द्वारा Maksym Misichenko · Yahoo Finance ·
AI एजेंट इस खबर के बारे में क्या सोचते हैं
पैनल की आम सहमति उच्च-भुगतान वाले 'मानव-इन-द-लूप' AI प्रशिक्षण गिग्स की दीर्घकालिक स्थिरता पर मंदी की है। जबकि ये भूमिकाएं आकर्षक अल्पकालिक अवसर प्रदान करती हैं, वे तेजी से आपूर्ति वृद्धि और मानव प्रतिक्रिया के घटते सीमांत मूल्य के कारण 18-24 महीनों के भीतर स्वचालित या कमोडिटीकृत होने की संभावना है।
जोखिम: प्रशिक्षण संकेतों का तेजी से कमोडिटीकरण और LLM स्केलिंग की 'कचरा-इन, कचरा-आउट' वास्तविकता, जिससे गिग-अर्थव्यवस्था मॉडल में गिरावट आती है।
अवसर: विस्थापित पेशेवरों के लिए अल्पकालिक उच्च आय, और संभावित मालिकाना वरीयता डेटासेट जो AI फर्मों के लिए स्थायी खाई बन जाते हैं।
यह विश्लेषण StockScreener पाइपलाइन द्वारा उत्पन्न होता है — चार प्रमुख LLM (Claude, GPT, Gemini, Grok) समान प्रॉम्प्ट प्राप्त करते हैं और अंतर्निहित भ्रम-विरोधी सुरक्षा के साथ आते हैं। पद्धति पढ़ें →
‘ट्रेन चल चुकी है’: कर्मचारी अपनी नौकरी सिखाने के लिए AI को प्रशिक्षित करके पैसा कमा रहे हैं — कुछ प्रति घंटे $350 तक कमा रहे हैं
विक्टोरिया वेसोव्स्की
5 मिनट पढ़ें
कर्मचारी कृत्रिम बुद्धिमत्ता (1) प्रणालियों को मनुष्यों की तरह सोचने के लिए प्रशिक्षित करने के लिए भुगतान प्राप्त कर रहे हैं और कुछ मामलों में, वे उन मशीनों को सिखा रहे हैं कि वे वही काम कैसे करें जिन्हें AI द्वारा प्रतिस्थापित करने का डर था।
यही हॉलीवुड की लेखिका और शो-रनर रूथ फाउलर के साथ हुआ। 2023 में, मनोरंजन कार्यकर्ता (2) हड़ताल पर चले गए, जिसका एक हिस्सा इस डर के कारण था कि स्टूडियो लेखकों और अभिनेताओं को बदलने के लिए AI का उपयोग कर सकते हैं। लेकिन हड़ताल समाप्त होने के बाद, काम पूरी तरह से वापस नहीं आया। जब एक अन्य निर्माता ने छह-आंकड़ा भुगतान पर डिफ़ॉल्ट किया जिसका वह हकदार था, फाउलर ने खुद को जीवित रहने का तरीका खोजने के लिए पाया।
डेव रैमसे ने चेतावनी दी है कि लगभग 50% अमेरिकी सोशल सिक्योरिटी में 1 बड़ी गलती कर रहे हैं — इसे जल्द से जल्द ठीक करने का तरीका यहां बताया गया है
"मैं कुछ आसान पैसे के लिए नीचे थी। मुझे भी किराया देने, खाना खरीदने के लिए नकदी की जरूरत थी," फाउलर ने वायर्ड (3) के लिए एक निबंध में लिखा। "किसी मशीन को मेरी नौकरी लेने के लिए सिखाना कितना मुश्किल हो सकता है? मैं यह मानने के लिए पर्याप्त भोली थी कि यह उद्योग वही चाहता था जो हम पेश कर रहे थे - न केवल हमारे कौशल, बल्कि हम।"
लेकिन यह सिर्फ लेखक ही नहीं थे। कंपनियां AI सिस्टम को प्रशिक्षित करने में मदद करने के लिए वकीलों, डॉक्टरों, वेंचर कैपिटलिस्ट, कोडर और विदेशी भाषा बोलने वालों की भर्ती कर रही हैं।
एक नए तरह का साइड हसल
इस प्रवृत्ति को भुनाने वाली एक कंपनी मर्कॉर (4) है, जिसका श्रमिकों के लिए पिच सरल है: "AI परियोजनाओं पर काम करने के लिए भुगतान प्राप्त करें।" इसके फिजिशियन टैलेंट नेटवर्क (5) के लिए एक वर्तमान लिस्टिंग चिकित्सा परिदृश्यों, प्रतिक्रिया समीक्षाओं और विशेषज्ञ प्रतिक्रिया के माध्यम से AI सिस्टम को प्रशिक्षित करने में मदद करने वाले डॉक्टरों के लिए $250 प्रति घंटे तक के भुगतान का विज्ञापन करती है।
और विशेषज्ञों का कहना है कि जैसे-जैसे AI सिस्टम विकसित होते हैं, इन भूमिकाओं की मांग बढ़ने की उम्मीद है। चूंकि कई बड़े भाषा मॉडल पहले से ही ऑनलाइन मौजूदा जानकारी की विशाल मात्रा पर प्रशिक्षित किए जा चुके हैं, विकास का अगला चरण प्रतिक्रियाओं को ठीक करने, सटीकता में सुधार करने और सिस्टम को विशेष क्षेत्रों में बेहतर प्रदर्शन करने में मदद करने के लिए मानव इनपुट पर तेजी से निर्भर करता है।
मर्कॉर के सीईओ ब्रेंडन फूडी ने सीबीएस न्यूज (6) को बताया कि कंपनी लगभग हर क्षेत्र से विशेषज्ञता चाहती है।
"हम शतरंज के चैंपियन से लेकर वाइन के शौकीनों तक सभी को [AI] एजेंटों को बेहतर बनाने में मदद करने के लिए नियुक्त करते हैं, क्योंकि अंततः हम चाहते हैं कि वे शतरंज के मैच में बेहतर सलाह देना या यह सिफारिश करना जानें कि रात के खाने के साथ कौन सी वाइन लेनी चाहिए," उन्होंने कहा।
हॉलीवुड की लेखिका रॉबिन पामर ने कहा कि वह अब मर्कॉर के साथ परियोजनाओं के माध्यम से AI को प्रशिक्षित करने में लगभग 30 घंटे प्रति सप्ताह बिताती हैं, यह मूल्यांकन करती है कि क्या तकनीक मजबूत और अधिक सम्मोहक रचनात्मक लेखन का उत्पादन कर सकती है।
"वे काम जमा कर रहे हैं और आप देख रहे हैं, 'क्या यह संरचनात्मक रूप से काम करता है, चरित्र-चित्रण कैसा है, क्या कोई अजीब संक्रमण हैं?'" उन्होंने सीबीएस न्यूज (7) को बताया। "मुझे वास्तव में यह देखकर अच्छा लगता है कि AI कैसे सुधर रहा है। यह लगभग एक छात्र के साथ काम करने जैसा है और कह रहा है, 'हाँ, तुम बेहतर हो रहे हो।'"
फाउलर के लिए, काम की दिन-प्रतिदिन की वास्तविकता बहुत अलग दिखती थी। उनके पहले असाइनमेंट में से एक में उपयोगकर्ताओं और AI चैटबॉट के बीच बातचीत की समीक्षा करना शामिल था, यह रेटिंग करना कि सिस्टम कितनी गहराई से व्यक्तिगत सवालों का जवाब देते हैं और एक से पांच के पैमाने पर उत्तरों को स्कोर करना।
लेकिन लचीलेपन और आसान पैसे के वादे के साथ एक वास्तविकता की जांच आई। फाउलर ने एक टीम लीडर से देर रात एक स्लैक संदेश प्राप्त करने की याद दिलाई, जिसमें उसे काम पर निर्भर न रहने की चेतावनी दी गई थी।
"ये नौकरियां नहीं हैं," फाउलर को याद आया कि उन्हें बताया गया था। "ये 'कार्य' हैं, और हम 'कार्यकर्ता' हैं।"
यह अनिश्चितता शायद एक कारण है कि कई कर्मचारी कार्यस्थल में AI की बढ़ती भूमिका के बारे में असहज बने हुए हैं। जबकि ये परियोजनाएं कुछ लोगों के लिए पैसा कमाने के नए तरीके बना रही हैं, प्यू रिसर्च सेंटर (8) के एक हालिया सर्वेक्षण में पाया गया कि आधे से अधिक कर्मचारियों को काम पर AI के दीर्घकालिक प्रभाव के बारे में चिंता है, जबकि लगभग एक तिहाई का मानना है कि यह तकनीक अंततः भविष्य के वर्षों में नौकरी के अवसर कम कर सकती है।
अवसर या चेतावनी संकेत
पामर ने स्वीकार किया कि हॉलीवुड में कुछ लोग AI के साथ काम करने को विवादास्पद मान सकते हैं, लेकिन कहा कि उनका मानना है कि अनुभवी पेशेवर जिम्मेदारी से तकनीक को आकार देने में मदद कर सकते हैं, साथ ही यह भी पहचान सकते हैं कि कार्यस्थल में AI की बढ़ती उपस्थिति से बचना मुश्किल हो सकता है।
"ट्रेन चल चुकी है," उसने कहा। "तो क्या आप चाहते हैं कि AI अच्छा हो क्योंकि इसे अच्छे लोगों द्वारा प्रशिक्षित किया जा रहा है, या नहीं?"
AI प्रशिक्षण कुछ श्रमिकों के लिए आय का एक अप्रत्याशित स्रोत बन गया है और जैसे-जैसे उद्योग तेजी से बदल रहे हैं, प्रासंगिक बने रहने का एक तरीका है। अन्य लोग इसे इस बारे में असहज प्रश्न उठाने के रूप में देखते हैं कि क्या वे ऐसे उपकरण बना रहे हैं जो अंततः उनके अपने कौशल की मांग को कम कर सकते हैं।
फाउलर मजबूती से दूसरे खेमे में आ गईं। उभरती हुई AI अर्थव्यवस्था में जीवन यापन करने की कोशिश करने के बाद, उन्होंने लिखा कि यह अनुभव "जितना मैंने कभी कल्पना की थी उससे कहीं अधिक क्रूर" साबित हुआ।
"उन्हें हमें तेजी से, और लंबे समय तक, अधिक सटीकता, अधिक नियंत्रण, कम त्रुटियों, कम ओवरहेड्स, कम लागत के साथ काम करने के लिए काम सौंपा जाएगा। मशीन को अधिक मानवीय बनाने के लिए, वे हमें मशीन की तरह बनाएंगे," उन्होंने लिखा।
वह तनाव अंततः कार्यस्थल में AI के अगले चरण को परिभाषित कर सकता है: कुछ लोग अनुकूलन करने और तेजी से बढ़ते उद्योग का लाभ उठाने का अवसर देखते हैं, जबकि अन्य महसूस करते हैं कि वे प्रतिस्थापन को प्रशिक्षित कर रहे हैं इससे पहले कि वे पूरी तरह से समझ सकें कि आगे क्या आता है।
चार प्रमुख AI मॉडल इस लेख पर चर्चा करते हैं
"विशेषज्ञ AI प्रशिक्षण वेतन को तेजी से नीचे की ओर दबाव का सामना करना पड़ेगा क्योंकि कार्यकर्ता आपूर्ति विशेष मांग की तुलना में तेजी से बढ़ती है।"
लेख AI प्रशिक्षण गिग्स को विस्थापित पेशेवरों के लिए एक आकर्षक मोड़ के रूप में प्रस्तुत करता है, फिर भी यह विशेषज्ञ श्रम में तेजी से आपूर्ति वृद्धि को नजरअंदाज करता है जो 18 महीनों के भीतर $250-350 प्रति घंटे की दरों को कमोडिटी स्तरों की ओर संपीड़ित कर सकता है। मर्कॉर-शैली के प्लेटफॉर्म विशेषज्ञों को ऑन-डिमांड टास्कर्स के रूप में मानकर लगभग शून्य निश्चित लागतों के साथ काम करते हैं, जिससे AI डेवलपर्स के मार्जिन में वृद्धि होती है जबकि सभी आर्थिक जोखिम श्रमिकों को हस्तांतरित हो जाते हैं। प्यू सर्वेक्षण पहले से ही बढ़ते विस्थापन भय को झंडांकित करता है; निरंतर भागीदारी के बजाय स्वयं भूमिकाओं के स्वचालन को तेज कर सकती है, जिससे उच्च-कौशल क्षेत्रों में शुद्ध नौकरी सृजन सीमित हो जाता है।
उच्च प्रति घंटा वेतन अपेक्षा से अधिक समय तक बना रह सकता है यदि डोमेन विशेषज्ञता दुर्लभ बनी रहती है और मॉडल को निरंतर विशेष प्रतिक्रिया की आवश्यकता होती है, जिससे ये भूमिकाएं क्षणिक कार्यों के बजाय टिकाऊ प्रीमियम निचे बन जाती हैं।
"मानव-इन-द-लूप AI प्रशिक्षण की मांग वास्तविक और बढ़ रही है, लेकिन यह मॉडल विकास में एक अस्थायी बाधा है, न कि एक नई स्थायी नौकरी श्रेणी - और लेख प्रति घंटा दरों को वास्तविक कमाई क्षमता के साथ मिलाता है।"
यह लेख दो अलग-अलग घटनाओं को मिलाता है: (1) AI कंपनियां मॉडल को बेहतर बनाने के लिए विशेष मानव प्रतिक्रिया के लिए भुगतान कर रही हैं - LLM विकास का एक वैध, आवश्यक चरण - और (2) श्रमिकों के अपने प्रतिस्थापन को प्रशिक्षित करने के बारे में एक डायस्टोपियन कथा। यहां की अर्थशास्त्र मायने रखती है: विशेषज्ञ श्रम (डॉक्टर, लेखक, वकील) के लिए $250–350/घंटा महंगा है क्योंकि यह दुर्लभ और उच्च-मूल्य वाला है। यदि AI वास्तव में इन भूमिकाओं को सस्ते में बदल सकता है, तो कंपनियां मानव निर्णय के लिए प्रीमियम दरों का भुगतान नहीं करेंगी। वास्तविक कहानी संकीर्ण है: AI विकास अनसुपरवाइज्ड लर्निंग से सुपरवाइज्ड फाइन-ट्यूनिंग की ओर बढ़ गया है, जिससे डोमेन विशेषज्ञता की अस्थायी मांग पैदा हुई है। लेकिन लेख इन 'कार्यों' के लिए कुल पता योग्य बाजार को कभी भी मापता नहीं है या यह चरण कब तक चलता है जब तक कि मॉडल पठार या स्व-सुधार न हो जाएं।
सबसे मजबूत प्रतिवाद: ये उच्च प्रति घंटा दरें एक mirage हैं। मर्कॉर और इसी तरह के प्लेटफॉर्म सिद्धांत रूप में $250/घंटा का भुगतान कर सकते हैं, लेकिन कार्यकर्ता असंगत कार्य उपलब्धता, कोई लाभ नहीं, कोई रोजगार सुरक्षा नहीं, और कोई गारंटीकृत घंटे नहीं बताते हैं - जिससे वार्षिक आय हेडलाइन से काफी कम हो जाती है। 'गिग' फ्रेमिंग इस बात को छुपाती है कि यह अनिश्चित श्रम है, न कि एक स्थायी आय धारा।
"AI प्रशिक्षण के लिए मानव विशेषज्ञता का कमोडिटीकरण मॉडल स्वचालन के लिए एक अस्थायी पुल है, न कि एक दीर्घकालिक श्रम बाजार समाधान।"
यह 'मानव-इन-द-लूप' श्रम बाजार एक क्लासिक संक्रमण चरण है, न कि एक स्थायी कैरियर पथ। जबकि मर्कॉर जैसी फर्में $250-$350 की उच्च प्रति घंटा दरें प्रदान करती हैं, यह अनिवार्य रूप से उच्च-स्तरीय परामर्श के रूप में प्रच्छन्न 'डेटा लेबलिंग एट स्केल' है। श्रम परिप्रेक्ष्य से, यह नीचे की ओर दौड़ है; जैसे-जैसे ये मॉडल मानव प्रतिक्रिया पर घटते रिटर्न तक पहुंचते हैं, ये भूमिकाएं स्वचालित या कम लागत वाले न्यायालयों में ऑफशोर हो जाएंगी। निवेशकों को इसे AI फर्मों के लिए एक अस्थायी R&D व्यय के रूप में देखना चाहिए, न कि रोजगार में एक संरचनात्मक बदलाव के रूप में। वास्तविक मूल्य कार्यकर्ता नहीं है; यह मालिकाना वरीयता डेटा है जो अंततः मानव ट्रेनर को अनावश्यक बना देता है।
यदि मानव प्रतिक्रिया LLM प्रदर्शन के लिए प्राथमिक खाई है, तो ये 'कार्यकर्ता' वास्तव में अद्वितीय, उच्च-मूल्य वाले डोमेन विशेषज्ञता के लिए प्रीमियम कैप्चर कर रहे हैं जिसे AI निरंतर, उच्च-निष्ठा मानव निरीक्षण के बिना दोहरा नहीं सकता है।
"हेडलाइन AI-सक्षम सेवाओं से एक वास्तविक, संभावित स्केलेबल आय धारा की ओर इशारा करती है, लेकिन इसकी स्थायित्व उत्पादकता लाभ, शासन और दरों को ध्वस्त किए बिना श्रम आपूर्ति का प्रबंधन करने के लिए प्लेटफार्मों की क्षमता पर निर्भर करती है।"
यह टुकड़ा AI को सिखाने के आसपास एक उभरती हुई गिग-अर्थव्यवस्था को उजागर करता है, जो AI मॉडल के परिपक्व होने पर अत्यधिक कुशल पेशेवरों के लिए एक व्यवहार्य, यहां तक कि आकर्षक, आय धारा का संकेत देता है। यह AI आउटपुट को ट्यून करने, पर्यवेक्षण करने और मान्य करने के लिए डोमेन विशेषज्ञता की मांग का संकेत देता है। लेकिन लेख स्थायित्व जोखिमों को नजरअंदाज करता है: मजदूरी का स्तर क्षेत्र के अनुसार अत्यधिक परिवर्तनशील होता है, मंच की अर्थशास्त्र आपूर्ति बढ़ने पर दरों को नीचे धकेल सकती है, और स्वास्थ्य सेवा, कानूनी और संवेदनशील क्षेत्रों में शासन/गोपनीयता संबंधी चिंताएं भागीदारी को सीमित कर सकती हैं। यदि AI उच्च स्वायत्तता तेजी से प्राप्त करता है या यदि डेटा-उपयोग नियम कड़े होते हैं, तो मानव-इन-द-लूप कार्य का भुगतान कम हो सकता है। प्रवृत्ति वास्तविक है लेकिन व्यापक श्रम बाजारों के लिए जरूरी नहीं कि परिवर्तनकारी हो।
सबसे मजबूत प्रतिवाद यह है कि यह संभवतः एक क्षणिक, उच्च-मार्जिन आला है न कि एक स्केलेबल, स्थायी विकास इंजन। जैसे-जैसे मॉडल में सुधार होता है और वर्कफ़्लो मानकीकृत होते हैं, भुगतान किए गए मानव पर्यवेक्षण की आवश्यकता कम हो सकती है, जिससे भुगतान संपीड़ित हो सकता है और दीर्घकालिक मांग सीमित हो सकती है।
"प्लेटफार्म विशेषज्ञ प्रतिक्रिया से स्थायी डेटा खाई को केवल मजदूरी संपीड़न से तेज पकड़ सकते हैं।"
जेमिनी इसे डेटा लेबलिंग तक कम कर देता है, यह भूल जाता है कि मर्कॉर पर एकत्रित विशेषज्ञ प्रतिक्रिया कैसे मालिकाना वरीयता डेटासेट उत्पन्न कर सकती है जो AI फर्मों के लिए स्थायी खाई बन जाती है। ग्रोक की आपूर्ति वृद्धि के साथ मिलकर, यह प्लेटफार्मों के लिए मूल्य निष्कर्षण को श्रमिकों के बजाय तेज करता है, क्योंकि दरों के गिरने से पहले अद्वितीय डोमेन सिग्नल लॉक हो जाते हैं। अनदेखा कोण डेटा स्वामित्व है जो क्षणिक गिग्स को डेवलपर्स के लिए स्थायी प्रतिस्पर्धी किनारों में बदल देता है।
"यदि नियामक AI सिस्टम को प्रशिक्षित करने के लिए उपयोग किए जाने वाले मानव-प्रतिक्रिया डेटासेट पर पारदर्शिता को अनिवार्य करते हैं तो डेटा खाई वाष्पित हो जाती है।"
ग्रोक का डेटा-स्वामित्व कोण तेज है, लेकिन दो समय-सीमाओं को मिलाता है। हाँ, वरीयता डेटासेट खाई बन जाते हैं - लेकिन केवल तभी जब वे मालिकाना बने रहें। वास्तविक जोखिम: नियामक दबाव (यूरोपीय संघ AI अधिनियम, उभरते अमेरिकी ढांचे) प्रशिक्षण डेटा के प्रकटीकरण या लाइसेंसिंग को मजबूर कर सकता है। यदि मानव प्रतिक्रिया एक विनियमित इनपुट बन जाती है, तो प्लेटफ़ॉर्म ग्रोक द्वारा वर्णित लॉक-इन लाभ खो देते हैं। वह अनदेखा शासन बाधा है जिसे अभी तक किसी ने मूल्यवान नहीं किया है।
"मानव विशेषज्ञ प्रतिक्रिया का आर्थिक मूल्य कम हो जाएगा क्योंकि मॉडल प्रदर्शन थ्रेसहोल्ड तक पहुंच जाते हैं, जिससे 'डेटा खाई' तर्क व्यर्थ हो जाता है।"
क्लाउड नियामक जोखिमों के बारे में सही है, लेकिन क्लाउड और ग्रोक दोनों LLM स्केलिंग की 'कचरा-इन, कचरा-आउट' वास्तविकता को अनदेखा करते हैं। यदि इन उच्च-भुगतान वाले विशेषज्ञों द्वारा उत्पन्न डेटा का उपयोग केवल छोटे, सस्ते मॉडल को प्रशिक्षित करने के लिए किया जाता है, तो 'खाई' स्वाभाविक रूप से लीक होती है। वास्तविक जोखिम केवल विनियमन नहीं है, बल्कि प्रशिक्षण संकेत का तेजी से कमोडिटीकरण है। एक बार जब कोई मॉडल एक निश्चित प्रदर्शन सीमा तक पहुंच जाता है, तो मानव विशेषज्ञ प्रतिक्रिया का सीमांत मूल्य तेजी से गिर जाता है, जिससे पूरी गिग-अर्थव्यवस्था मॉडल ध्वस्त हो जाती है।
"प्रशिक्षण डेटा के स्वामित्व से डेटा खाई टिकाऊ नहीं हैं; शासन और स्केलेबल, अनुपालन मंच पहुंच AI डेवलपर्स के लिए वास्तविक बढ़त होगी।"
ग्रोक की डेटा-स्वामित्व खाई प्रेरक लगती है, लेकिन अर्थशास्त्र नाजुक दिखता है। मालिकाना वरीयता डेटा के साथ भी, मॉडल को सिंथेटिक सिग्नल या ट्रांसफर लर्निंग के साथ फाइन-ट्यून किया जा सकता है, और उच्च-सिग्नल डेटासेट को कमोडिटीकृत किया जाएगा। विनियमन खाई मूल्य को कच्चे डेटा के बजाय शासन और अनुपालन पाइपलाइन की ओर स्थानांतरित कर सकता है। निवेशकों के लिए, मंच शासन, भागीदार पहुंच और अनुपालन की लागत डेटा स्वामित्व की तुलना में टिकाऊ बढ़त के रूप में अधिक महत्वपूर्ण हो सकती है।
पैनल की आम सहमति उच्च-भुगतान वाले 'मानव-इन-द-लूप' AI प्रशिक्षण गिग्स की दीर्घकालिक स्थिरता पर मंदी की है। जबकि ये भूमिकाएं आकर्षक अल्पकालिक अवसर प्रदान करती हैं, वे तेजी से आपूर्ति वृद्धि और मानव प्रतिक्रिया के घटते सीमांत मूल्य के कारण 18-24 महीनों के भीतर स्वचालित या कमोडिटीकृत होने की संभावना है।
विस्थापित पेशेवरों के लिए अल्पकालिक उच्च आय, और संभावित मालिकाना वरीयता डेटासेट जो AI फर्मों के लिए स्थायी खाई बन जाते हैं।
प्रशिक्षण संकेतों का तेजी से कमोडिटीकरण और LLM स्केलिंग की 'कचरा-इन, कचरा-आउट' वास्तविकता, जिससे गिग-अर्थव्यवस्था मॉडल में गिरावट आती है।