
1:24
Speaker 5: están invisibilizados y los trabajadores están
1:27
Speaker 4: invisibilizados.¿ Qué están tratando de esconder?
1:34
Speaker 2: Hablaremos con Amba Kak, de AI Institute, y Antonio Cazili,
1:39
Speaker 2: autor de Waiting for Robots, y Julián Posada, autor de
1:43
Speaker 2: Platform Extractivism. Todo eso y más, a continuación. Bienvenidos a
1:51
Speaker 2: Democracy Now!, democracynow.org, el reporte sobre la guerra y la paz.
1:55
Speaker 2: Soy Nadmín Sheikh. Más de 350 personas están muertas y
1:59
Speaker 2: más de 1.300 permanecen desaparecidas después de que una gran
2:01
Speaker 2: pared de agua, humedad y desecho se caiga a través
2:03
Speaker 2: de un valle del río Himalaya en la frontera de
2:05
Speaker 2: Nepal y Tibet. Es el peor desastre de la región
2:07
Speaker 2: desde que hubo un desastre devastador hace más de una década.
2:09
Speaker 2: El humedad se caigó a través del valle del río
2:11
Speaker 2: Lendekhola justo después de las 8.30 de la mañana el viernes,
2:13
Speaker 2: lavando las casas y burlando a los pueblos. Los niveles
2:26
Speaker 2: de agua en el río en un momento aumentaron por
2:28
Speaker 2: 27 metros por media hora. Esta es Sabina Tamang, cuyo
2:31
Speaker 2: marido sigue desaparecido. En nuestra última conversación a las 7.30,
2:35
Speaker 6: dijo que envió dos kilos de almidón
2:40
Speaker 7: y dos kilos de chocolates para los niños. También envió
2:42
Speaker 7: unas verduras instantáneas para ellos. Hundreds of foreign tourists
2:57
Speaker 6: are among the missing. The mudslide washed away at least
3:02
Speaker 6: 19 bridges,
3:03
Speaker 7: complicating rescue efforts.
3:19
Speaker 2: El desastre fue triturado por un trozo de hielo de 2.000
3:21
Speaker 2: metros que se rompió de un alto glaciar en los Himalayas.
3:22
Speaker 2: Los científicos del clima han avisado que la región se
3:24
Speaker 2: está calentando mucho más rápido que el promedio global, llevando
3:27
Speaker 2: a un retiro rápido de los glaciers. Nepal ha perdido
3:28
Speaker 2: casi un tercio de su volumen de hielo total en
3:30
Speaker 2: las últimas tres décadas. El Pentágono ha dicho que se
3:33
Speaker 2: han llevado a cabo disparos contra los alejados barcos de
3:35
Speaker 2: drogas en el mar Caribe el domingo, matando a cuatro personas.
3:46
Speaker 2: El último ataque trae el número de los asesinados, según
3:48
Speaker 2: las mismas figuras del Pentágono, a 227, a través de
3:50
Speaker 2: 68 asesinatos que comenzaron casi un año atrás. De nuevo,
3:52
Speaker 2: el Pentágono no dio evidencia de que el barco tenía drogas.
3:54
Speaker 2: Amnesty International ha condenado los asesinatos como asesinatos extrajudiciales, una
3:57
Speaker 2: forma de asesinato, diciendo que son crímenes bajo la ley internacional.
4:11
Speaker 2: El jefe del programa nuclear de Irán dice que los
4:13
Speaker 2: inspectores con la Agencia Internacional de Energía Atómica no podrán
4:15
Speaker 2: visitar los sitios nucleares en Irán que fueron bombados por
4:17
Speaker 2: los Estados Unidos y Israel. El viernes, Mohamed Aslami, jefe
4:19
Speaker 2: de la Organización Atómica de Energía de Irán, criticó a
4:21
Speaker 2: la IAEA por no condenar los sitios y dijo que
4:22
Speaker 2: la agencia de la ONU estaba siendo usada por los
4:24
Speaker 2: enemigos de Irán como una herramienta de reunión de inteligencia.
4:39
Speaker 8: El IAEA está presionando a visitar los sitios de daño
4:45
Speaker 8: bajo presión de los Estados Unidos y Israel. La razón
4:47
Speaker 8: por la presión es que quieren ver lo que su
4:49
Speaker 8: operación militar ha hecho a esos sitios.
4:52
Speaker 2: El jueves, el presidente Trump dijo a Al Jazeera que
4:55
Speaker 2: no tiene tiempo para cuando espera volver a la mesa
4:57
Speaker 2: de negociación con Irán, añadiendo, digo, no estoy en un rápido.
5:03
Speaker 2: Ucrania resumió sus ataques de drones en Rusia el viernes,
5:04
Speaker 2: solo horas después de que el director de la CIA,
5:06
Speaker 2: John Ratcliffe, se fue a Moscú, tras una reunión inannunciada
5:08
Speaker 2: con los oficiales de la inteligencia rusa. Tras la visita
5:09
Speaker 2: de Ratcliffe, una ola de ataques ucranianos mató a 12
5:11
Speaker 2: personas dentro de Rusia y en la región de Donbass
5:12
Speaker 2: ocupada por Rusia. Mientras tanto, el ejército de Rusia targetó
5:15
Speaker 2: a nueve ciudades ucranianas en la noche, con oficiales en
5:16
Speaker 2: Ucrania reportando cientos de misiles y ataques de drones. El
5:31
Speaker 2: barrage arruinó bloques residenciales, una escuela y una instalación médica
5:35
Speaker 2: en Kiev y mató a una mujer de 78 años
5:37
Speaker 2: en Zaporizhia. Los ataques surgieron cuando la ministra extranjera de
5:40
Speaker 2: Rusia avisó que podría targetar a los activos militares británicos
5:42
Speaker 2: después de que el Reino Unido subyacía a Ucrania con
5:44
Speaker 2: tecnología de misiles de largo rango. Hemos avisado repetidamente que
5:47
Speaker 2: la respuesta a los ataques ucranianos usando armas británicas en
5:49
Speaker 2: territorio ruso
6:00
Speaker 10: Meta ha llegado a un asunto maravilloso con secretarios generales
6:02
Speaker 10: de 47 estados, el Distrito de Colombia
6:04
Speaker 11: y
6:04
Speaker 10: los territorios de los Estados Unidos, sobre las declaraciones que
6:09
Speaker 10: intentaron diseñar sus plataformas sociales para adictar a los niños.
6:28
Speaker 2: Under the settlement, Meta must pay more than $ 17 billion
6:30
Speaker 2: in penalties over a decade. It also agreed to block
6:31
Speaker 2: overnight access to its sites while setting a two-hour limit
6:32
Speaker 2: for anyone under 18 and will silence most notifications during
6:34
Speaker 2: school hours. This is Victoria Hinks reacting to the settlement.
6:36
Speaker 2: Her daughter, Alexandra Hinks, died by suicide at age 16.
6:54
Speaker 14: Creo que mientras se establezca correctamente, y estoy feliz de
6:55
Speaker 14: que el juez le preguntó,¿ cómo vas a hacer esto?
6:57
Speaker 14: Porque a veces es solo un montón de charla. Y
6:58
Speaker 14: necesitan que la gente independiente venga. Creo que es genial.
7:01
Speaker 14: Creo que esto es tres veces ahora. En la prueba
7:04
Speaker 14: en LA, se encontraron valiosos. En Nueva Mexico, se dieron
7:05
Speaker 14: una gran venta. Y ahora, se han arreglado.
7:24
Speaker 2: Demanding Accountability.
7:54
Speaker 15: El Congreso no debería autorizar
8:03
Speaker 2: un dólar adicional para ICE mientras continúa esta ilegalidad. El
8:06
Speaker 2: grupo de la advocacy, Danbury Unites for Immigrants, contó que
8:09
Speaker 2: 25 personas fueron detenidas el domingo, 16 el domingo y
8:11
Speaker 2: al menos 9 el domingo. El grupo dice que las
8:13
Speaker 2: detenciones ocurrieron en lugares de recopilación de trabajadores de día
8:16
Speaker 2: y en un restaurante latino. Y que dos de sus
8:18
Speaker 2: observadores legales fueron atrapados por oficiales con uno hospitalizado con
8:22
Speaker 2: enfermedades de esparcimiento de pepino. Mientras tanto, el 5 años,
8:24
Speaker 2: Liam Tadeo y su padre, Víctor Martínez Nieto, que fueron
8:27
Speaker 2: detenidos por ICE en Austin, Texas, el mes anterior, fueron
8:29
Speaker 2: deportados a México el domingo. Según el abogado de la familia,
8:32
Speaker 2: Liam's padre había pedido a los oficiales que le dejen
8:33
Speaker 2: a su hijo ir, cuando estaban arrestados en su camino
8:35
Speaker 2: a la práctica de fútbol. Su padre quería que su
8:37
Speaker 2: hijo fuera liberado a su madre, pero esa opción no
8:39
Speaker 2: se le dio a él. Un juez ha bloqueado la
8:54
Speaker 2: petición de Minnesota para extraditar a Cristian Castro, un agente
8:56
Speaker 2: de ICE acusado de disparar su arma y dañar a
8:57
Speaker 2: un hombre venezolano, Julio César Sosaceli, en la pierna. Castro
8:59
Speaker 2: permanece en la custodia en Texas. Bajo la ley de Texas,
9:01
Speaker 2: Castro podría ser liberado de la cárcel hoy. El gobernador
9:04
Speaker 2: de Texas, Greg Abbott, ha dicho que no va a
9:05
Speaker 2: adherir a la petición de extradición de Minnesota. Esto ocurre
9:08
Speaker 2: cuando la familia de Alex Preti llama por la responsabilidad
9:10
Speaker 2: de la administración de Trump Seis meses después de que
9:23
Speaker 2: fue asesinado por agentes de la Cámara y de la
9:25
Speaker 2: Patrulla de la Borda en Minneapolis. Los padres de Preti
9:26
Speaker 2: dijeron que descubrieron que su hijo había sido asesinado al
9:28
Speaker 2: ver la cobertura del asesinato en las noticias. Su madre
9:29
Speaker 2: dijo que reconoció la camisa y las luces de su
9:31
Speaker 2: hijo desde la fotografía. Dos agentes de CBP han sido
9:32
Speaker 2: acusados de uso de fuerza, pero no han sido acusados
9:34
Speaker 2: de asesinato. Los padres de Alex Preti dijeron a ABC
9:36
Speaker 2: Good Morning America. Mi shock es que él fue asesinado.
9:53
Speaker 11: Y nadie nos ha dado la verdad completa o nadie
9:58
Speaker 11: ha sido detenido. Mi shock is
10:04
Speaker 16: that he was murdered and no one has given us
10:06
Speaker 16: the complete truth or anyone has been held accountable. And
10:11
Speaker 16: it's been seven months. There
10:13
Speaker 2: was more effort in vilifying him than pursuing justice, investigating this.
10:15
Speaker 2: A federal appeals court has declined to dismiss charges against
10:17
Speaker 2: Democratic Congress member LaMonica McIver. who visited the notorious ICE
10:20
Speaker 2: facility Delaney Hall as part of routine congressional oversight. She
10:22
Speaker 2: was charged with interfering with an arrest in May 2025
10:24
Speaker 2: outside Delaney Hall. She's the only Congress member indicted by
10:27
Speaker 2: Trump's Justice Department. Earlier this year, Democracy Now! spoke to
10:29
Speaker 2: Congress member McIver about the charges.
10:41
Speaker 13: El proceso es la penitencia. Esto es lo que están haciendo.
10:44
Speaker 13: Están haciendo esto con los dólares de los financieros. Prosecutando
10:48
Speaker 13: a un miembro del Congreso por hacer su trabajo. No
10:50
Speaker 13: les cuesta nada porque están usando los dólares de los
10:52
Speaker 13: financieros para hacerlo. Pero creo que lo que hace es
10:55
Speaker 13: que inserta miedo en otros líderes para levantarse y mantener
10:58
Speaker 13: a la administración responsable. Es intimidación, es abuso y simplemente
11:02
Speaker 13: me usan como herramienta y propiedad para hacerlo.
11:06
Speaker 2: Y la administración de Trump ha impuesto sanciones en el
11:07
Speaker 2: grupo de acción directa basada en el Reino Unido, la
11:09
Speaker 2: acción palestina y dos otras organizaciones, designando a ellos como
11:11
Speaker 2: terroristas globales especialmente designados. Los miembros de la acción palestina
11:13
Speaker 2: se han rompido en fábricas que producen armas para el
11:15
Speaker 2: ejército de Israel, donde sabotaron equipos. Las sanciones de los
11:17
Speaker 2: Estados Unidos siguen una ley de la Corte de Apelación
11:19
Speaker 2: del Reino Unido el último junio que encontró que el
11:21
Speaker 2: gobierno británico actuó legalmente cuando se prohibió la acción palestina
11:23
Speaker 2: bajo el Acto de Terrorismo. El cofundador de la acción palestina,
11:37
Speaker 2: Huda Amori, respondió en un artículo diciendo que el hecho
11:38
Speaker 2: de que Trump ahora está tomando inspiración de la represión
11:40
Speaker 2: de la movilidad palestina por la libertad palestina expone lo
11:42
Speaker 2: tan peligrosa que es esta banca y que debería ser
11:44
Speaker 2: un llamado de despertarse a quien se preocupa por el
11:46
Speaker 2: discurso libre y las libertades civiles, dijo. Y esas son
11:47
Speaker 2: algunas de las noticias. Esto es Democracy Now!, democracynow.org, el
11:49
Speaker 2: reporte de paz y guerra. Soy Nermin Sheikh. Comenzamos hoy
12:05
Speaker 2: mirando el metacentro de la meta. El viernes, la compañía
12:07
Speaker 2: de padres de Facebook e Instagram acudió a pagar hasta
12:09
Speaker 2: 17 billones de dólares para arreglar una acusación de 29 estados,
12:10
Speaker 2: liderada por California, que acusó a la compañía de diseñar
12:12
Speaker 2: sus plataformas para ser adictivas a los niños y perjudiciales
12:14
Speaker 2: a su salud mental y física. El gigante de las
12:16
Speaker 2: redes sociales inicialmente pagará alrededor de 12 billones de dólares
12:18
Speaker 2: y un adicional 5 billones de dólares si...¡ Suscríbete al canal!¡
12:33
Speaker 2: Suscríbete al canal!¡ Suscríbete al canal!
13:02
Speaker 14: A medida que se establezca correctamente, y estoy feliz de
13:04
Speaker 14: que el juez le preguntó,¿ cómo vas a hacer esto?
13:06
Speaker 14: Porque a veces es solo un montón de charla. Y
13:07
Speaker 14: necesitan que la gente independiente venga. Creo que es genial.
13:11
Speaker 14: Creo que esto es tres veces ahora. En la prueba
13:13
Speaker 14: en LA, se encontraron valiosos. En Nueva Mexico, se dieron
13:15
Speaker 14: una gran venta. Y ahora, se han arreglado. Una fuente
13:17
Speaker 14: clave en la prueba de landmark, informó que las cambios
13:20
Speaker 14: de seguridad de Meta fallan sin proteger a los jóvenes usuarios.
13:32
Speaker 2: Whistleblower, un ex empleado de Facebook, Arturo Bejar, dijo que
13:34
Speaker 2: las limitaciones que están en el acuerdo son lo equivalente
13:36
Speaker 2: a decir, bueno, puedes fumar tantas cigarras como puedes en
13:38
Speaker 2: dos horas al día. No hace que las cigarras sean
13:39
Speaker 2: más seguras. El caso Meta está siendo llamado un test
13:41
Speaker 2: federal de clima, potencialmente marcando un punto de inflexión para
13:43
Speaker 2: una industria que ha escapado de los esfuerzos regulativos. La
13:57
Speaker 2: meta-asentamiento también raises larger questions about the role of government
13:59
Speaker 2: in regulating powerful technology companies, especially in the age of
14:01
Speaker 2: rapidly expanding artificial intelligence, or AI. Well, for more, we
14:03
Speaker 2: are joined now by Amba Kak, co-executive director of AI
14:05
Speaker 2: Now Institute and former senior advisor on AI at the
14:07
Speaker 2: Federal Trade Commission. Amba, bienvenida a Democracy Now! Si pudieras
14:22
Speaker 2: comenzar respondiendo a este asunto, su significado. Es significado y bienvenido,
14:26
Speaker 2: en particular para
14:27
Speaker 17: una industria que no está muy acostumbrada a tener en
14:30
Speaker 17: cuenta sus impactos en el público. And $ 17 billion, roughly,
14:40
Speaker 17: across 10 years, you know, it's a big number. It's
14:43
Speaker 17: certainly a big number compared to the fact that the
14:46
Speaker 17: Trump DOJ was able to muster up a paltry $ 400
14:50
Speaker 17: million from TikTok just about a week ago in a
14:54
Speaker 17: similar child privacy case, right? But I think, you know,
14:57
Speaker 17: we've reached that point, and the mother's testimony speaks to this,
15:00
Speaker 17: which is fines, no matter the volume, particularly for companies...
15:04
Speaker 17: for whom even $ 17 billion is a couple of days
15:08
Speaker 17: of what they're spending over 10 years on AI infrastructure, right?
15:12
Speaker 17: So for them, it's a drop in the ocean. But
15:15
Speaker 17: maybe more importantly, if we look at what Meta is
15:19
Speaker 17: agreeing to in this settlement, it's design changes, it's design fixes,
15:25
Speaker 17: but we're not really getting at the root cause of
15:28
Speaker 17: why do we have infinite scroll or why are these
15:31
Speaker 17: de plataformas que se han arquitectado de maneras que son
15:32
Speaker 17: diseñadas para agredir a los jóvenes. Y la respuesta es
15:35
Speaker 17: el modelo de negocio. Es el modelo de negocio de
15:37
Speaker 17: la publicidad de la supervisión... donde se optimiza el intercambio
15:39
Speaker 17: y la atención a cualquier costo. Y creo que si
15:40
Speaker 17: no llegamos a esos retos de causa, nos vamos a
15:42
Speaker 17: quedar tocando guacamole... once the harms have already metastasized. Well,
15:57
Speaker 17: just to go back to, you
15:58
Speaker 2: know, it is $ 17 billion, but in fact it's at
15:59
Speaker 2: the moment $ 12 billion and the remaining five is contingent
16:01
Speaker 2: on what Meta, YouTube and TikTok do. What do you
16:03
Speaker 2: think the chances are that they would also agree? Look,
16:04
Speaker 2: I mean, firstly, this is $ 17 billion, it's over 10 years,
16:06
Speaker 2: but to your point on whether industry will follow suit,
16:08
Speaker 2: I think at this point the evidence of the harm
16:10
Speaker 2: involved in this case of mental health impacts
16:25
Speaker 17: Gracias. en este caso, creo que ya se han atrapado.¿
16:47
Speaker 17: Puedes explicar qué es la sección 230 del Acto de
16:49
Speaker 17: Decencia de Comunicaciones y cómo se ha usado en estos casos?
16:51
Speaker 17: Las empresas
16:51
Speaker 2: tienen una gran cantidad de inmunidad para el contenido generado
16:53
Speaker 2: por usuarios, pero lo que ha sucedido es que a
16:56
Speaker 2: menudo usan esto como un escudo para decir que somos
16:58
Speaker 2: una plataforma neutral.
17:12
Speaker 17: Pero creo que lo que estos casos realmente traen es
17:14
Speaker 17: que hay estos mecanismos de optimización, optimización de nuestra atención y,
17:17
Speaker 17: ya sabes, estas funciones de diseño que transforman estas plataformas
17:19
Speaker 17: mucho más que solo un tipo de vaso neutral para
17:22
Speaker 17: el contenido, pero ciertamente forman nuestros flujos de atención de
17:25
Speaker 17: manera que ellos se pueden arquitectar. Y, ya sabes, si
17:27
Speaker 17: es para comprar cosas o... para la tipo de opiniones
17:37
Speaker 17: políticas que formamos. Ellos juegan un papel mucho más fulso
17:41
Speaker 17: en la formación de los flujos de información. Así que
17:44
Speaker 17: ellos usan, creo que es por eso que la sección
17:46
Speaker 17: 230 y el resto se han vuelto a enfocar porque
17:49
Speaker 17: la gente realmente está cuestionando la base de estas inmunidades
17:52
Speaker 17: en primer lugar. So
17:54
Speaker 2: you talked about the root cause. I mean, it is true,
17:55
Speaker 2: this problem or this fact of this, the infinite scroll.
17:57
Speaker 2: What are the ways in which those are being, the
17:58
Speaker 2: fact of this root cause of infinite scroll, among other things,
18:00
Speaker 2: how are those being addressed? And is there something, is
18:02
Speaker 2: there the role of government here? Who can regulate or
18:04
Speaker 2: in any sense alter what is now practically universal across
18:05
Speaker 2: social media?
18:19
Speaker 17: Precisamente. Creo que lo que nos dice este caso es
18:21
Speaker 17: que no podemos relar a fines o, por cierto, incluso
18:24
Speaker 17: a litigación después de que los daños se han transfigurado.
18:26
Speaker 17: Lo que necesitamos son reglas de la ruta y necesitamos
18:29
Speaker 17: reglas que van a la causa principal del modelo de negocio. Ahora,
18:32
Speaker 17: como dije, en el caso de los medios sociales, ese
18:35
Speaker 17: es el problema de la surveillanza.¿ Cómo podemos cerrar ese
18:41
Speaker 17: motor para que no nos metamos en los síntomas de
18:42
Speaker 17: ese motor? Y creo que estas son las lecciones que
18:44
Speaker 17: tenemos que tomar con la IA ahora mismo. No en
18:46
Speaker 17: cinco años, no en diez años. Este es el momento
18:48
Speaker 17: para establecer las reglas del camino y realmente proteger y
18:51
Speaker 17: poner la seguridad y la salud pública primero. Así que
18:53
Speaker 17: déjame saber, sabes, has estado acusando a gobiernos, incluyendo el
18:55
Speaker 17: gobierno de los Estados Unidos, sobre la inteligencia artificial.¿ Qué
18:57
Speaker 17: les estás diciendo y qué tipo de respuestas?
19:10
Speaker 2: So, honestly
19:11
Speaker 17: Nermin, it has been quite incredible to see how the landscape,
19:17
Speaker 17: even in my engagements with governments and regulators all over
19:21
Speaker 17: the world, it's been a complete 180. I think even
19:23
Speaker 17: a year ago... La orientación era que si se presentaba
19:27
Speaker 17: una regulación, era anti-innovación, era un luddito, era visto como anti-AI,
19:30
Speaker 17: y los políticos estaban figurando su camino alrededor de eso,
19:34
Speaker 17: y las mineras de tierra estaban siendo labeladas como anti-progreso
19:37
Speaker 17: o anti-innovación. Pero, a partir de hoy, creo que en
19:39
Speaker 17: parte por el activismo de los centros de datos en
19:40
Speaker 17: todo el país, pero también as anti-progress or anti-innovation. But
19:43
Speaker 17: cut to today, I think in prominent part because of
19:47
Speaker 17: data center activism across the country, but also a general
19:50
Speaker 17: feeling among the public that AI seems very anti-people. It
19:54
Speaker 17: seems like it might be coming for our jobs, it
19:57
Speaker 17: might be coming for our kids' health. I think the
19:59
Speaker 17: fact that public opinion has sort of made itself heard
20:03
Speaker 17: and is very concerned about these technologies and their impacts
20:06
Speaker 17: has also meant that I think The public, once again,
20:11
Speaker 17: has the listening ear of the political class.
20:15
Speaker 2: And the question now is, you know, what do we
20:17
Speaker 2: do with it? Fouza, let's talk about those data centers
20:19
Speaker 2: and more broadly the infrastructure that's required for artificial intelligence.
20:21
Speaker 2: You co-authored a piece in the Wall Street Journal in
20:24
Speaker 2: November in which you talked about the cost of the
20:27
Speaker 2: infrastructure and what even these massive tech companies, Google, Microsoft, Amazon, etc.,
20:32
Speaker 2: that have powered AI, the amount that they would have
20:34
Speaker 2: to generate
20:40
Speaker 17: far exceeding what they actually have. Right, so the industry,
20:43
Speaker 17: the AI industry at this point has chosen to go
20:45
Speaker 17: all in on an extraordinarily capital intensive trajectory, right? Bigger
20:51
Speaker 17: is better into infinity. And the question really is sort
20:54
Speaker 17: of who is going to foot the bill. And what
20:57
Speaker 17: we argue and have been arguing es que, en este caso,
21:01
Speaker 17: el gobierno, en particular el White House, el White House
21:03
Speaker 17: de Trump, ha tomado una orientación que va más allá
21:08
Speaker 17: de justificar a la industria que no les va a
21:10
Speaker 17: venir con regulación. Es un paso más. No actúan solo
21:12
Speaker 17: como clientes. pero realmente es un underwriter para esta trayectoria.
21:18
Speaker 17: Hacen esto a través de contratos de procuración pública de
21:21
Speaker 17: grandes números. Hacen esto a través del compromiso de tierras
21:24
Speaker 17: federales para centros de datos. Básicamente, sacando tierras públicas para
21:27
Speaker 17: el uso de centros de datos de AI. They're actually
21:35
Speaker 17: doing the bidding of AI companies abroad to get contracts
21:39
Speaker 17: for these companies in different parts of the world. So
21:41
Speaker 17: I think there's a way in which, and maybe most importantly,
21:43
Speaker 17: every time there are jitters about is there a bubble,
21:44
Speaker 17: is there not a bubble, is any of this going
21:46
Speaker 17: to pan out, you have the president himself standing alongside
21:48
Speaker 17: Sam Ortman and Larry Ellison, just sort of reassuring everyone,
21:49
Speaker 17: but really reassuring the market. que esta administración
22:06
Speaker 2: va a estar detrás de estas empresas, no importa lo
22:09
Speaker 2: que sea. Me gustaría dar la palabra a alguien que
22:11
Speaker 2: está avisando sobre los potenciales peligrosos de la inteligencia artificial
22:15
Speaker 2: y su trayectoria. La noche pasada, durante una entrevista con
22:17
Speaker 2: CNN's Anderson Cooper, el cofundador de Microsoft, Bill Gates, avisó
22:20
Speaker 2: sobre los muchos riesgos sociales de desarrollo de inteligencia artificial
22:25
Speaker 2: sin regulación. Esto es lo que dijo.
22:28
Speaker 18: Bueno, durante el último año, estas AIs se han convertido
22:31
Speaker 18: en más poderosas, incluso más rápidamente que yo esperaba. Y
22:33
Speaker 18: ahora son capaces de causar riesgos de ataque cibernético, riesgos
22:35
Speaker 18: de bioterrorismo, riesgos psicosociales. Y tengo que decir que estoy
22:38
Speaker 18: un poco sorprendido de que los criterios exactos con los
22:41
Speaker 18: que revisamos estos modelos y las acciones que tomamos para
22:43
Speaker 18: minimizar los daños están realmente completamente perdidos. Y el diálogo
22:46
Speaker 18: amplio Si respondemos a lo que dijo Bill Gates, que
23:00
Speaker 18: inicialmente era un entusiasmo de la IA,
23:29
Speaker 2: and the importance
23:34
Speaker 17: of someone in his position making the statement. Look, I'm
23:37
Speaker 17: glad that Bill Gates is coming around to the fact
23:38
Speaker 17: that maybe AI is not such a great thing for
23:40
Speaker 17: the public, but I think there's some amount of fatigue,
23:44
Speaker 17: and I don't think I'm speaking personally, even among the public,
23:46
Speaker 17: with sort of looking to tech messiahs as potentially having
23:50
Speaker 17: the answers or being the experts. en cuestiones de si
23:53
Speaker 17: la tecnología es, o cómo formar tecnología para que sea
23:58
Speaker 17: eventualmente socialmente beneficioso para el público. Y creo que esa
24:01
Speaker 17: pregunta de quién va a estar como expertos en esta
24:04
Speaker 17: cuestión de los daños de la tecnología y qué hacer
24:07
Speaker 17: sobre ellos, creo que es una pregunta realmente importante política
24:10
Speaker 17: en este momento, porque me preguntaste sobre qué es como
24:12
Speaker 17: hablar con gobiernos en este momento. Creo que la única
24:13
Speaker 17: cosa con la que se enfrentan es un sentido de
24:15
Speaker 17: inseguridad y confusión sobre quizás no saber lo suficiente. Y
24:22
Speaker 17: esto es fabricado porque tienes un ejército de lobbyistas que
24:27
Speaker 17: continúan reforzando que se sentarán expertos en resolver problemas que
24:32
Speaker 17: han creado. Así que no hay sombra en Bill Gates,
24:35
Speaker 17: pero creo que la era de mirar a CEOs de
24:38
Speaker 17: tecnología o luminarias de tecnología para darnos respuestas a las
24:42
Speaker 17: preguntas fundamentalmente sociales y políticas... Creo que ya está. Mira,
25:10
Speaker 17: creo que la cuestión de India es en algunos sentidos
25:13
Speaker 17: mucho más amplia que solo India. Creo que es la
25:15
Speaker 17: cuestión de si nosotros, sentados aquí en los Estados Unidos,
25:17
Speaker 17: estamos preocupados por la consolidación corporativa en estas pocas firmas
25:20
Speaker 17: de grandes tecnologías y nuestras infraestructuras digitales siendo controladas por
25:24
Speaker 17: los overlords de la tecnología, entonces eso ha llegado al
25:27
Speaker 17: punto de ser una crisis existencial para el resto del
25:29
Speaker 17: mundo que ha visto en los últimos cinco años lo
25:31
Speaker 17: que parece cuando tienes core digital infrastructure controlled by companies
25:37
Speaker 17: that are eventually beholden to erratic demands from the White House.
25:43
Speaker 17: And that is absolutely a crisis. Now, what to do
25:45
Speaker 17: about it? I think where the India Summit was interesting
25:49
Speaker 17: is that instead of¿ Hay otras formas de construir estas tecnologías?
26:09
Speaker 17: que no solo tienen el tipo de impacto ambiental y
26:13
Speaker 17: otros daños que el paradigma de la escala hace, pero
26:15
Speaker 17: potencialmente también pueden desechar un espacio para ecosistemas de innovación
26:21
Speaker 17: alternativa y fortalecer las economías locales. Así que creo que
26:24
Speaker 17: la señal era fundamental. Gracias, Amba Kak, directora coexecutiva del
26:26
Speaker 17: Instituto AI Now y exadvisora en AI en la Comisión
26:27
Speaker 17: Federal de Trabajo. Agradece a los gobiernos y a los
26:30
Speaker 17: cuerpos de gobierno sobre la regulación del AI.
26:55
Speaker 2: Coming up, the hidden global data workforce. We'll speak to
26:58
Speaker 2: Professor Antonio Cazili, author of Waiting for Robots. Stay with us.
28:01
Speaker 2: Endless Alternate, by Dominique Girard-Bernard. This is Democracy Now!, democracynow.org,
28:04
Speaker 2: The War and Peace Report. I'm Nermeen Sheikh. One of
28:06
Speaker 2: the most discussed aspects of how artificial intelligence will transform
28:08
Speaker 2: society is how it will impact jobs and labor. On Wednesday,
28:10
Speaker 2: Bill Gates published a nearly 6,000-word essay in which he
28:12
Speaker 2: warned that society is not ready for the transformation and
28:13
Speaker 2: upheaval AI will cause. En el artículo, Gates llama al
28:29
Speaker 2: impacto de la IA en la fuerza laboral uno de
28:31
Speaker 2: los tres riesgos primarios de la tecnología, diciendo que muchos
28:32
Speaker 2: trabajos desaparecerán para siempre y que la IA será o
28:34
Speaker 2: el mejor igualizador que se haya inventado o la peor
28:36
Speaker 2: fuente de injusticia. Pero lo que se dice mucho menos
28:37
Speaker 2: es cómo la inteligencia artificial ya ha transformado el trabajo globalmente.
28:53
Speaker 2: Nuestro próximo invitado es el sociólogo Antonio Cazili, autor de
28:55
Speaker 2: Waiting for Robots, The Hired Hands of Automation. Él dice, quote,
28:57
Speaker 2: Human workers make automation possible. Recognizing the value of their
29:00
Speaker 2: contributions to these digital infrastructures is the first step towards
29:02
Speaker 2: worker reparation and rebalancing the current power dynamics. He's also
29:04
Speaker 2: co-writer of the film In the Belly of AI. This
29:06
Speaker 2: is the film's trailer.
29:30
Speaker 19: Suscríbete al canal!
29:51
Speaker 4: Pueden tomar
29:54
Speaker 5: una pausa, por favor? Sí, por favor.
30:19
Speaker 20: Una llave no es una llave, es concreto, ¿verdad? Es cemento.
30:23
Speaker 20: La emisión de carbono de los centros de datos es
30:26
Speaker 20: enorme porque la mayor parte de la electricidad que usan
30:29
Speaker 20: viene de las fuentes fósiles
30:32
Speaker 21: Hay una compañía de IA que dice que normalmente se
30:36
Speaker 21: remueve la gente de las fuentes fósiles.¿ Es verdad?
30:39
Speaker 22: No, no, no. Es manipulación. Es solo una línea de
30:41
Speaker 22: punta que usan para atraer a las personas que son cualificadas.
30:50
Speaker 4: Qué significa
30:56
Speaker 2: el desarrollo de la AI?¿ Cómo realmente ayuda a nuestra
30:58
Speaker 2: sociedad y el proceso de desarrollo?¿ Es algo que realmente necesitamos?
31:01
Speaker 2: Ese fue el trailer para el filme En el Cuello
31:04
Speaker 2: de la AI, directo por Henri Poulin y co-escribido por
31:06
Speaker 2: nuestro próximo invitado. Antonio Cazili nos acompaña desde París. Es
31:08
Speaker 2: profesor en el Instituto Polytechnique de Paris y autor de
31:11
Speaker 2: Waiting for Robots, Profesor Kazili, bienvenido a Democracy Now! Gracias
31:13
Speaker 2: por estar con nosotros. Si pudieras empezar hablando de estos
31:15
Speaker 2: trabajadores de datos, trabajadores de todo el mundo con los
31:18
Speaker 2: que has conocido, que están automatizando la IA. Sí, los
31:20
Speaker 2: trabajadores de datos son los trabajadores de la fábrica de hoy.
31:35
Speaker 23: ensofar as AI has become like a driving force for
31:37
Speaker 23: so many industries, and they are necessary to produce what
31:39
Speaker 23: we use every day, you know, chatbots and models. Now,
31:41
Speaker 23: we are not talking about... Técnicos, ingenieros, gestores de productos, diseñadores,
31:55
Speaker 23: estos profesionales de alta paga y reconocidos. Estamos hablando de
31:58
Speaker 23: personas que están ocultas y insisto en el hecho de
32:00
Speaker 23: que no son invisibles. Están ocultas por propósito por las
32:02
Speaker 23: compañías que producen AI porque son el ingrediente secreto de
32:05
Speaker 23: la AI en sí misma. They train it and this
32:20
Speaker 23: is a verb that we are now more familiar with
32:23
Speaker 23: because we know that, I don't know, ChatGPT has been
32:27
Speaker 23: trained for a number of years by persons who were
32:30
Speaker 23: literally feeding them data and enriching this data. Pero también
32:35
Speaker 23: son estos trabajadores de datos aquellos que verifican que, por ejemplo,
32:38
Speaker 23: los resultados de la misma charla GPT están en línea
32:40
Speaker 23: con lo que estamos buscando como usuarios. Y a veces
32:43
Speaker 23: incluso son aquellos que... operan mantenimiento, realizan mantenimiento en vivo,
32:54
Speaker 23: lo que significa que a veces reemplazan la máquina en
32:56
Speaker 23: sí misma y así, a un nivel, impersonan a AI.
32:57
Speaker 23: Así que hacen todas estas cosas y son realmente mal pagados.
33:00
Speaker 23: Hemos estado siguiendo y trabajando con ellos por un número
33:02
Speaker 23: de años, por seis años ya, y Y hemos estado
33:17
Speaker 23: conduciendo servicios, entrevistas y observaciones en más de 30 países
33:20
Speaker 23: y entrevistando a más de 4.000 de estos trabajadores en
33:21
Speaker 23: lugares como Venezuela, Kenia, Madagascar y así sucesivamente. Y ellos
33:24
Speaker 23: están realmente en todos lados. También están en los Estados
33:26
Speaker 23: Unidos y Europa, también en grandes países.¿ Qué es lo
33:42
Speaker 23: que se está haciendo en los países de baja ingresos?
34:04
Speaker 2: Y si pudieras explicar, profesor Cazili, una de las cosas
34:07
Speaker 2: que es tan sorprendente, porque, de hecho, estos trabajadores están escondidos,
34:09
Speaker 2: si no invisibles, como dices, solo el número de trabajadores
34:12
Speaker 2: que hay. El reporte del Banco Mundial encontró que había
34:14
Speaker 2: entre 130 y más de 400 millones de trabajadores, trabajadores
34:16
Speaker 2: de gis, I'm not sure how many of those gig
34:28
Speaker 2: workers are data workers. But if you could explain also,
34:32
Speaker 2: I mean, the very curious, because you've been to Madagascar,
34:35
Speaker 2: you've been to Kenya and various other places, including Finland
34:38
Speaker 2: and Bulgaria. The way in which these workers are compensated,
34:41
Speaker 2: in some cases, as you've said, in Madagascar, they're not
34:44
Speaker 2: paid in money, but in sacks of rice or sugar.
34:53
Speaker 23: Claro, sí, esto es algo que es asombroso, que es,
34:55
Speaker 23: por desgracia, muy común. Primero de todo, vamos a enfocarnos
34:58
Speaker 23: en las estimaciones que la Banca de Trabajo ha estado
35:00
Speaker 23: produciendo durante un número de años, porque empezaron a ejecutar
35:05
Speaker 23: este tipo de servicios y a intentar estimar el número
35:07
Speaker 23: de personas que realizan trabajos de gira en línea. No
35:10
Speaker 23: estamos hablando de trabajadores de gira como, no sé, Uber
35:12
Speaker 23: Drivers o Delivery Banking, Personas, trabajadores de entrega. Estamos hablando
35:25
Speaker 23: de personas que realizan tareas en línea. Entonces, están enfrentándose
35:29
Speaker 23: a un computador y realizan pequeñas tareas como, no sé,
35:32
Speaker 23: tienen que describir una imagen o transcribir una frase. Y
35:42
Speaker 23: todo esto es fragmentado en pequeños pedazos de información, información
35:48
Speaker 23: que llamamos datos, y los ponemos en las bases de
35:51
Speaker 23: datos y luego los modelos, los modelos de AI usan
35:54
Speaker 23: esta información para aprender. Y es por eso que hablamos
35:58
Speaker 23: de aprendizaje de máquinas. Así que esto es necesario, pero
36:01
Speaker 23: porque es necesario, tiene que ser este tipo de proceso,
36:03
Speaker 23: tiene que ser expandido, All over, literally, hundreds of millions
36:09
Speaker 23: of persons. And now, the World Bank in 2015 already
36:10
Speaker 23: estimated this type of workers in the tens of millions.
36:12
Speaker 23: And now, in 2023, they updated their estimated to hundreds. Now,
36:14
Speaker 23: they are very vague as to how many exactly. So
36:16
Speaker 23: this is why they talk about something halfway between 100,000
36:36
Speaker 23: y 400, que representaría algo entre 4% y 12% del
36:38
Speaker 23: trabajo global. Ahora, personalmente, estoy un poco sospechoso de estas estimaciones,
36:41
Speaker 23: pero una cosa que puedo decir, debido al hecho de
36:43
Speaker 23: que con nuestros otros colegas hemos estado tratando nosotros mismos
36:46
Speaker 23: de estimar Este trabajo está en todo el mundo, en
37:02
Speaker 23: varios países. Hemos notado que, a lo largo de los años,
37:05
Speaker 23: estos estímulos han ido aumentando y aumentando. Así que estamos
37:07
Speaker 23: hablando de probablemente 160 millones de personas en 2021 y
37:09
Speaker 23: ahora los estímulos son más grandes. Y esto es algo
37:11
Speaker 23: que observamos porque literalmente estamos viajando el mundo. tratando de
37:24
Speaker 23: dar voz a este trabajo oculto. Y notamos que más
37:27
Speaker 23: y más personas están disponibles para hablar con nosotros y
37:29
Speaker 23: también organizar para proteger sus derechos. Y tienes razón, hemos
37:33
Speaker 23: estado en lugares como Madagascar y Kenia y en algunos
37:35
Speaker 23: casos encontramos a personas que son pagadas A few cents,
37:47
Speaker 23: this is the case of Venezuela, where at the moment,
37:52
Speaker 23: even the fact of earning a few dollars, especially because
37:56
Speaker 23: it was in dollars or in cryptocurrency, but not in bolivares,
38:00
Speaker 23: which is the local currency, which was depreciating from one
38:04
Speaker 23: day to the other. Así que esto fue interesante, es decir,
38:07
Speaker 23: esto fue un tipo de trabajo apelador, digamos. Y en
38:09
Speaker 23: otros países, como por ejemplo Madagascar, donde pasamos, bueno, unos
38:12
Speaker 23: meses sobre varios trabajos de campo, básicamente encontramos al menos
38:25
Speaker 23: una instancia de una compañía que le dio la oportunidad
38:28
Speaker 23: a los trabajadores de conectarse a una plataforma para trabajar
38:32
Speaker 23: y realizar tareas en la plataforma y ellos fueron pagados
38:35
Speaker 23: con azúcar, arroz, galletas y otras cosas alimentarias, así que
38:38
Speaker 23: cuando decimos que ellos son Bueno, esa es una metáfora, claramente,
38:48
Speaker 23: pero en este caso no fue una metáfora, fue algo
38:50
Speaker 23: que era claro, visible, a la medida que también tenían
38:52
Speaker 23: un tipo de meter en la entrada de esta compañía
38:54
Speaker 23: para explicarle a los trabajadores cuánto ganarían en términos de
38:56
Speaker 23: comida para cada tipo de, cada nivel de performance, digamos.
39:10
Speaker 2: Bueno, profesor Ghazili, escuchemos a los trabajadores de datos precisamente
39:15
Speaker 2: en su propia voz. Muchos trabajadores de datos están encarcelados
39:18
Speaker 2: de revisar contenidos altamente distorsionantes, casi exclusivamente. Este es el
39:23
Speaker 2: antiguo trabajador de datos kenyano Faustín Makira, en Kenia, en
39:27
Speaker 2: un clip del documental En el pecho de la AI. Gracias.
39:37
Speaker 9: Bueno, al principio no lo vi como algo que era difícil,
39:44
Speaker 9: pero al pasar el tiempo me di cuenta de que
39:47
Speaker 9: tenía sueños, especialmente cuando he visto muchos casos de asesinato
39:52
Speaker 9: o casos de rap, especialmente si involucra a niños de minoría.
39:59
Speaker 9: Cuando he visto muchos coches durante el día, tendría dificultad
40:05
Speaker 9: de dormir. Descubrí ansiedad, no podía salir, no podía estar
40:10
Speaker 9: donde la gente, en un público. Yo también sentía que
40:17
Speaker 9: no era yo misma porque era una persona que tenía problemas.
40:19
Speaker 9: Pero la mayoría de los tiempos, porque estaba asustada de salir,
40:21
Speaker 9: yo solo estaba sola. Y eso me llevó a la depresión.
40:23
Speaker 9: Y por eso decidí quitarme. Hoy todavía hay trastornos sobre
40:25
Speaker 9: el PTSD o las cosas que estoy pasando. Por eso
40:28
Speaker 9: todavía estoy buscando terapias. Sobre mi ansiedad, la mayoría de
40:32
Speaker 9: los tiempos me encuentran en la cama. Así que sí,
40:34
Speaker 9: diría que sí.¿ Puedes tomar una pausa, por favor? Mis
40:53
Speaker 9: colegas sufrieron los mismos síntomas, solo dependía de ti. Tengo
40:58
Speaker 9: un colega que ahora es amigo mío, que está luchando
41:03
Speaker 9: contra la insomnia. Tengo un amigo que también está luchando
41:09
Speaker 9: contra la ansiedad. Así que solo depende de cómo tú,
41:13
Speaker 9: como persona, te has afectado, porque te has afectado de
41:18
Speaker 9: manera diferente. Pero sí, tengo muchos colegas y amigos que
41:23
Speaker 9: también están luchando contra el PTSD de diferentes formas.¿ Por
41:27
Speaker 9: qué no usaste...
41:36
Speaker 6: El
41:37
Speaker 9: nombre de los clientes y las empresas por las que trabajaste.
41:42
Speaker 9: Porque me hicieron firmar una forma de indisclosión, que me
41:46
Speaker 9: obligó a no decir algunas cosas. Inmediatamente las digo y
41:49
Speaker 9: me van a ir. Me voy a juzgar por más
41:51
Speaker 9: de 10 años.
41:56
Speaker 2: Así que ese es un clip de En el Cuello
41:57
Speaker 2: de la AI, dirigido por Henri Poulin. Profesor Kazili, si
41:58
Speaker 2: pudieras explicar, no es totalmente claro,¿ qué hacen estos trabajadores
42:01
Speaker 2: de datos con este mal contenido? Lo has llamado algo
42:03
Speaker 2: como aprendizaje de máquinas. Y luego queremos llegar también a
42:05
Speaker 2: la forma en la que estos organizadores contra estos trabajadores,
42:08
Speaker 2: contra las condiciones imposibles, en realidad están tratando de organizar
42:10
Speaker 2: contra ellos. Gracias por ver el video.
42:28
Speaker 23: Sí, yo llamo a esto de aprendizaje de máquinas, porque
42:30
Speaker 23: a veces estos trabajadores tienen la tarea terrible que consiste
42:33
Speaker 23: en flaggar información. No quieren que los modelos, la I.A.,
42:35
Speaker 23: se reproduzcan. No quieren que la I.A. creara imágenes distorsionantes
42:38
Speaker 23: o contenido ilegal. No quieren que la I.A. haga acciones ilegales.
42:57
Speaker 23: que son consideradas, de nuevo, ilegales o antisociales. Así que,
43:00
Speaker 23: de alguna manera, son tareas responsables con la tarea difícil
43:03
Speaker 23: de realizar este tipo de enseñanza, que es una enseñanza negativa.
43:19
Speaker 23: Y cuando decimos moderación, moderación de contenido en particular, la
43:22
Speaker 23: primera cosa que pensamos es las redes sociales. Y pensamos
43:25
Speaker 23: que esto no está conectado con la IA. Bueno, a
43:27
Speaker 23: la extensión de que la IA existe en las redes
43:28
Speaker 23: sociales también y Meta tiene su propia IA y TikTok
43:30
Speaker 23: tiene su propia IA. Es verdad que los moderadores pueden
43:39
Speaker 23: trabajar tanto para las redes sociales como para la IA,
43:41
Speaker 23: pero no es sólo la censura. Están enseñando a la
43:43
Speaker 23: máquina a no ver algunas cosas, a retirarlas de la
43:44
Speaker 23: base de datos. Y esto es algo que va más
43:46
Speaker 23: allá de la simple flagelación de contenido problemático. Porque hemos
44:00
Speaker 23: conocido a personas que han hecho este tipo de aprendizaje
44:03
Speaker 23: de máquinas también fuera de las redes sociales. No sé,
44:05
Speaker 23: alguien que tiene que entrenar a un AI que se
44:07
Speaker 23: usa en la cirugía, tiene que pasar por tantas imágenes
44:09
Speaker 23: gruesas y malditas que pueden traumatizar y crear el mismo
44:11
Speaker 23: tipo de PTSD. de enfermedades de estrés postraumático. Alguien que
44:24
Speaker 23: tiene que entrenar, no sé, un coche autodidáctico, tienen que
44:29
Speaker 23: pasar por, por ejemplo, accidentes de coche que pueden ser
44:32
Speaker 23: extremadamente mórbidos y extremadamente problemáticos para observar a sí mismos
44:37
Speaker 23: y pueden desarrollar este tipo de enfermedades traumáticas. mental health issues. So,
44:43
Speaker 23: it is something that is connected to the very process
44:47
Speaker 23: of teaching the machine to do something or not to
44:49
Speaker 23: do something. And this is also something that, you know,
44:50
Speaker 23: has a toll on these persons. En este caso, y
45:00
Speaker 23: quiero agradecer a Faustine, que conocí otra vez en Kenia
45:03
Speaker 23: hace unos meses, por su testimonio, pero ella es alguien
45:08
Speaker 23: que pagó un precio importante, un precio personal severo. Algunas
45:12
Speaker 23: otras personas fueron incluso menos afortunadas. Porque algunas otras personas
45:25
Speaker 23: murieron por estos suicidios o murieron de formas misteriosas que
45:29
Speaker 23: están de alguna manera conectadas a su actividad. Y esto
45:31
Speaker 23: es algo que estamos documentando en muchos países, en Kenia
45:33
Speaker 23: en particular, y así estamos también... trying to work with
45:40
Speaker 23: the families to, you know, face this kind of serious problems.
45:46
Speaker 2: So, Professor Kazili, could you explain why are these, why
45:49
Speaker 2: are workers made to sign non-disclosure agreements? And in some instances,
45:53
Speaker 2: as documented in the film, they aren't even able to
45:56
Speaker 2: speak to one another about the content that they're reviewing.
45:59
Speaker 2: Why is that?
46:02
Speaker 23: Bueno, hay muchas razones. La primera sería que no deberían,
46:08
Speaker 23: según las empresas tecnológicas, hablar del tipo de modelo que
46:11
Speaker 23: están entrenando, porque esto podría constituir un problema en términos
46:17
Speaker 23: de propiedad intelectual. Por ejemplo, si esta empresa está desarrollando...
46:21
Speaker 23: un nuevo modelo que no está en el mercado, no
46:24
Speaker 23: quieren que la competencia lo conozca. La segunda razón sería, sí,
46:26
Speaker 23: de hecho, invisibilizar, como decimos en una manera bastante pomposa
46:29
Speaker 23: en la academia, es decir, esconder a estos trabajadores. Así que,
46:31
Speaker 23: para esconderlos, la primera cosa es, bueno, cerrarles la boca, literalmente,
46:34
Speaker 23: y así que, incluso si se les pide, denigran que
46:36
Speaker 23: están trabajando para producir herramientas de AI performing this kind
46:52
Speaker 23: of data work. And one final reason is that, again,
46:55
Speaker 23: according to the designers of these AI models, if workers
47:01
Speaker 23: speak among themselves and they start discussing the kind of
47:05
Speaker 23: tasks they perform, this could introduce specific biases, meaning that
47:09
Speaker 23: they could, for instance, coordinate. This is the technical reason,
47:12
Speaker 23: but there is also a very un motivo que está
47:17
Speaker 23: conectado con la brecha de la solidaridad entre los trabajadores.
47:21
Speaker 23: Si los trabajadores son segmentados, fragmentados, se separan de los
47:25
Speaker 23: otros y no hablan con los otros, no entienden o
47:27
Speaker 23: no alcanzan la conciencia del hecho de que realmente están
47:30
Speaker 23: haciendo el mismo tipo de trabajo, son una clase de
47:32
Speaker 23: trabajadores y esta consciencia de clase no se desarrolla.
47:45
Speaker 2: Profesor Cazili, tenemos que dejarlo ahí. Gracias por estar con nosotros.
47:46
Speaker 2: Profesor en el Instituto Politécnico de París y autor de
47:48
Speaker 2: Waiting for Robots, The Hired Hands of Automation. También escribió
47:50
Speaker 2: el documental In the Belly of AI, dirigido por Henri Poulin. Siguiendo,
47:53
Speaker 2: Julián Posada, autor del libro de la próxima vez, Platform Extractivism,
47:55
Speaker 2: Data Work and the People Powering Artificial Intelligence. Quédense con nosotros.
48:32
Speaker 2: Música Música High Fly by the legendary pianist Gracias. Julián,
49:44
Speaker 2: bienvenido a Democracy Now! Acabamos de escuchar al profesor Antonio
49:47
Speaker 2: Cazili sobre los trabajadores de datos. Usted se enfocó principalmente
49:51
Speaker 2: en Venezuela. Si pudiera decirnos lo que encontró entre los
49:54
Speaker 2: trabajadores de datos allí. Cuando empecé este proyecto, en realidad
50:00
Speaker 2: quería enfocarme en Latinoamérica, donde crecí.
50:04
Speaker 24: Y la primera cosa que encontré cuando empecé esta investigación
50:06
Speaker 24: fue que la mayoría de los trabajadores... At the time
50:14
Speaker 24: when I started, around 2020, were located specifically in Venezuela.
50:18
Speaker 24: So part of the project in the book is about
50:21
Speaker 24: why Venezuela contains so many of the workers that were
50:26
Speaker 24: powering artificial intelligence at the time. I found three reasons
50:30
Speaker 24: for that. The first reason is, of course, the economic
50:33
Speaker 24: conditions of the countries. Since 2014, the economy of Venezuela
50:38
Speaker 24: has been in a crisis, hyperinflation, high unemployment rates, and
50:44
Speaker 24: adding to that, you have then the COVID pandemic starting,
50:47
Speaker 24: increasing unemployment rates with the lockdowns. So, it was really,
50:51
Speaker 24: really a dire situation in the country around seven, six
50:55
Speaker 24: years ago. The second reason, however, why Venezuela became so
50:59
Speaker 24: prominent in data work is the infrastructure of the country,
51:03
Speaker 24: which was developed by the government. So, for example, people
51:05
Speaker 24: have access to computers that were creado en Venezuela, construido
51:08
Speaker 24: en las fábricas venezolanas durante los años de Hugo Chávez,
51:11
Speaker 24: que luego fueron retenidos por familias. Y esos mismos computadores
51:15
Speaker 24: fueron los únicos usados para el trabajo de datos durante
51:17
Speaker 24: la pandemia. Y luego el tercer motivo, que es también
51:21
Speaker 24: un motivo interesante, es la composición de familias en Venezuela.
51:25
Speaker 24: What I found is that from the qualitative interviews, not
51:28
Speaker 24: a single worker was alone. Workers really depending on their families.
51:32
Speaker 24: And during the pandemic, when a lot of people lost
51:34
Speaker 24: their employment, it was just one breadwinner in the house,
51:37
Speaker 24: the data worker. And the entire household was supporting that
51:41
Speaker 24: work through many activities, feeding the worker, doing house chores
51:46
Speaker 24: and so on. But the family really revolved around data work.
51:49
Speaker 24: And then the neighbors as well. If you lost access
51:51
Speaker 24: to electricity, if you lost access to something, your neighbors
51:54
Speaker 24: would be there to provide support. So this is why
51:57
Speaker 24: I think Venezuela became such a prominent case for data
51:59
Speaker 24: work in Latin America and in the world during the pandemic. Again,
52:01
Speaker 24: the economic crisis, the infrastructure and the composition of families.
52:03
Speaker 24: And could you tell us how, what were the salaries
52:05
Speaker 24: like for these workers? What were the working conditions
52:07
Speaker 2: like?¿ Y quiénes
52:16
Speaker 24: trabajaban? Los salarios eran muy bajos. Algunas plataformas, como Remotask,
52:21
Speaker 24: pagaban a los trabajadores por hora y serían 50 centavos
52:23
Speaker 24: por hora. Otras plataformas, la mayoría de ellas, pagaban por trabajo,
52:27
Speaker 24: así que sería una forma de trabajo de paz. Los
52:30
Speaker 24: trabajadores ganarían alrededor de 2 a 5 dólares por semana
52:33
Speaker 24: debido a la hiperinflación. Esos pocos dólares eran importantes para
52:37
Speaker 24: su ingreso, ¿verdad? Y la parte interesante es que algunos trabajadores,
52:43
Speaker 24: y esto se relaciona con la pregunta sobre el número
52:46
Speaker 24: de trabajadores y su ubicación, algunos trabajadores usarían VPNs para
52:49
Speaker 24: mascar sus adreses IP, pretendiendo que están en países como
52:51
Speaker 24: aquí en los Estados Unidos, y luego se pagaban más
52:53
Speaker 24: por el mismo número de trabajo.¿ Y cómo lo hacen?¿
52:58
Speaker 24: Tienen alguna idea de qué compañía tecnológica están trabajando?¿ Cómo
53:01
Speaker 24: emplean a estos trabajadores? ¿Efectivamente, a través de…¿ Cómo funciona? Entonces,
53:23
Speaker 24: una empresa usualmente se aproxima a una empresa de outsourcing. Digamos,
53:26
Speaker 24: por ejemplo, que tienes tu startup de AI, te aproximas
53:28
Speaker 24: a una de las empresas de outsourcing, por ejemplo, Scale AI,
53:31
Speaker 24: que es una empresa detrás de Remote Tasks. Entonces, con
53:35
Speaker 24: esa empresa, crearías un proyecto y lo outsourcas a una
53:37
Speaker 24: de sus plataformas, en este caso, Remote Tasks. And they
53:40
Speaker 24: would have programs, in this case, for Venezuelan workers. Then,
53:44
Speaker 24: from the perspective of the worker, you would just see
53:46
Speaker 24: the tasks. In most cases, you don't know who they're
53:49
Speaker 24: working for, what tasks you're doing for, or what the
53:52
Speaker 24: AI that you're doing is in reality. Pregunté a algunos
53:56
Speaker 24: trabajadores si tenían alguna opinión. Por ejemplo, un trabajador me
54:01
Speaker 24: dijo que creo que trabajaba para una tarea relacionada con
54:04
Speaker 24: el complejo militar, porque tengo que taggear puertas y puertas
54:08
Speaker 24: en algún lugar desértico, pero no tengo ni idea de
54:10
Speaker 24: dónde es y no tengo ni idea de qué empresa
54:11
Speaker 24: o de qué AI estoy entrenando. Así que, en ese aspecto,
54:17
Speaker 24: había una invisibilidad completa. Los trabajadores no sabían quiénes eran
54:20
Speaker 24: sus empleados y lo que, incluso la IA, estaban ayudando
54:22
Speaker 24: a desarrollarse.
54:32
Speaker 2: Y si pudieras hablar un
54:36
Speaker 24: poco también sobre cómo los trabajadores son monitoreados y cómo
54:38
Speaker 24: su trabajo es cuantificado. Sí, así que, como en cualquier
54:40
Speaker 24: caso de trabajo gigante, el algoritmo aquí es el gestor.
54:41
Speaker 24: Y hay algunos casos en los que los trabajadores, como
54:43
Speaker 24: en el caso de los trabajadores de Kenia o los
54:44
Speaker 24: trabajadores de Madagascar, por ejemplo, donde están trabajando para empresas dentro,
54:47
Speaker 24: van a un oficio, como un centro de llamadas, trabajan
54:50
Speaker 24: desde un computador, tienen a su jefe alrededor y van
54:52
Speaker 24: a una sola ubicación. Eso es lo que nosotros en
54:54
Speaker 24: la academia llamamos centros de outsourcing de procesamiento de negocios, BPO.
54:59
Speaker 24: Mi trabajo en Venezuela fue principalmente enfocado en plataformas. La
55:04
Speaker 24: mejor manera de pensarlo es pensar en el Uber de
55:06
Speaker 24: las anotaciones de datos. Logarás a tu computadora, a una
55:09
Speaker 24: plataforma en tu browser, y luego accederás a las tareas
55:11
Speaker 24: y luego haces las tareas. Y en este caso, los
55:13
Speaker 24: algoritmos serán los que manejarán los algoritmos, los que controlan
55:16
Speaker 24: el flujo de trabajo. Tendrán un timer, sabrán cuánto tiempo
55:18
Speaker 24: estarán en cada tarea, sabrán tratar de obtener la acuidad
55:20
Speaker 24: de sus tareas, presentarán las mismas tareas dos o tres veces,
55:29
Speaker 24: Así que si estás haciendo cosas diferentes, el algoritmo pensará
55:31
Speaker 24: que estás espantando, así que te voy a banar de
55:32
Speaker 24: esta tarea ahora. Así que realmente fue un algoritmo puesto
55:34
Speaker 24: en lugar para controlar el trabajo y asegurarse de que
55:36
Speaker 24: estaban haciendo el trabajo que los clientes querían que hicieran.¿
55:37
Speaker 24: Y qué fue la cosa?¿ Fuiste capaz de hablar con
55:39
Speaker 24: muchos de estos trabajadores? Sí, lo hice.¿ Y qué fue
55:41
Speaker 24: la cosa más frecuentemente reportada que te
55:42
Speaker 2: dijeron? Bueno...
55:53
Speaker 24: Una de las cosas es que, dependiendo de las tareas
55:55
Speaker 24: que se hacen, son muy variadas en términos de pagos
55:56
Speaker 24: debido a los investimientos. Por ejemplo, hubo esta tarea llamada
55:59
Speaker 24: modo de pie en la que los trabajadores tenían que
56:01
Speaker 24: labelar imágenes en los hogares, digamos, una imagen de un habitación.
56:04
Speaker 24: Tienes que labelar la silla como una silla. mirar como
56:13
Speaker 24: un mirador y así sucesivamente. Y los trabajadores se pagaban
56:16
Speaker 24: bonos por estas tareas que eran muy importantes para las
56:20
Speaker 24: compañías y las firmas. En estas tareas, en la mayoría
56:23
Speaker 24: de los casos, eran muy reparativas. Y en ese momento,
56:25
Speaker 24: esto es antes de las LLM, ¿verdad? Entonces, en ese momento,
56:28
Speaker 24: había muchas inversiones en la visión computadora. Inversiones, por ejemplo,
56:32
Speaker 24: para desarrollar algoritmos de reconocimiento facial o algoritmos de identificación
56:36
Speaker 24: de objetos. Así que es por eso que Venezuela, en
56:38
Speaker 24: la que los trabajadores, muchos de ellos no tenían conocimiento
56:41
Speaker 24: del idioma inglés, fueron capaces de taggear estos objetos y
56:45
Speaker 24: entrenar estos algoritmos de reconocimiento de imágenes. Después de 2023,
56:49
Speaker 24: cuando los investidores comenzaron a enfocarse en modelos de lenguaje grande,
56:52
Speaker 24: fue cuando el chat GPT salió, entonces mucho de ese
56:54
Speaker 24: trabajo se movió desde Venezuela a lugares con, diríamos, un
56:56
Speaker 24: legado colonial con países de habla inglesa, así como Filipinas
56:59
Speaker 24: o India. en la que muchos de estos trabajadores que
57:07
Speaker 24: se requerían de hablar inglés o de conocer el idioma inglés,
57:11
Speaker 24: se encargaron de cualquier encargo que se hiciera con el
57:16
Speaker 24: idioma inglés en este caso. Y al mismo tiempo, la
57:18
Speaker 24: situación en Venezuela se ha mejorado un poco. Los precios
57:21
Speaker 24: de petróleo se empiezan a aumentar de nuevo. Y muchos
57:23
Speaker 24: de estos trabajadores then stopped doing their work and went
57:26
Speaker 24: back to their regular activities.
57:28
Speaker 2: Muchas gracias, profesor Julián Posada, asistente profesor de Estudios Americanos
57:32
Speaker 2: y co-director del Certificado en Computación, Cultura y Sociedad en
57:35
Speaker 2: la Universidad de Yale. Es el autor del próximo libro,
57:36
Speaker 2: Platform Extractivismo, Data Work and the People Powering Artificial Intelligence.
57:39
Speaker 2: Y eso es todo por hoy. Amy Goodman estará en Middlebury, Vermont,
57:41
Speaker 2: el viernes por una grabación del filme sobre la democracia
57:44
Speaker 2: ahora llamado Steal the Story, Please. con los directores nominados
58:00
Speaker 2: por el Oscar. Luego, vamos a Madison, Wisconsin, en el
58:03
Speaker 2: fin de la semana de trabajo. Veamos nuestro sitio web
58:06
Speaker 2: en democracynow.org para detalles. Democracy Now! se produce con Mike Burke,
58:11
Speaker 2: Dina Gazer, Anjali Kamath, Messiah Rhodes, Nicole Salazar, María Taracena,
58:15
Speaker 2: John Hamilton, Sarah Nasser, Chirina Nadura, Sam Alcoff, Tay Marie Astudio,
58:21
Speaker 2: Robbie Caron, Hani Masood y Diego Ramos. Our executive director
58:26
Speaker 2: is Julie Crosby. And very special thanks to Becca Staley,
58:28
Speaker 2: John Randolph, Paul Powell, Mike DeFilippo, Miguel Noguera, Hugh Grant,
58:30
Speaker 2: Karl Marxer, Dennis Moynihan, David Prude, Dennis McCormick, Matt Ely,
58:32
Speaker 2: Anna Ozbeck, Emily Anderson, Dante Toreri, and Buffy St. Marie Hernandez.
58:35
Speaker 2: I'm Nermin Sheikh. Thanks so much for joining us for
58:36
Speaker 2: another edition of Democracy Now!