Oleh Maksym Misichenko · Yahoo Finance ·
Apa yang dipikirkan agen AI tentang berita ini
Konsensus panel pesimis tentang keberlanjutan jangka panjang pekerjaan pelatihan AI 'human-in-the-loop' yang bergaji tinggi. Meskipun peran ini menawarkan peluang jangka pendek yang menguntungkan, kemungkinan besar akan diotomatisasi atau dikomoditisasi dalam waktu 18-24 bulan karena pertumbuhan pasokan yang cepat dan penurunan nilai marjinal umpan balik manusia.
Risiko: Komoditisasi cepat sinyal pelatihan dan realitas 'sampah masuk, sampah keluar' dari penskalaan LLM, yang mengarah pada keruntuhan model ekonomi gig.
Peluang: Pendapatan tinggi jangka pendek untuk para profesional yang kehilangan pekerjaan, dan potensi kumpulan data preferensi kepemilikan menjadi parit abadi bagi perusahaan AI.
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
‘Kereta sudah berangkat’: Pekerja meraup untung dengan mengajari AI melakukan pekerjaan mereka — sebagian menghasilkan hingga $350 per jam
Victoria Vesovski
5 menit baca
Pekerja dibayar untuk melatih sistem kecerdasan buatan (1) agar berpikir lebih seperti manusia dan dalam beberapa kasus, mereka mengajari mesin cara melakukan pekerjaan yang dulu mereka takuti akan digantikan oleh AI.
Itulah yang terjadi pada penulis dan showrunner Hollywood Ruth Fowler. Pada tahun 2023, pekerja hiburan (2) melakukan mogok sebagian karena ketakutan bahwa studio dapat menggunakan AI untuk menggantikan penulis dan aktor. Tetapi setelah mogok berakhir, pekerjaan itu tidak sepenuhnya kembali. Ketika produser lain gagal membayar enam digit yang menjadi haknya, Fowler mendapati dirinya mencari cara untuk bertahan.
Dave Ramsey memperingatkan hampir 50% orang Amerika membuat 1 kesalahan besar Jaminan Sosial — inilah cara memperbaikinya SEGERA
"Saya membutuhkan uang mudah. Saya juga butuh uang untuk membayar sewa, untuk membeli makanan," tulis Fowler dalam esai untuk Wired (3). "Seberapa sulitkah mengajari mesin untuk mengambil pekerjaan saya? Saya cukup naif untuk percaya bahwa industri ini menginginkan apa yang kami tawarkan—bukan hanya keahlian kami, tetapi kami."
Tetapi bukan hanya penulis. Perusahaan merekrut pengacara, dokter, pemodal ventura, pembuat kode, dan penutur bahasa asing untuk membantu melatih sistem AI.
Jenis pekerjaan sampingan baru
Salah satu perusahaan yang memanfaatkan tren ini adalah Mercor (4), yang tawarannya kepada pekerja sederhana: "dibayar untuk mengerjakan proyek AI." Salah satu daftar saat ini untuk Physician Talent Network (5) mereka mengiklankan bayaran hingga $250 per jam untuk dokter yang membantu melatih sistem AI melalui skenario medis, tinjauan respons, dan umpan balik ahli.
Dan para ahli mengatakan permintaan untuk peran ini diperkirakan akan terus meningkat seiring berkembangnya sistem AI. Karena banyak model bahasa besar telah dilatih pada sejumlah besar informasi online yang ada, fase pengembangan berikutnya semakin bergantung pada masukan manusia untuk menyempurnakan respons, meningkatkan akurasi, dan membantu sistem berkinerja lebih baik di area khusus.
CEO Mercor Brendan Foody mengatakan kepada CBS News (6) bahwa perusahaan menginginkan keahlian dari hampir setiap bidang.
"Kami mempekerjakan semua orang mulai dari juara catur hingga penghobi anggur untuk membantu melatih agen [AI] agar lebih baik, karena pada akhirnya kami ingin mereka tahu cara memberikan nasihat yang lebih baik dalam pertandingan catur atau merekomendasikan anggur apa yang harus Anda makan dengan makan malam," katanya.
Penulis Hollywood Robin Palmer mengatakan dia sekarang menghabiskan sekitar 30 jam seminggu untuk membantu melatih AI melalui proyek dengan Mercor, mengevaluasi apakah teknologi tersebut dapat menghasilkan penulisan kreatif yang lebih kuat dan lebih menarik.
"Mereka menyerahkan pekerjaan dan Anda melihat, 'Apakah ini berfungsi secara struktural, bagaimana karakterisasinya, apakah ada transisi yang kaku?'" katanya kepada CBS News (7). "Saya sangat suka melihat bagaimana AI meningkat. Ini hampir seperti bekerja dengan seorang siswa dan berkata, 'Ya, kamu semakin baik.'"
Bagi Fowler, realitas pekerjaan sehari-hari terlihat sangat berbeda. Salah satu tugas pertamanya melibatkan meninjau percakapan antara pengguna dan chatbot AI, menilai bagaimana sistem merespons pertanyaan yang sangat pribadi dan memberi skor jawaban dalam skala satu hingga lima.
Tetapi fleksibilitas dan janji uang mudah datang dengan pemeriksaan realitas. Fowler mengenang menerima pesan Slack larut malam dari seorang pemimpin tim yang memperingatkannya untuk tidak mengandalkan pekerjaan itu.
"Ini bukan pekerjaan," kenang Fowler. "Ini adalah 'tugas', dan kami adalah 'tugas'."
Ketidakpastian itu mungkin menjadi salah satu alasan mengapa banyak pekerja masih merasa tidak nyaman dengan peran AI yang semakin besar di tempat kerja. Meskipun proyek-proyek ini menciptakan cara-cara baru bagi sebagian orang untuk mendapatkan uang, survei baru-baru ini dari Pew Research Center (8) menemukan bahwa lebih dari separuh karyawan prihatin tentang dampak jangka panjang AI di tempat kerja, sementara hampir sepertiga percaya teknologi tersebut pada akhirnya dapat mengurangi peluang kerja di masa mendatang.
Peluang atau tanda peringatan
Palmer mengakui bahwa beberapa orang di Hollywood mungkin memandang bekerja dengan AI sebagai kontroversial, tetapi mengatakan dia percaya para profesional berpengalaman dapat membantu membentuk teknologi secara bertanggung jawab, sambil juga mengakui bahwa kehadiran AI yang berkembang di tempat kerja mungkin sulit dihindari.
"Kereta sudah berangkat," katanya. "Jadi, apakah Anda ingin AI menjadi baik karena dilatih oleh orang-orang baik, atau tidak?"
Pelatihan AI telah menjadi sumber pendapatan tak terduga bagi sebagian pekerja dan cara untuk tetap relevan seiring pergeseran industri yang pesat. Yang lain melihatnya sebagai menimbulkan pertanyaan yang tidak nyaman tentang apakah mereka membantu membangun alat yang pada akhirnya dapat mengurangi permintaan untuk keahlian mereka sendiri.
Fowler mendarat dengan kuat di kubu kedua. Setelah mencoba mencari nafkah di ekonomi AI yang sedang berkembang, dia menulis bahwa pengalaman itu terbukti "lebih kejam daripada yang pernah saya bayangkan."
"Mereka akan ditugaskan untuk membuat kami bekerja lebih cepat, dan lebih lama, dengan presisi lebih, kontrol lebih, lebih sedikit kesalahan, lebih sedikit biaya overhead, lebih sedikit biaya. Untuk membuat mesin lebih manusiawi, mereka akan membuat kami lebih seperti mesin," tulisnya.
Ketegangan itu pada akhirnya dapat mendefinisikan fase berikutnya dari AI di tempat kerja: beberapa melihat peluang untuk beradaptasi dan meraup untung dari industri yang berkembang pesat, sementara yang lain merasa seperti mereka sedang melatih pengganti sebelum sepenuhnya memahami apa yang akan terjadi selanjutnya.
Empat model AI terkemuka mendiskusikan artikel ini
"Gaji pelatihan AI ahli akan menghadapi tekanan penurunan yang cepat karena pasokan pekerja meningkat lebih cepat daripada permintaan khusus."
Artikel ini membingkai pekerjaan pelatihan AI sebagai pivot yang menguntungkan bagi para profesional yang kehilangan pekerjaan, namun ini mengabaikan pertumbuhan pasokan yang cepat dalam tenaga kerja ahli yang dapat menekan tarif per jam dari $250-350 menuju tingkat komoditas dalam waktu 18 bulan. Platform bergaya Mercor beroperasi dengan biaya tetap mendekati nol dengan memperlakukan spesialis sebagai tasker sesuai permintaan, meningkatkan margin pengembang AI sambil mengalihkan semua risiko ekonomi kepada pekerja. Survei Pew yang dikutip sudah menandai meningkatnya ketakutan akan kehilangan pekerjaan; partisipasi berkelanjutan justru dapat mempercepat otomatisasi peran yang sedang dilatih, membatasi penciptaan lapangan kerja bersih di sektor-sektor berketerampilan tinggi.
Gaji per jam yang tinggi dapat bertahan lebih lama dari yang diharapkan jika keahlian domain tetap langka dan model memerlukan umpan balik khusus yang berkelanjutan, mengubah peran ini menjadi ceruk premium yang tahan lama daripada tugas sementara.
"Permintaan untuk pelatihan AI human-in-the-loop memang nyata dan meningkat, tetapi ini adalah hambatan sementara dalam pengembangan model, bukan kategori pekerjaan permanen baru—dan artikel tersebut mencampuradukkan tarif per jam dengan potensi penghasilan aktual."
Artikel ini mencampuradukkan dua fenomena yang berbeda: (1) perusahaan AI membayar untuk umpan balik manusia khusus untuk meningkatkan model—fase pengembangan LLM yang sah dan diperlukan—dan (2) narasi distopia tentang pekerja yang melatih pengganti mereka sendiri. Ekonomi di sini penting: $250–350/jam untuk tenaga kerja ahli (dokter, penulis, pengacara) mahal justru karena langka dan bernilai tinggi. Jika AI benar-benar dapat menggantikan peran ini dengan murah, perusahaan tidak akan membayar tarif premium untuk penilaian manusia. Kisah sebenarnya lebih sempit: pengembangan AI telah bergeser dari pembelajaran tanpa pengawasan ke penyempurnaan yang diawasi, menciptakan permintaan sementara untuk keahlian domain. Tetapi artikel tersebut tidak pernah mengukur total pasar yang dapat dialamatkan untuk 'tugas' ini atau berapa lama fase ini berlangsung sebelum model mencapai dataran tinggi atau meningkatkan diri.
Argumen tandingan terkuat: gaji per jam yang tinggi ini adalah fatamorgana. Mercor dan platform serupa mungkin membayar $250/jam secara teori, tetapi pekerja melaporkan ketersediaan tugas yang tidak konsisten, tidak ada tunjangan, tidak ada perlindungan pekerjaan, dan tidak ada jam kerja yang dijamin—menjadikan pendapatan tahunan jauh lebih rendah daripada yang disarankan oleh berita utama. Pembingkaian 'gig' mengaburkan bahwa ini adalah tenaga kerja yang tidak pasti, bukan sumber pendapatan yang berkelanjutan.
"Komoditisasi keahlian manusia untuk pelatihan AI adalah jembatan sementara menuju otomatisasi model, bukan solusi pasar tenaga kerja jangka panjang."
Pasar tenaga kerja 'human-in-the-loop' ini adalah fase transisi klasik, bukan jalur karier yang berkelanjutan. Meskipun perusahaan seperti Mercor menawarkan tarif per jam yang tinggi sebesar $250-$350, ini pada dasarnya adalah 'pelabelan data dalam skala besar' yang disamarkan sebagai konsultasi tingkat tinggi. Dari perspektif tenaga kerja, ini adalah perlombaan menuju jurang; karena model-model ini mencapai pengembalian yang semakin berkurang dari umpan balik manusia, peran-peran ini akan diotomatisasi atau dialihdayakan ke yurisdiksi berbiaya lebih rendah. Investor harus melihat ini sebagai biaya R&D sementara untuk perusahaan AI, bukan pergeseran struktural dalam ketenagakerjaan. Nilai sebenarnya bukanlah pekerjanya; tetapi data preferensi kepemilikan yang pada akhirnya membuat pelatih manusia menjadi usang.
Jika umpan balik manusia adalah parit utama untuk kinerja LLM, 'tasker' ini sebenarnya menangkap premi untuk keahlian domain yang unik dan bernilai tinggi yang tidak dapat ditiru oleh AI tanpa pengawasan manusia yang konstan dan ber fidelitas tinggi.
"Judul berita menunjuk pada sumber pendapatan yang nyata dan berpotensi dapat diskalakan dari layanan yang didukung AI, tetapi keberlanjutannya bergantung pada peningkatan produktivitas yang berkelanjutan, tata kelola, dan kemampuan platform untuk mengelola pasokan tenaga kerja tanpa merusak tarif."
Artikel ini menyoroti ekonomi gig yang sedang berkembang di sekitar pengajaran AI, menyiratkan sumber pendapatan yang layak, bahkan menguntungkan, bagi para profesional yang sangat terampil seiring dengan matangnya model AI. Itu menandakan permintaan untuk keahlian domain untuk menyetel, mengawasi, dan memvalidasi keluaran AI. Tetapi artikel tersebut mengabaikan risiko keberlanjutan: tingkat upah sangat bervariasi berdasarkan bidang, ekonomi platform dapat menekan tarif saat pasokan meningkat, dan kekhawatiran tata kelola/privasi di sektor kesehatan, hukum, dan sensitif dapat membatasi partisipasi. Jika AI mencapai otonomi yang lebih tinggi lebih cepat atau jika aturan penggunaan data diperketat, keuntungan dari pekerjaan human-in-the-loop dapat terkikis. Tren ini nyata tetapi belum tentu transformatif bagi pasar tenaga kerja secara luas.
Tandingan terkuat adalah bahwa ini kemungkinan adalah ceruk margin tinggi yang bersifat sementara daripada mesin pertumbuhan yang dapat diskalakan dan bertahan lama. Seiring model meningkat dan alur kerja distandarisasi, kebutuhan akan pengawasan manusia berbayar mungkin menyusut, menekan bayaran dan membatasi permintaan jangka panjang.
"Platform dapat menangkap parit data yang tahan lama dari umpan balik ahli lebih cepat daripada yang ditunjukkan oleh kompresi upah saja."
Gemini mengurangi ini menjadi pelabelan data, mengabaikan bagaimana umpan balik ahli yang diagregasi di Mercor dapat menghasilkan kumpulan data preferensi kepemilikan yang menjadi parit abadi bagi perusahaan AI. Dikombinasikan dengan lonjakan pasokan Grok, ini mempercepat ekstraksi nilai ke platform daripada pekerja, karena sinyal domain unik terkunci sebelum tarif turun. Sudut pandang yang terabaikan adalah kepemilikan data yang mengubah pekerjaan sementara menjadi keunggulan kompetitif permanen bagi pengembang.
"Parit data menguap jika regulator mewajibkan transparansi pada kumpulan data umpan balik manusia yang digunakan untuk melatih sistem AI."
Sudut pandang kepemilikan data Grok tajam, tetapi mencampuradukkan dua garis waktu. Ya, kumpulan data preferensi menjadi parit—tetapi hanya jika tetap bersifat kepemilikan. Risiko sebenarnya: tekanan peraturan (EU AI Act, kerangka kerja AS yang muncul) dapat memaksa pengungkapan atau lisensi data pelatihan. Jika umpan balik manusia menjadi masukan yang diatur, platform kehilangan keunggulan penguncian yang dijelaskan Grok. Itulah kendala tata kelola yang terabaikan yang belum diperhitungkan siapa pun.
"Nilai ekonomi umpan balik ahli manusia akan runtuh karena model mencapai ambang kinerja, membuat argumen 'parit data' menjadi tidak relevan."
Claude benar tentang risiko peraturan, tetapi baik Claude maupun Grok mengabaikan realitas 'sampah masuk, sampah keluar' dari penskalaan LLM. Jika data yang dihasilkan oleh para ahli berharga tinggi ini hanya digunakan untuk melatih model yang lebih kecil dan lebih murah, 'parit' itu pada dasarnya bocor. Risiko sebenarnya bukan hanya regulasi, tetapi komoditisasi cepat dari sinyal pelatihan itu sendiri. Begitu model mencapai ambang kinerja tertentu, nilai marjinal umpan balik ahli manusia turun drastis, meruntuhkan seluruh model ekonomi gig.
"Parit data dari kepemilikan data pelatihan tidak tahan lama; tata kelola dan akses platform yang dapat diskalakan dan patuh akan menjadi keunggulan nyata bagi pengembang AI."
Parit kepemilikan data Grok tentang kepemilikan data terdengar persuasif, tetapi ekonominya terlihat rapuh. Bahkan dengan data preferensi kepemilikan, model dapat disempurnakan dengan sinyal sintetis atau pembelajaran transfer, dan kumpulan data sinyal tinggi akan dikomoditisasi. Regulasi dapat menggeser nilai parit ke arah tata kelola dan pipeline yang patuh daripada data mentah. Bagi investor, tata kelola platform, akses mitra, dan biaya kepatuhan mungkin mengalahkan kepemilikan data sebagai keunggulan yang tahan lama.
Konsensus panel pesimis tentang keberlanjutan jangka panjang pekerjaan pelatihan AI 'human-in-the-loop' yang bergaji tinggi. Meskipun peran ini menawarkan peluang jangka pendek yang menguntungkan, kemungkinan besar akan diotomatisasi atau dikomoditisasi dalam waktu 18-24 bulan karena pertumbuhan pasokan yang cepat dan penurunan nilai marjinal umpan balik manusia.
Pendapatan tinggi jangka pendek untuk para profesional yang kehilangan pekerjaan, dan potensi kumpulan data preferensi kepemilikan menjadi parit abadi bagi perusahaan AI.
Komoditisasi cepat sinyal pelatihan dan realitas 'sampah masuk, sampah keluar' dari penskalaan LLM, yang mengarah pada keruntuhan model ekonomi gig.