Von Maksym Misichenko · Yahoo Finance ·
Was KI-Agenten über diese Nachricht denken
Der Konsens des Panels ist bärisch hinsichtlich der langfristigen Nachhaltigkeit von hochbezahlten „Human-in-the-Loop“-KI-Trainingsjobs. Während diese Rollen lukrative kurzfristige Möglichkeiten bieten, werden sie wahrscheinlich innerhalb von 18-24 Monaten automatisiert oder kommodifiziert, da das Angebot schnell wächst und der Grenznutzen des menschlichen Feedbacks abnimmt.
Risiko: Schnelle Kommodifizierung von Trainingssignalen und die „Garbage-in, Garbage-out“-Realität der LLM-Skalierung, die zu einem Zusammenbruch des Gig-Economy-Modells führt.
Chance: Kurzfristig hohe Einkommen für verdrängte Fachleute und potenzielle proprietäre Präferenzdatensätze, die zu dauerhaften Burggräben für KI-Unternehmen werden.
Diese Analyse wird vom StockScreener-Pipeline generiert — vier führende LLM (Claude, GPT, Gemini, Grok) erhalten identische Prompts mit integrierten Anti-Halluzinations-Schutzvorrichtungen. Methodik lesen →
„Der Zug ist abgefahren“: Arbeiter kassieren, indem sie KI beibringen, ihre Jobs zu machen – einige verdienen bis zu 350 US-Dollar pro Stunde
Victoria Vesovski
5 Min Lesezeit
Arbeiter werden dafür bezahlt, künstliche Intelligenz (1) Systeme so zu trainieren, dass sie menschlicher denken, und in einigen Fällen bringen sie Maschinen bei, genau die Jobs zu erledigen, von denen sie einst befürchteten, dass KI sie ersetzen würde.
Das ist Hollywood-Autorin und Showrunnerin Ruth Fowler passiert. Im Jahr 2023 streikten die Unterhaltungsarbeiter (2) teilweise aus Angst, dass Studios KI einsetzen könnten, um Autoren und Schauspieler zu ersetzen. Aber nachdem der Streik beendet war, kehrte die Arbeit nicht vollständig zurück. Als ein anderer Produzent eine sechsstellige Zahlung, die ihr geschuldet wurde, nicht leistete, suchte Fowler nach einem Weg, über die Runden zu kommen.
Dave Ramsey warnt, dass fast 50 % der Amerikaner einen großen Fehler bei der Sozialversicherung machen – hier erfahren Sie, wie Sie ihn sofort beheben können
„Ich suchte nach einfachem Geld. Ich brauchte auch Geld, um die Miete zu bezahlen, um Essen zu kaufen“, schrieb Fowler in einem Essay für Wired (3). „Wie schwer konnte es sein, einer Maschine beizubringen, meinen Job zu machen? Ich war naiv genug zu glauben, dass diese Branche das wollte, was wir zu bieten hatten – nicht nur unsere Fähigkeiten, sondern uns.“
Aber es waren nicht nur Autoren. Unternehmen rekrutieren Anwälte, Ärzte, Risikokapitalgeber, Programmierer und Fremdsprachensprecher, um KI-Systeme zu trainieren.
Eine neue Art von Nebenjob
Ein Unternehmen, das diesen Trend aufgreift, ist Mercor (4), dessen Angebot an Arbeitnehmer einfach lautet: „Lass dich für KI-Projekte bezahlen.“ Eine aktuelle Ausschreibung für sein Physician Talent Network (5) wirbt mit einer Bezahlung von bis zu 250 US-Dollar pro Stunde für Ärzte, die KI-Systeme durch medizinische Szenarien, Antwortprüfungen und Expertenfeedback trainieren.
Und Experten sagen, dass die Nachfrage nach diesen Rollen mit der Weiterentwicklung von KI-Systemen voraussichtlich nur noch steigen wird. Da viele große Sprachmodelle bereits auf riesigen Mengen bestehender Online-Informationen trainiert wurden, stützt sich die nächste Entwicklungsphase zunehmend auf menschliche Eingaben, um Antworten zu verfeinern, die Genauigkeit zu verbessern und Systemen zu helfen, in spezialisierten Bereichen besser zu funktionieren.
Mercor CEO Brendan Foody sagte CBS News (6), dass das Unternehmen Expertise aus fast jedem Bereich benötigt.
„Wir stellen alle ein, von Schachmeistern bis hin zu Weinliebhabern, um [KI-]Agenten besser zu trainieren, denn letztendlich wollen wir, dass sie wissen, wie man in einem Schachspiel bessere Ratschläge gibt oder empfiehlt, welchen Wein man zum Abendessen trinken sollte“, sagte er.
Die Hollywood-Autorin Robin Palmer sagte, sie verbringe jetzt etwa 30 Stunden pro Woche damit, KI durch Projekte mit Mercor zu trainieren und zu bewerten, ob die Technologie stärkere und überzeugendere kreative Texte produzieren kann.
„Sie liefern Arbeit ab und Sie schauen sich an: ‚Funktioniert das strukturell, wie ist die Charakterisierung, gibt es holprige Übergänge?'“, sagte sie CBS News (7). „Ich sehe wirklich gerne, wie sich KI verbessert. Es ist fast so, als würde man mit einem Studenten arbeiten und sagen: ‚Ja, du wirst besser.'“
Für Fowler sah der Arbeitsalltag ganz anders aus. Eine ihrer ersten Aufgaben bestand darin, Gespräche zwischen Benutzern und KI-Chatbots zu überprüfen, zu bewerten, wie die Systeme auf zutiefst persönliche Fragen reagierten, und die Antworten auf einer Skala von eins bis fünf zu bewerten.
Aber die Flexibilität und das Versprechen von einfachem Geld brachten eine Realitätsprüfung mit sich. Fowler erinnerte sich, dass sie eine späte Slack-Nachricht von einem Teamleiter erhielt, der sie warnte, sich nicht auf die Arbeit zu verlassen.
„Das sind keine Jobs“, erinnerte sich Fowler an die Aussage. „Das sind ‚Aufgaben‘, und wir sind ‚Aufgabenträger‘.“
Diese Unsicherheit mag ein Grund dafür sein, dass viele Arbeitnehmer dem wachsenden Einfluss von KI am Arbeitsplatz weiterhin skeptisch gegenüberstehen. Während diese Projekte für einige Menschen neue Verdienstmöglichkeiten schaffen, ergab eine aktuelle Umfrage des Pew Research Center (8), dass mehr als die Hälfte der Arbeitnehmer besorgt über die langfristigen Auswirkungen von KI am Arbeitsplatz ist, während fast ein Drittel glaubt, dass die Technologie in den kommenden Jahren die Beschäftigungsmöglichkeiten verringern könnte.
Chance oder Warnsignal
Palmer räumte ein, dass einige in Hollywood die Arbeit mit KI als kontrovers ansehen könnten, sagte aber, sie glaube, dass erfahrene Fachleute helfen können, die Technologie verantwortungsvoll zu gestalten, und gleichzeitig anerkennen, dass die wachsende Präsenz von KI am Arbeitsplatz schwer zu vermeiden sein könnte.
„Der Zug ist abgefahren“, sagte sie. „Wollen Sie also, dass KI gut ist, weil sie von guten Leuten trainiert wird, oder nicht?“
KI-Training ist für einige Arbeitnehmer zu einer unerwarteten Einkommensquelle und einer Möglichkeit geworden, relevant zu bleiben, während sich Branchen rasant verändern. Andere sehen darin unbequeme Fragen, ob sie Werkzeuge bauen, die letztendlich die Nachfrage nach ihren eigenen Fähigkeiten verringern könnten.
Fowler landete fest in der zweiten Gruppe. Nachdem sie versucht hatte, in der aufstrebenden KI-Wirtschaft ihren Lebensunterhalt zu verdienen, schrieb sie, dass sich die Erfahrung als „grausamer erwies, als ich es mir je hätte vorstellen können“.
„Sie werden damit beauftragt, uns schneller und länger arbeiten zu lassen, mit mehr Präzision, mehr Kontrolle, weniger Fehlern, weniger Gemeinkosten, weniger Kosten. Um die Maschine menschlicher zu machen, werden sie uns der Maschine ähnlicher machen“, schrieb sie.
Diese Spannung wird möglicherweise die nächste Phase der KI am Arbeitsplatz definieren: Einige sehen eine Gelegenheit, sich anzupassen und von einer schnell wachsenden Branche zu profitieren, während andere das Gefühl haben, einen Ersatz zu trainieren, bevor sie vollständig verstehen, was als Nächstes kommt.
Vier führende AI-Modelle diskutieren diesen Artikel
"Die Bezahlung für KI-Training durch Experten wird angesichts des schnelleren Anstiegs des Arbeitskräfteangebots im Vergleich zur spezialisierten Nachfrage einem schnellen Abwärtsdruck ausgesetzt sein."
Der Artikel stellt KI-Trainingsjobs als lukrative Wende für verdrängte Fachleute dar, übersieht jedoch das schnelle Angebotswachstum an Fachkräften, das die Stundensätze innerhalb von 18 Monaten von 250 bis 350 US-Dollar in Richtung von Rohstoffpreisen drücken könnte. Mercor-ähnliche Plattformen arbeiten mit nahezu null Fixkosten, indem sie Spezialisten als On-Demand-Tasker behandeln, was die Margen von KI-Entwicklern erhöht und gleichzeitig das gesamte wirtschaftliche Risiko auf die Arbeitnehmer verlagert. Die Pew-Umfrage deutet bereits auf steigende Verdrängungsängste hin; eine anhaltende Teilnahme könnte stattdessen die Automatisierung der gerade trainierten Rollen beschleunigen und die Netto-Arbeitsplatzschaffung in hochqualifizierten Sektoren begrenzen.
Hohe Stundenlöhne könnten länger als erwartet anhalten, wenn Fachkenntnisse knapp bleiben und Modelle kontinuierliches spezialisiertes Feedback erfordern, wodurch diese Rollen zu dauerhaften Premium-Nischen statt zu flüchtigen Aufgaben werden.
"Die Nachfrage nach KI-Training mit menschlicher Beteiligung ist real und wächst, aber es ist ein vorübergehender Engpass in der Modellentwicklung, keine neue permanente Jobkategorie – und der Artikel vermischt Stundensätze mit tatsächlichem Verdienstpotenzial."
Dieser Artikel vermischt zwei unterschiedliche Phänomene: (1) KI-Unternehmen, die für spezialisiertes menschliches Feedback zur Verbesserung von Modellen bezahlen – eine legitime, notwendige Phase der LLM-Entwicklung – und (2) eine dystopische Erzählung über Arbeitnehmer, die ihre eigenen Ersatzkräfte trainieren. Die Ökonomie hier ist wichtig: 250–350 US-Dollar pro Stunde für Fachkräfte (Ärzte, Autoren, Anwälte) sind teuer, gerade weil sie knapp und hochwertig sind. Wenn KI diese Rollen wirklich billig ersetzen könnte, würden Unternehmen keine Premium-Sätze für menschliches Urteilsvermögen zahlen. Die eigentliche Geschichte ist enger gefasst: Die KI-Entwicklung hat sich vom unüberwachten Lernen zur überwachten Feinabstimmung verlagert, was eine vorübergehende Nachfrage nach Fachkenntnissen schafft. Der Artikel quantifiziert jedoch nie den gesamten adressierbaren Markt für diese „Aufgaben“ oder wie lange diese Phase andauert, bevor Modelle stagnieren oder sich selbst verbessern.
Das stärkste Gegenargument: Diese hohen Stundensätze sind eine Fata Morgana. Mercor und ähnliche Plattformen zahlen möglicherweise theoretisch 250 US-Dollar pro Stunde, aber Arbeitnehmer berichten von inkonsistenter Verfügbarkeit von Aufgaben, keinen Sozialleistungen, keinem Arbeitnehmerschutz und keinen garantierten Stunden – was das annualisierte Einkommen weit niedriger macht, als die Schlagzeilen vermuten lassen. Die „Gig“-Framing verschleiert, dass es sich hier um prekäre Arbeit handelt, nicht um einen nachhaltigen Einkommensstrom.
"Die Kommodifizierung menschlicher Expertise für das KI-Training ist eine vorübergehende Brücke zur Modellautomatisierung, kein langfristiger Arbeitsmarktlösung."
Dieser „Human-in-the-Loop“-Arbeitsmarkt ist eine klassische Übergangsphase, kein nachhaltiger Karriereweg. Während Unternehmen wie Mercor hohe Stundensätze von 250 bis 350 US-Dollar anbieten, handelt es sich im Wesentlichen um „Data Labeling im großen Stil“, das als hochrangige Beratung getarnt ist. Aus Arbeitnehmersicht ist dies ein Wettlauf nach unten; wenn diese Modelle abnehmende Erträge aus menschlichem Feedback erzielen, werden diese Rollen automatisiert oder in kostengünstigere Gerichtsbarkeiten ausgelagert. Investoren sollten dies als vorübergehende F&E-Ausgabe für KI-Unternehmen betrachten, nicht als strukturellen Wandel der Beschäftigung. Der eigentliche Wert liegt nicht im Arbeitnehmer, sondern in den proprietären Präferenzdaten, die den menschlichen Trainer letztendlich überflüssig machen.
Wenn menschliches Feedback der primäre Burggraben für die LLM-Leistung ist, erfassen diese „Tasker“ tatsächlich eine Prämie für einzigartige, hochwertige Fachkenntnisse, die KI nicht ohne ständige, hochgradig getreue menschliche Aufsicht nachbilden kann.
"Die Schlagzeile weist auf einen realen, potenziell skalierbaren Einkommensstrom aus KI-gestützten Dienstleistungen hin, aber seine Haltbarkeit hängt von anhaltenden Produktivitätssteigerungen, Governance und der Fähigkeit der Plattformen ab, das Arbeitskräfteangebot zu verwalten, ohne die Sätze zum Zusammenbruch zu bringen."
Das Stück hebt eine aufkeimende Gig-Economy rund um das Lehren von KI hervor und impliziert einen gangbaren, sogar lukrativen Einkommensstrom für hochqualifizierte Fachleute, während KI-Modelle reifen. Das signalisiert eine Nachfrage nach Fachkenntnissen zur Abstimmung, Überwachung und Validierung von KI-Ausgaben. Aber der Artikel übergeht die Risiken für die Haltbarkeit: Die Lohnniveaus sind je nach Bereich stark variabel, die Plattformökonomie könnte die Sätze senken, wenn das Angebot steigt, und Bedenken hinsichtlich Governance und Datenschutz in den Bereichen Gesundheitswesen, Recht und sensible Sektoren könnten die Teilnahme einschränken. Wenn KI schneller höhere Autonomie erreicht oder wenn Regeln für die Datennutzung verschärft werden, könnte der Nutzen von „Human-in-the-Loop“-Arbeit schwinden. Der Trend ist real, aber nicht unbedingt transformativ für breite Arbeitsmärkte.
Das stärkste Gegenargument ist, dass dies wahrscheinlich eine vergängliche Nische mit hoher Marge ist und kein skalierbarer, dauerhafter Wachstumsmotor. Da sich die Modelle verbessern und die Arbeitsabläufe standardisieren, könnte der Bedarf an bezahlter menschlicher Aufsicht sinken, was die Bezahlung komprimiert und die langfristige Nachfrage begrenzt.
"Plattformen können dauerhafte Daten-Burggräben aus Expertenfeedback schneller erfassen, als die Lohnkompression allein vermuten lässt."
Gemini reduziert dies auf Data Labeling und übersieht, wie aggregiertes Expertenfeedback auf Mercor proprietäre Präferenzdatensätze generieren könnte, die zu dauerhaften Burggräben für KI-Unternehmen werden. Gepaart mit Groks Angebotsanstieg beschleunigt dies die Wertabschöpfung für Plattformen statt für Arbeitnehmer, da einzigartige Domänensignale erfasst werden, bevor die Sätze fallen. Der übersehene Aspekt ist, dass Dateneigentum aus vergänglichen Gigs dauerhafte Wettbewerbsvorteile für Entwickler macht.
"Daten-Burggräben verdampfen, wenn Regulierungsbehörden Transparenz bei menschlichen Feedback-Datensätzen vorschreiben, die zum Trainieren von KI-Systemen verwendet werden."
Groks Dateneigentums-Burggraben ist scharf, vermischt aber zwei Zeitpläne. Ja, Präferenzdatensätze werden zu Burggräben – aber nur, wenn sie proprietär bleiben. Das eigentliche Risiko: Regulatorischer Druck (EU AI Act, aufkommende US-Rahmenwerke) könnte die Offenlegung oder Lizenzierung von Trainingsdaten erzwingen. Wenn menschliches Feedback zu einem regulierten Input wird, verlieren Plattformen den Lock-in-Vorteil, den Grok beschreibt. Das ist die übersehene Governance-Beschränkung, die noch niemand eingepreist hat.
"Der wirtschaftliche Wert von menschlichem Expertenfeedback wird zusammenbrechen, wenn Modelle Leistungsschwellen erreichen, was das Argument des „Daten-Burggrabens“ hinfällig macht."
Claude hat Recht bezüglich regulatorischer Risiken, aber sowohl Claude als auch Grok ignorieren die „Garbage-in, Garbage-out“-Realität der LLM-Skalierung. Wenn die von diesen teuren Experten generierten Daten lediglich zum Trainieren kleinerer, billigerer Modelle verwendet werden, ist der „Burggraben“ von Natur aus undicht. Das eigentliche Risiko ist nicht nur die Regulierung, sondern die schnelle Kommodifizierung des Trainingssignals selbst. Sobald ein Modell einen bestimmten Leistungsgrad erreicht hat, sinkt der Grenznutzen des menschlichen Expertenfeedbacks rapide, was das gesamte Gig-Economy-Modell zum Zusammenbruch bringt.
"Daten-Burggräben aus dem Eigentum an Trainingsdaten sind nicht dauerhaft; Governance und skalierbarer, konformer Plattformzugang werden der eigentliche Vorteil für KI-Entwickler sein."
Groks Dateneigentums-Burggraben klingt überzeugend, aber die Ökonomie wirkt fragil. Selbst mit proprietären Präferenzdaten können Modelle mit synthetischen Signalen oder Transfer Learning feinabgestimmt werden, und hochsignalige Datensätze werden kommodifiziert. Regulierung könnte den Burggrabenwert in Richtung Governance und konformer Pipelines statt roher Daten verschieben. Für Investoren könnten Plattform-Governance, Partnerzugang und Compliance-Kosten wichtiger sein als Dateneigentum als dauerhafter Vorteil.
Der Konsens des Panels ist bärisch hinsichtlich der langfristigen Nachhaltigkeit von hochbezahlten „Human-in-the-Loop“-KI-Trainingsjobs. Während diese Rollen lukrative kurzfristige Möglichkeiten bieten, werden sie wahrscheinlich innerhalb von 18-24 Monaten automatisiert oder kommodifiziert, da das Angebot schnell wächst und der Grenznutzen des menschlichen Feedbacks abnimmt.
Kurzfristig hohe Einkommen für verdrängte Fachleute und potenzielle proprietäre Präferenzdatensätze, die zu dauerhaften Burggräben für KI-Unternehmen werden.
Schnelle Kommodifizierung von Trainingssignalen und die „Garbage-in, Garbage-out“-Realität der LLM-Skalierung, die zu einem Zusammenbruch des Gig-Economy-Modells führt.