---
title: "¿Qué es el etiquetado de datos? Anotación de datos para IA"
description: "El etiquetado de datos añade la respuesta correcta a ejemplos en bruto para que un modelo de IA aprenda. Tipos de etiqueta, proceso, calidad y ayuda de IA."
url: https://proxynet.io/es/blog/what-is-data-labeling
date: 2026-11-18
author: "Acar Diveroli"
category: "IA"
lang: es
---

# ¿Qué es el etiquetado de datos? Anotación de datos para IA

Un equipo de soporte quiere un modelo que envíe cada ticket nuevo a la cola correcta: facturación, envíos o devoluciones. Tiene 60.000 tickets antiguos, pero en ninguno consta adónde fue, así que un modelo todavía no tiene nada de qué aprender. Alguien tiene que leer una muestra y escribir la respuesta junto a cada ticket. Un fabricante de automóviles se enfrenta al mismo problema con imágenes de cámaras, y el equipo de un asistente de voz, con grabaciones de habla. Ese trabajo es el etiquetado de datos.

Este artículo explica qué es el etiquetado de datos (también llamado anotación de datos), por qué lo necesitan los modelos de IA, cuáles son los principales tipos de etiqueta, cómo se desarrolla un proyecto de etiquetado, cómo se mide la calidad, cómo ayudan los modelos en el trabajo y qué normas sobre datos personales se aplican.

> **Nota: Respuesta breve**
>
> El etiquetado de datos, o anotación de datos, es el trabajo de añadir la respuesta correcta, una etiqueta, a ejemplos en bruto como imágenes, textos, clips de audio o vídeos, para que un modelo de aprendizaje automático pueda aprender de ellos o evaluarse con ellos. Una etiqueta puede ser una categoría («spam»), un recuadro dibujado alrededor de un auto, el nombre de una empresa resaltado o una transcripción escrita. Los buenos proyectos parten de una guía escrita, hacen una prueba piloto, miden cuánto coinciden anotadores independientes más allá del azar y corrigen la guía antes de etiquetar a gran escala. Los modelos pueden proponer borradores de etiquetas y elegir los ejemplos que necesitan la mirada de una persona, pero las etiquetas importantes las siguen revisando personas. Cuando los ejemplos contienen datos personales, el RGPD, la KVKK y leyes similares también se aplican al etiquetado.

## ¿Qué es el etiquetado de datos?

El etiquetado de datos consiste en añadir la respuesta correcta a cada ejemplo en bruto para que un modelo pueda aprender la relación entre la entrada y esa respuesta. La entrada puede ser una foto, una frase o un clip de sonido; la etiqueta es lo que diría de ella una persona atenta: «gato», «reseña negativa», «París es un nombre de lugar». Una entrada junto con su etiqueta forma un ejemplo etiquetado.

Los ejemplos etiquetados son la materia prima del aprendizaje supervisado, la rama del aprendizaje automático en la que un modelo aprende de entradas emparejadas con respuestas conocidas y luego predice las respuestas de entradas nuevas. Las etiquetas con las que se mide un modelo se llaman verdad de referencia (ground truth), aunque solo son tan verdaderas como las personas y las reglas que hay detrás.

Algunas etiquetas llegan gratis: al marcar un correo como spam, etiquetas datos para tu servicio de correo, como señala el estudio de Burr Settles sobre aprendizaje activo. Los datos de empresa rara vez funcionan así; nadie asigna a un ticket su cola si esa no es la tarea de alguien. Este mismo trabajo también se llama anotación, marcado o, en las ciencias sociales, codificación.

## ¿Por qué los modelos de IA necesitan datos etiquetados?

Los modelos de IA necesitan datos etiquetados para tres cosas: aprender una tarea, ser evaluados en ella y, en el caso de los asistentes de chat, aprender qué respuestas prefieren las personas.

**Entrenamiento.** Un modelo que enruta tickets o detecta piezas agrietadas solo aprende de ejemplos cuya respuesta se conoce. Las etiquetas definen la tarea: sin una etiqueta «devoluciones», el modelo nunca aprende a reconocer una devolución.

**Evaluación.** Incluso un modelo entrenado sin etiquetas, como un modelo de lenguaje grande preentrenado con texto en bruto, se evalúa con ejemplos de respuesta conocida. Un conjunto de prueba pequeño y etiquetado con cuidado suele ser el dato más valioso de un equipo, porque cada cambio posterior se mide con él.

**Ajuste de modelos de lenguaje.** Los asistentes de chat se ajustan con respuestas escritas por personas y con rankings de varias respuestas del modelo, de la mejor a la peor. En el [artículo de InstructGPT](https://arxiv.org/abs/2203.02155), un equipo de unos 40 contratistas, elegidos mediante una prueba de admisión, escribió demostraciones y ordenó entre cuatro y nueve salidas del modelo por prompt.

Esos rankings también son etiquetas: una persona decide qué respuesta es mejor siguiendo instrucciones escritas. Cómo ajustan un modelo ya entrenado lo explicamos en [¿Qué es el fine-tuning?](/es/blog/what-is-fine-tuning).

## ¿Qué tipos de etiquetado de datos hay?

El tipo de etiqueta depende del tipo de datos y de la pregunta que el modelo tiene que responder:

| Datos | Tipos de etiqueta habituales | Tarea de ejemplo |
|---|---|---|
| Imágenes | Clase, cuadro delimitador, contorno, puntos clave | Encontrar paquetes dañados en fotos |
| Texto | Categoría, sentimiento, entidades, intención | Enrutar tickets, marcar comentarios ofensivos |
| Audio | Transcripción, turnos de palabra, eventos sonoros | Entrenar voz a texto para un centro de llamadas |
| Vídeo | Objetos seguidos entre fotogramas, acciones | Seguir una carretilla elevadora a lo largo de un clip |
| Documentos | Nombres y posiciones de campos, tipo de página | Leer totales y fechas de facturas |

**Imágenes.** La clasificación da una sola etiqueta a toda la imagen («tiene una grieta»). Un cuadro delimitador (bounding box) es un rectángulo dibujado alrededor de un objeto y guardado como coordenadas. La segmentación traza el contorno exacto, como polígono o píxel a píxel, y los puntos clave (keypoints) marcan puntos sueltos, como las articulaciones de un cuerpo. El conjunto de datos público COCO muestra la escala que esto puede alcanzar: 328.000 imágenes con 2,5 millones de objetos etiquetados, cada uno con su propio contorno.

**Texto.** Una etiqueta de texto puede abarcar un documento entero (tema, sentimiento, una intención como «cancelar mi suscripción») o un fragmento dentro de él. El reconocimiento de entidades nombradas, una tarea de anotación clásica del procesamiento del lenguaje natural, marca las palabras que nombran personas, organizaciones, lugares, productos o fechas. El sentimiento suele ser la primera etiqueta que prueba un equipo; [análisis de sentimiento en Python](/es/blog/sentiment-analysis-python) muestra por qué un pequeño conjunto de reseñas etiquetadas a mano es la vara de medir de cualquier método de puntuación.

**Audio y vídeo.** Las etiquetas de audio van desde transcripciones completas hasta quién habla y cuándo. Es un trabajo lento: el estudio de Settles cita un informe según el cual la transcripción palabra por palabra puede llevar diez veces la duración del propio audio. En vídeo, el mismo objeto tiene que conservar su identidad de un fotograma a otro, lo que se llama seguimiento (tracking).

## ¿Cómo funciona un proyecto de etiquetado de datos?

Un proyecto de etiquetado funciona como un ciclo: se define cada etiqueta, se prueban las definiciones en un lote pequeño, se mide dónde discrepan las personas, se corrigen las definiciones y solo entonces se etiqueta a gran escala. Un proyecto típico tiene ocho pasos:

1. **Define la tarea y el conjunto de etiquetas.** Escribe la pregunta que el modelo debe responder y las etiquetas permitidas, cada una con un límite claro respecto a sus vecinas. Una opción «no está claro» evita que la gente adivine.
1. **Escribe guías con ejemplos.** Da a cada etiqueta una definición, ejemplos típicos y los casos difíciles, como un ticket que pide un reembolso y a la vez se queja de un envío con retraso.
1. **Haz una prueba piloto.** Varias personas etiquetan el mismo lote pequeño de forma independiente. Mide el tiempo, para que las estimaciones de costo salgan de una medición.
1. **Etiqueta.** Trabaja por lotes, intercala ejemplos de referencia (gold standard) cuya etiqueta correcta ya se conoce y asegúrate de que todos usan la misma versión de la guía.
1. **Revisa.** Una segunda persona comprueba una muestra de cada lote y cada elemento marcado como «no está claro».
1. **Mide el acuerdo.** Compara las etiquetas de personas que etiquetaron los mismos elementos sin ver las respuestas de las demás.
1. **Corrige las guías.** El desacuerdo suele indicar una regla ambigua, no personas descuidadas. Aclárala y vuelve a etiquetar los elementos afectados.
1. **Entrega con documentación.** Entrega las etiquetas junto con la versión de la guía y las puntuaciones de acuerdo, y conserva un conjunto de prueba que nunca se use para entrenar.

El equipo de InstructGPT describe los mismos hábitos a gran escala: una incorporación guiada, instrucciones detalladas para cada tarea y una sala de chat compartida para las dudas de los anotadores.

## ¿Cómo se mide la calidad del etiquetado?

La calidad del etiquetado se mide con ejemplos de referencia cuya respuesta ya está fijada y según cuánto coinciden anotadores independientes por encima de lo que produciría el azar por sí solo.

**Los ejemplos de referencia** son ejemplos con una etiqueta comprobada que se mezclan en el trabajo sin ninguna marca. Un anotador que falla muchos necesita retroalimentación; un ejemplo de referencia que falla mucha gente puede estar mal él mismo.

**El acuerdo entre anotadores** (inter-annotator agreement) mide con qué coherencia distintas personas etiquetan los mismos elementos. El porcentaje de acuerdo bruto engaña, porque parte del acuerdo se produce por azar. El kappa de Cohen, propuesto por Jacob Cohen en 1960, lo corrige: kappa = (acuerdo observado - acuerdo por azar) / (1 - acuerdo por azar). Un kappa de 1 significa acuerdo total; 0 significa nada mejor que el azar.

Dos personas etiquetan 200 tickets como «facturación» o «no facturación» y coinciden en el 85 % de ellos. Si cada una pone la mitad de los tickets en cada clase, el azar por sí solo da un 50 % de acuerdo, así que kappa es (0,85 - 0,50) / (1 - 0,50) = 0,70. Si ambas ponen el 90 % de los tickets en «no facturación», el azar por sí solo da 0,9 × 0,9 + 0,1 × 0,1 = 82 %, y el mismo 85 % solo vale un kappa de 0,17.

El kappa de Fleiss y el alfa de Krippendorff extienden la idea a más de dos anotadores. En lingüística computacional, 0,8 es el objetivo habitual, pero el estudio de [Artstein y Poesio](https://aclanthology.org/J08-4004/) sostiene que ningún umbral único sirve para todas las tareas y recomienda informar de una matriz de confusión, una tabla que muestra qué etiquetas se confunden con cuáles.

Las tareas subjetivas tienen menos acuerdo: en el proyecto InstructGPT, los anotadores que comparaban respuestas del modelo coincidieron entre sí el 72,6 ± 1,5 % de las veces. Cuando el acuerdo sigue bajo después de corregir la guía, la adjudicación, en la que un revisor con experiencia o una votación por mayoría resuelve cada desacuerdo, pasa a formar parte del proceso.

## ¿Cómo ayudan los modelos en el etiquetado?

Los modelos ayudan de cuatro formas: proponen borradores de etiquetas para que las personas los revisen, eligen qué ejemplos merecen el tiempo de una persona, convierten reglas aproximadas en etiquetas y, a veces, etiquetan sin ninguna persona de por medio. Cuanto más hace el modelo, con más cuidado hay que revisar su resultado.

| Enfoque | Cómo funciona | Riesgo a vigilar |
|---|---|---|
| Manual | Las personas etiquetan cada elemento según la guía | Lento y caro a gran escala |
| Preetiquetado | Un modelo sugiere, las personas aceptan o corrigen | Se aceptan sugerencias erróneas |
| Aprendizaje activo | El modelo pregunta por los elementos que no tiene claros | El conjunto etiquetado ya no es aleatorio |
| Supervisión débil | Las reglas votan, un modelo combina los votos | Las reglas comparten los mismos puntos ciegos |
| Totalmente automático | Un modelo o simulador genera la etiqueta | Errores que nadie revisa |

**El preetiquetado** es la forma más sencilla: un modelo anterior, o un modelo de lenguaje grande al que se le da la guía como instrucciones, propone una etiqueta y una persona la confirma o la corrige. La gente tiende a aceptar una sugerencia verosímil, así que los lotes preetiquetados necesitan los mismos controles con ejemplos de referencia. Este ciclo es lo que suele significar «humano en el bucle» (human in the loop) en el etiquetado.

**El aprendizaje activo** parte de la idea, en palabras de Settles, de que un modelo puede lograr «mayor precisión con menos etiquetas de entrenamiento» si se le permite elegir los datos de los que aprende. Su estrategia habitual, el muestreo por incertidumbre, envía a las personas los ejemplos sobre los que el modelo está menos seguro, así que para la evaluación sigue haciendo falta una muestra aleatoria aparte.

**La supervisión débil** sustituye parte de las etiquetas manuales por reglas. En el sistema descrito por [Ratner y sus colegas](https://arxiv.org/abs/1711.10160) en 2017, los expertos escriben funciones de etiquetado, pequeñas heurísticas como «si el ticket contiene un número de factura, votar facturación», y el sistema estima la fiabilidad de cada regla y combina sus votos en etiquetas de entrenamiento.

**Las etiquetas totalmente automáticas** salen de un modelo o de una simulación sin que ninguna persona revise cada una. Un simulador 3D sabe dónde está cada objeto de su escena, así que sus imágenes llegan ya etiquetadas; los límites de los datos generados se tratan en [¿Qué son los datos sintéticos?](/es/blog/what-is-synthetic-data). El conjunto de prueba sigue necesitando etiquetas revisadas por una persona.

## ¿Qué pasa con los datos personales en el etiquetado?

Cuando los ejemplos contienen datos personales, etiquetarlos es un tratamiento de datos personales, y se aplican el RGPD en la UE, la KVKK en Türkiye y leyes similares. Los tickets llevan nombres, las fotos muestran caras y matrículas, las grabaciones contienen voces.

Elimina lo que la tarea no necesita antes de que los datos lleguen a los anotadores: enmascara nombres, correos electrónicos y números de teléfono, difumina las caras que no son el objeto de la tarea y recorta el audio a la parte relevante. Enmascarar no equivale automáticamente a anonimizar: según el considerando 26 del [RGPD](https://eur-lex.europa.eu/eli/reg/2016/679/oj/spa), los datos seudonimizados, en los que los nombres se sustituyen por códigos pero la clave todavía existe, siguen siendo datos personales.

Los anotadores que trabajan para ti a través de otra empresa tratan los datos por cuenta tuya. El RGPD exige un contrato con ese encargado del tratamiento, y la KVKK (Ley n.º 6698 de Protección de Datos Personales) hace que el responsable del tratamiento responda de las medidas de seguridad junto con el encargado. En la práctica: acceso solo a los lotes en los que trabaja cada persona, nada de copias en dispositivos personales y borrado al terminar el proyecto.

La regulación empieza a nombrar el etiquetado de forma directa. El [Reglamento de Inteligencia Artificial](https://eur-lex.europa.eu/eli/reg/2024/1689/oj/spa) de la UE exige que los conjuntos de datos de entrenamiento, validación y prueba de los sistemas de IA de alto riesgo se sometan a prácticas de gobernanza y gestión de datos que abarquen, entre otras cosas, «las operaciones de tratamiento oportunas para la preparación de los datos, como la anotación, el etiquetado, la depuración, la actualización, el enriquecimiento y la agregación».

## ¿De dónde salen los ejemplos sin etiquetar?

Los ejemplos sin etiquetar salen primero de tus propios sistemas, después de conjuntos de datos con licencia y, en tareas sobre contenido público, de páginas web públicas; lo que recopilas decide qué podrá manejar el modelo. Un enrutador de tickets entrenado solo con tickets en inglés tropieza con los que llegan en español.

Tus propios tickets, fotos y grabaciones se usan dentro de los avisos de privacidad y el consentimiento que cubren esa finalidad. Para clasificar fichas de producto, reseñas u ofertas de empleo en muchos idiomas, los equipos también recopilan páginas web públicas de los países en los que operan.

Ese paso de recopilación es donde encajan los proxies. Muchos sitios cambian el idioma, la moneda y el surtido según el país de la dirección IP del visitante, y los [Proxies residenciales](https://proxynet.io/es/residential-proxy) con segmentación por país y ciudad te permiten recopilar la versión que ven los visitantes locales. Recopila solo páginas públicas, respeta robots.txt y los términos del sitio, usa una API oficial cuando exista y deja fuera los datos personales que no vayas a etiquetar.

Nuestra página de [proxies para extracción de datos](/es/data-scraping) explica qué tipo de proxy y qué modo de sesión encajan con cada trabajo de recopilación.

## ¿Dónde se usa el etiquetado de datos?

El etiquetado de datos está detrás de la mayoría de las funciones de IA que deciden algo sobre una entrada concreta. Los equipos de soporte etiquetan tickets para enrutarlos. Las tiendas online asignan categorías a los productos y puntúan la relevancia de los resultados de búsqueda. Los equipos de moderación etiquetan publicaciones según una política escrita. Las fábricas etiquetan imágenes de piezas como buenas o defectuosas, y los bancos marcan transacciones como fraude o no. Los hospitales etiquetan imágenes médicas, lo que requiere personal clínico cualificado y una protección de datos estricta. Los equipos que trabajan sobre un modelo de lenguaje grande etiquetan preguntas de prueba con respuestas aceptables, para saber si un prompt o una versión nueva del modelo es mejor.

## Errores frecuentes

- **Etiquetar antes de que exista la guía.** Cada uno inventa sus propias reglas, y el desacuerdo aparece después de miles de elementos.
- **No ofrecer la opción «no está claro».** Las suposiciones forzadas parecen idénticas a las etiquetas seguras.
- **Informar solo del porcentaje de acuerdo.** Con una clase dominante, un acuerdo alto puede ser casualidad; informa del kappa o del alfa.
- **Cambiar la guía sin volver a etiquetar.** Los datos mezclan entonces dos conjuntos de reglas.
- **Fiarse de las preetiquetas.** Revisa las sugerencias del modelo con ejemplos de referencia con el mismo rigor que las etiquetas manuales.
- **Dejar que elementos de prueba se filtren al entrenamiento.** Un modelo evaluado con lo que usó para entrenarse parece mejor de lo que es.
- **Enviar datos personales en bruto a los anotadores.** Enmascara o elimina antes lo que la tarea no necesita.

## Guía de decisión

| Necesidad | Enfoque |
|---|---|
| Un primer modelo para una tarea nueva | Guía, piloto pequeño, etiquetas manuales |
| Muchos elementos, pocos expertos | Aprendizaje activo en los elementos dudosos |
| Los expertos pueden formular reglas claras | Supervisión débil, comprobada con una muestra etiquetada a mano |
| Gran volumen, poco en juego | Preetiquetado con modelo y control con ejemplos de referencia |
| Un conjunto de prueba fiable | Dos anotadores independientes más adjudicación |
| Etiquetas subjetivas como el tono | Varios anotadores por elemento, acuerdo informado |
| Datos con detalles personales | Enmascarar primero, contrato con el encargado, acceso limitado |

## Preguntas frecuentes

### ¿Qué diferencia hay entre etiquetado de datos y anotación de datos?

En la mayoría de los equipos, ninguna. Donde se distinguen, anotación es la palabra más amplia para cualquier información añadida a los datos en bruto, como recuadros, contornos o fragmentos resaltados, mientras que una etiqueta es la respuesta en sí, como el nombre de una clase.

### ¿Qué es un cuadro delimitador (bounding box)?

Un cuadro delimitador es un rectángulo dibujado alrededor de un objeto en una imagen y guardado como coordenadas, normalmente dos esquinas o una esquina más el ancho y el alto. Se dibuja más rápido que un contorno trazado, pero es menos preciso con formas irregulares.

### ¿Puede la IA etiquetar datos por sí sola?

En parte. Un modelo de lenguaje grande puede etiquetar texto a partir de una guía escrita, pero las etiquetas de máquina heredan los errores y sesgos del modelo. Úsalas como borradores o para volumen con poco en juego, y deja en manos de personas los ejemplos de referencia, los desacuerdos y el conjunto de prueba.

### ¿Cuántos datos etiquetados necesito?

Depende de la tarea, del número de etiquetas y de lo parecidas que sean las clases, así que mídelo. Entrena con partes crecientes de un primer lote etiquetado (un cuarto, la mitad, todo) y comprueba cada vez la puntuación en un conjunto de prueba fijo. Si la puntuación sigue subiendo, más etiquetas ayudarán; si se ha estancado, suelen ayudar más unas etiquetas más claras.

### ¿Qué es el acuerdo entre anotadores?

El acuerdo entre anotadores mide con qué frecuencia distintas personas dan la misma etiqueta al mismo elemento, corregido por el azar. El kappa de Cohen es la medida habitual para dos personas; el kappa de Fleiss y el alfa de Krippendorff, para más. Un acuerdo bajo suele apuntar a una guía poco clara, no a anotadores descuidados.

### ¿El etiquetado de datos es un trabajo?

Sí. Lo hacen equipos internos, contratistas y especialistas como lingüistas o expertos médicos y jurídicos cuando una tarea necesita su criterio. Un especialista en etiquetado de datos etiqueta y revisa elementos, señala los casos dudosos y ayuda a mejorar la guía. Si estás valorando una oferta, lee sus condiciones con atención.

## En resumen

El etiquetado de datos añade a los ejemplos en bruto la respuesta que un modelo debe aprender: una clase, un recuadro, un nombre resaltado o una transcripción. Los modelos lo necesitan para aprender tareas supervisadas, para ser evaluados y, en los asistentes de chat, para aprender qué respuestas prefieren las personas. Las buenas etiquetas salen de una guía clara, una prueba piloto, un acuerdo medido más allá del azar y un ciclo que corrige la guía donde las personas discrepan. Hoy los modelos proponen borradores de etiquetas y eligen los ejemplos que merecen el tiempo de una persona, pero lo importante lo siguen revisando personas. Elimina los datos personales que la tarea no necesita y recopila ejemplos en bruto de los idiomas y países con los que se encontrará tu modelo.
