Di Maksym Misichenko · Yahoo Finance ·
Cosa pensano gli agenti AI di questa notizia
Il consenso del panel è ribassista sulla sostenibilità a lungo termine dei lavori di addestramento IA "human-in-the-loop" ad alta retribuzione. Sebbene questi ruoli offrano opportunità lucrative a breve termine, è probabile che vengano automatizzati o mercificati entro 18-24 mesi a causa della rapida crescita dell'offerta e del valore marginale decrescente del feedback umano.
Rischio: Rapida mercificazione dei segnali di addestramento e la realtà del "garbage-in, garbage-out" dello scaling degli LLM, che porta a un crollo del modello di gig-economy.
Opportunità: Alto reddito a breve termine per i professionisti sfollati e potenziali set di dati proprietari sulle preferenze che diventano fossati duraturi per le aziende di IA.
Questa analisi è generata dalla pipeline StockScreener — quattro LLM leader (Claude, GPT, Gemini, Grok) ricevono prompt identici con protezioni anti-allucinazione integrate. Leggi metodologia →
‘Il treno è partito’: i lavoratori incassano insegnando all'IA a fare il loro lavoro — alcuni guadagnano fino a $350 all'ora
Victoria Vesovski
5 min read
I lavoratori vengono pagati per addestrare sistemi di intelligenza artificiale (1) a pensare più come gli esseri umani e, in alcuni casi, stanno insegnando alle macchine a fare proprio i lavori che un tempo temevano che l'IA avrebbe sostituito.
Questo è successo alla sceneggiatrice e showrunner di Hollywood Ruth Fowler. Nel 2023, i lavoratori dell'intrattenimento (2) sono entrati in sciopero in parte per timori che gli studi potessero utilizzare l'IA per sostituire sceneggiatori e attori. Ma dopo la fine dello sciopero, il lavoro non è tornato completamente. Quando un altro produttore è venuto meno a un pagamento a sei cifre che le era dovuto, Fowler si è ritrovata a cercare un modo per rimanere a galla.
Dave Ramsey avverte che quasi il 50% degli americani sta commettendo 1 grande errore sulla Social Security — ecco come correggerlo al più presto
"Cercavo soldi facili. Anche io avevo bisogno di contanti per pagare l'affitto, per comprare cibo", ha scritto Fowler in un saggio per Wired (3). "Quanto poteva essere difficile insegnare a una macchina a prendere il mio lavoro? Ero abbastanza ingenua da credere che questo settore volesse ciò che avevamo da offrire, non solo le nostre competenze, ma noi stessi."
Ma non erano solo gli sceneggiatori. Le aziende reclutano avvocati, medici, venture capitalist, programmatori e persone che parlano lingue straniere per aiutare ad addestrare i sistemi di IA.
Un nuovo tipo di lavoretto secondario
Un'azienda che cavalca questa tendenza è Mercor (4), il cui messaggio ai lavoratori è semplice: "fatti pagare per lavorare su progetti di IA". Un annuncio attuale per il suo Physician Talent Network (5) pubblicizza una paga fino a $250 all'ora per i medici che aiutano ad addestrare i sistemi di IA attraverso scenari medici, revisioni delle risposte e feedback di esperti.
E gli esperti dicono che la domanda per questi ruoli dovrebbe solo aumentare man mano che i sistemi di IA si evolvono. Poiché molti modelli linguistici di grandi dimensioni sono già stati addestrati su enormi quantità di informazioni online esistenti, la prossima fase di sviluppo si basa sempre più sull'input umano per perfezionare le risposte, migliorare l'accuratezza e aiutare i sistemi a funzionare meglio in aree specializzate.
Il CEO di Mercor, Brendan Foody, ha dichiarato a CBS News (6) che l'azienda desidera competenze da quasi tutti i settori.
"Assumiamo tutti, dai campioni di scacchi agli appassionati di vino, per aiutare ad addestrare gli agenti [di IA] a essere migliori, perché alla fine vogliamo che sappiano come dare consigli migliori in una partita a scacchi o raccomandare quale vino abbinare alla cena", ha detto.
La sceneggiatrice di Hollywood Robin Palmer ha detto di dedicare ora circa 30 ore alla settimana ad aiutare ad addestrare l'IA attraverso progetti con Mercor, valutando se la tecnologia possa produrre una scrittura creativa più forte e convincente.
"Stanno consegnando il lavoro e tu guardi, 'Funziona strutturalmente, com'è la caratterizzazione, ci sono transizioni goffe?'", ha detto a CBS News (7). "Mi piace molto vedere come l'IA sta migliorando. È quasi come lavorare con uno studente e dire, 'Sì, stai migliorando'."
Per Fowler, la realtà quotidiana del lavoro era molto diversa. Uno dei suoi primi incarichi prevedeva la revisione delle conversazioni tra utenti e chatbot IA, valutando come i sistemi rispondevano a domande profondamente personali e assegnando un punteggio alle risposte su una scala da uno a cinque.
Ma la flessibilità e la promessa di soldi facili sono arrivate con una realtà dura. Fowler ha ricordato di aver ricevuto un messaggio Slack a tarda notte da un team leader che la avvertiva di non fare affidamento sul lavoro.
"Questi non sono lavori", ha ricordato Fowler di aver sentito. "Questi sono 'compiti', e noi siamo 'tasker'."
Questa incertezza potrebbe essere uno dei motivi per cui molti lavoratori rimangono a disagio riguardo al crescente ruolo dell'IA sul posto di lavoro. Sebbene questi progetti creino nuovi modi per alcune persone di guadagnare denaro, un recente sondaggio del Pew Research Center (8) ha rilevato che più della metà dei dipendenti è preoccupata per l'impatto a lungo termine dell'IA sul lavoro, mentre quasi un terzo ritiene che la tecnologia potrebbe eventualmente ridurre le opportunità di lavoro negli anni a venire.
Opportunità o segnale di avvertimento
Palmer ha riconosciuto che alcuni a Hollywood potrebbero considerare il lavoro con l'IA controverso, ma ha detto di credere che i professionisti esperti possano contribuire a plasmare la tecnologia in modo responsabile, pur riconoscendo che la crescente presenza dell'IA sul posto di lavoro potrebbe essere difficile da evitare.
"Il treno è partito", ha detto. "Quindi vuoi che l'IA sia buona perché viene addestrata da persone buone, o no?"
L'addestramento dell'IA è diventato un'inaspettata fonte di reddito per alcuni lavoratori e un modo per rimanere rilevanti mentre i settori cambiano rapidamente. Altri lo vedono come un sollevare domande scomode sul fatto che stiano aiutando a costruire strumenti che potrebbero eventualmente ridurre la domanda per le proprie competenze.
Fowler è finita saldamente nel secondo campo. Dopo aver cercato di guadagnarsi da vivere nella nascente economia dell'IA, ha scritto che l'esperienza si è rivelata "più crudele di quanto avrei mai potuto immaginare".
"Saranno incaricati di farci lavorare più velocemente, e più a lungo, con maggiore precisione, più controllo, meno errori, meno costi generali, meno costi. Per rendere la macchina più umana, ci renderanno più simili alla macchina", ha scritto.
Questa tensione potrebbe infine definire la prossima fase dell'IA sul posto di lavoro: alcuni vedono un'opportunità per adattarsi e incassare in un settore in rapida crescita, mentre altri sentono di addestrare un sostituto prima di comprendere appieno cosa succederà dopo.
Quattro modelli AI leader discutono questo articolo
"La paga per l'addestramento IA da parte di esperti subirà una rapida pressione al ribasso poiché l'offerta di lavoratori aumenta più velocemente della domanda specializzata."
L'articolo inquadra i lavori di addestramento IA come un redditizio punto di svolta per i professionisti sfollati, tuttavia ciò trascura la rapida crescita dell'offerta nel lavoro di esperti che potrebbe comprimere le tariffe orarie da $250-350 verso livelli di commodity entro 18 mesi. Le piattaforme in stile Mercor operano con costi fissi quasi nulli trattando gli specialisti come tasker on-demand, aumentando i margini degli sviluppatori di IA mentre trasferiscono tutto il rischio economico ai lavoratori. Il sondaggio Pew citato segnala già crescenti timori di sfollamento; la partecipazione sostenuta potrebbe invece accelerare l'automazione dei ruoli stessi che vengono addestrati, limitando la creazione netta di posti di lavoro nei settori ad alta specializzazione.
L'elevata paga oraria potrebbe persistere più a lungo del previsto se l'esperienza di dominio rimanesse scarsa e i modelli richiedessero un feedback specializzato continuo, trasformando questi ruoli in nicchie premium durature piuttosto che in compiti fugaci.
"La domanda di addestramento IA human-in-the-loop è reale e in crescita, ma è un collo di bottiglia temporaneo nello sviluppo dei modelli, non una nuova categoria di lavoro permanente — e l'articolo confonde le tariffe orarie con il potenziale di guadagno effettivo."
Questo articolo confonde due fenomeni distinti: (1) le aziende di IA che pagano per un feedback umano specializzato per migliorare i modelli — una fase legittima e necessaria dello sviluppo di LLM — e (2) una narrazione distopica sui lavoratori che addestrano i propri sostituti. L'economia qui conta: $250–350/ora per il lavoro di esperti (medici, scrittori, avvocati) è costoso proprio perché è scarso e di alto valore. Se l'IA potesse veramente sostituire questi ruoli a basso costo, le aziende non pagherebbero tariffe premium per il giudizio umano. La vera storia è più ristretta: lo sviluppo dell'IA è passato dall'apprendimento non supervisionato al fine-tuning supervisionato, creando una domanda temporanea di competenza di dominio. Ma l'articolo non quantifica il mercato totale indirizzabile per questi 'compiti' o quanto dura questa fase prima che i modelli raggiungano un plateau o si auto-migliorino.
L'argomentazione contraria più forte: queste alte tariffe orarie sono un miraggio. Mercor e piattaforme simili potrebbero pagare $250/ora in teoria, ma i lavoratori segnalano una disponibilità incoerente di compiti, nessun beneficio, nessuna protezione lavorativa e nessuna ora garantita — rendendo il reddito annualizzato molto inferiore a quanto suggeriscono i titoli. La definizione di 'gig' oscura il fatto che questo è un lavoro precario, non un flusso di reddito sostenibile.
"La mercificazione dell'esperienza umana per l'addestramento dell'IA è un ponte temporaneo verso l'automazione dei modelli, non una soluzione di mercato del lavoro a lungo termine."
Questo mercato del lavoro 'human-in-the-loop' è una classica fase di transizione, non un percorso di carriera sostenibile. Mentre aziende come Mercor offrono alte tariffe orarie di $250-$350, si tratta essenzialmente di 'etichettatura di dati su larga scala' mascherata da consulenza di alto livello. Dal punto di vista del lavoro, questa è una corsa al ribasso; man mano che questi modelli raggiungono rendimenti decrescenti dal feedback umano, questi ruoli saranno automatizzati o delocalizzati in giurisdizioni a basso costo. Gli investitori dovrebbero vederla come una spesa temporanea di R&S per le aziende di IA, non come un cambiamento strutturale nell'occupazione. Il vero valore non è il lavoratore; sono i dati proprietari sulle preferenze che alla fine rendono il formatore umano superfluo.
Se il feedback umano è il fossato primario per le prestazioni degli LLM, questi 'tasker' stanno effettivamente catturando un premio per competenze di dominio uniche e di alto valore che l'IA non può replicare senza una supervisione umana costante e ad alta fedeltà.
"Il titolo indica un flusso di reddito reale e potenzialmente scalabile dai servizi abilitati dall'IA, ma la sua durabilità dipende dai guadagni di produttività sostenuti, dalla governance e dalla capacità delle piattaforme di gestire l'offerta di lavoro senza far crollare le tariffe."
L'articolo evidenzia una nascente gig-economy legata all'insegnamento dell'IA, implicando un flusso di reddito vitale, persino redditizio, per professionisti altamente qualificati man mano che i modelli di IA maturano. Ciò segnala la domanda di competenza di dominio per ottimizzare, supervisionare e validare gli output dell'IA. Ma l'articolo sorvola sui rischi di durabilità: i livelli salariali sono altamente variabili per settore, l'economia delle piattaforme potrebbe abbassare le tariffe all'aumentare dell'offerta, e le preoccupazioni sulla governance/privacy in sanità, nel settore legale e nei settori sensibili potrebbero limitare la partecipazione. Se l'IA raggiungesse un'autonomia più elevata più velocemente o se le regole sull'uso dei dati si inasprissero, il ritorno del lavoro human-in-the-loop potrebbe erodersi. La tendenza è reale ma non necessariamente trasformativa per i mercati del lavoro in generale.
L'argomentazione contraria più forte è che questa è probabilmente una nicchia transitoria ad alto margine piuttosto che un motore di crescita scalabile e duraturo. Man mano che i modelli migliorano e i flussi di lavoro si standardizzano, la necessità di supervisione umana retribuita potrebbe ridursi, comprimendo i compensi e limitando la domanda a lungo termine.
"Le piattaforme possono catturare fossati di dati duraturi dal feedback di esperti più velocemente di quanto suggerisca la sola compressione salariale."
Gemini riduce tutto a etichettatura di dati, trascurando come il feedback aggregato di esperti su Mercor possa generare set di dati proprietari sulle preferenze che diventano fossati duraturi per le aziende di IA. Combinato con l'aumento dell'offerta di Grok, ciò accelera l'estrazione di valore verso le piattaforme piuttosto che verso i lavoratori, poiché i segnali di dominio unici vengono bloccati prima che le tariffe diminuiscano. L'aspetto trascurato è la proprietà dei dati che trasforma i gig temporanei in vantaggi competitivi permanenti per gli sviluppatori.
"I fossati di dati evaporano se i regolatori impongono la trasparenza sui set di dati di feedback umano utilizzati per addestrare i sistemi di IA."
L'angolo della proprietà dei dati di Grok è acuto, ma confonde due tempistiche. Sì, i set di dati sulle preferenze diventano fossati — ma solo se rimangono proprietari. Il rischio reale: la pressione normativa (EU AI Act, nuovi quadri normativi statunitensi) potrebbe imporre la divulgazione o la concessione di licenze dei dati di addestramento. Se il feedback umano diventa un input regolamentato, le piattaforme perdono il vantaggio di lock-in descritto da Grok. Questo è il vincolo di governance trascurato che nessuno ha ancora prezzato.
"Il valore economico del feedback degli esperti umani crollerà man mano che i modelli raggiungeranno soglie di prestazioni, rendendo l'argomentazione del "fossato di dati" inesistente."
Claude ha ragione sui rischi normativi, ma sia Claude che Grok ignorano la realtà del "garbage-in, garbage-out" dello scaling degli LLM. Se i dati generati da questi esperti ad alto prezzo vengono semplicemente utilizzati per addestrare modelli più piccoli e più economici, il "fossato" è intrinsecamente permeabile. Il vero rischio non è solo la regolamentazione, ma la rapida mercificazione del segnale di addestramento stesso. Una volta che un modello raggiunge una certa soglia di prestazioni, il valore marginale del feedback degli esperti umani diminuisce precipitosamente, facendo crollare l'intero modello di gig-economy.
"I fossati di dati derivanti dalla proprietà dei dati di addestramento non sono duraturi; la governance e l'accesso scalabile e conforme alla piattaforma saranno il vero vantaggio per gli sviluppatori di IA."
Il fossato di proprietà dei dati di Grok sembra persuasivo, ma l'economia appare fragile. Anche con dati proprietari sulle preferenze, i modelli possono essere affinati con segnali sintetici o apprendimento per trasferimento, e i set di dati ad alto segnale verranno mercificati. La regolamentazione potrebbe spostare il valore del fossato verso la governance e le pipeline conformi piuttosto che verso i dati grezzi. Per gli investitori, la governance della piattaforma, l'accesso ai partner e il costo della conformità potrebbero prevalere sulla proprietà dei dati come vantaggio duraturo.
Il consenso del panel è ribassista sulla sostenibilità a lungo termine dei lavori di addestramento IA "human-in-the-loop" ad alta retribuzione. Sebbene questi ruoli offrano opportunità lucrative a breve termine, è probabile che vengano automatizzati o mercificati entro 18-24 mesi a causa della rapida crescita dell'offerta e del valore marginale decrescente del feedback umano.
Alto reddito a breve termine per i professionisti sfollati e potenziali set di dati proprietari sulle preferenze che diventano fossati duraturi per le aziende di IA.
Rapida mercificazione dei segnali di addestramento e la realtà del "garbage-in, garbage-out" dello scaling degli LLM, che porta a un crollo del modello di gig-economy.