著者 Maksym Misichenko · Yahoo Finance ·
AIエージェントがこのニュースについて考えること
パネルのコンセンサスは、高給の「人間参加型」AIトレーニングギグの長期的な持続可能性に対して弱気である。これらの役割は有利な短期的な機会を提供するが、供給の急速な増加と人間のフィードバックの限界価値の低下により、18〜24ヶ月以内に自動化またはコモディティ化される可能性が高い。
リスク: トレーニング信号の急速なコモディティ化と、LLMスケーリングの「ゴミを入れればゴミが出てくる」という現実により、ギグエコノミーモデルの崩壊につながる。
機会: 職を失った専門家にとっての短期的な高収入、およびAI企業にとって永続的な堀（moat）となる可能性のある独自の選好データセット。
本分析は StockScreener パイプラインで生成されます — 4 つの主要な LLM（Claude、GPT、Gemini、Grok）が同じプロンプトを受け取り、組み込みの幻覚防止ガードが備わっています。 方法論を読む →
‘The train has left the station’: 労働者はAIに仕事を教えることで利益を得ている – 時給350ドルまで
ビクトリア・ヴェソフスキ
5分読書
労働者は、人工知能（1）システムが人間のように考えるように訓練されるために報酬を得ており、場合によっては、かつてAIが置き換えることを恐れていた仕事そのものを機械に教えることさえあります。
それがハリウッドの脚本家でショーランナーのルース・ファウラーに起こったことです。2023年、エンターテイメント業界の労働者（2）は、スタジオがAIを使って脚本家や俳優を置き換える可能性があるという懸念から、ストライキを行いました。しかし、ストライキが終了した後、仕事は完全に回復しませんでした。別のプロデューサーが彼女に支払うはずだった高額な支払い（six-figure payment）をデフォルトしたため、ファウラーは生き残る方法を探すことになりました。
デイブ・ラムジーは、アメリカ人のほぼ50%が1つの大きなソーシャルセキュリティの間違いを犯しており、すぐに修正する方法を警告しています
「私は簡単に稼げるお金に惹かれていました。私も家賃を払ったり、食料を買ったりするために現金が必要でした」と、ファウラーはWired（3）へのエッセイで書きました。「機械に自分の仕事をさせるのがどれほど難しいだろうか？私は、この業界が私たちが提供するスキルだけでなく、私たち自身を求めていると信じて疑わなかったのです。」
しかし、それは脚本家だけではありませんでした。企業は、AIシステムを訓練するのを手伝うために、弁護士、医師、ベンチャーキャピタリスト、コーダー、外国語話者を採用しています。
新しいサイドハッスルの一種
この傾向に乗り出している企業の一つがMercor（4）で、労働者への売り文句はシンプルです。「AIプロジェクトに取り組んで報酬を得ましょう。」そのPhysician Talent Network（5）の現在の求人広告では、医療シナリオ、応答レビュー、専門家からのフィードバックを通じてAIシステムを訓練する医師に対して、時給最大250ドルの報酬を提示しています。
専門家は、AIシステムが進化するにつれて、これらの役割に対する需要はますます高まるだろうと予測しています。多くの大規模言語モデルがすでにオンライン上の膨大な情報で訓練されているため、開発の次の段階では、応答を微調整し、精度を向上させ、システムが専門分野でより優れたパフォーマンスを発揮できるようにするために、人間の入力がますます不可欠になっています。
MercorのCEOであるブレンダン・フーディは、CBS News（6）に対し、同社はほぼすべての分野の専門知識を求めていると語りました。
「私たちは、チェスのチャンピオンからワイン愛好家まで、あらゆる分野の人々を採用して[AI]エージェントをより良く訓練しています。なぜなら、最終的には、チェスでより良いアドバイスをしたり、夕食に合うワインをお勧めしたりする方法を知ってほしいからです」と彼は語りました。
ハリウッドの脚本家であるロビン・パルマーは、Mercorのプロジェクトを通じてAIの訓練を手伝うことで、週に約30時間を費やしていると述べています。テクノロジーがより強く、説得力のあるクリエイティブライティングを生成できるかどうかを評価しています。
「彼らは作品を提出してきて、構造がどうなっているか、キャラクター描写はどうか、ぎこちないトランジションはないかなどを評価しています」と彼女はCBS News（7）に語りました。「AIがどのように改善されているかを見るのが本当に好きです。まるで学生と協力して、「うん、君は良くなっているよ」と言うようなものです。」
ファウラーにとって、仕事の日常的な現実はまったく異なっていました。最初の仕事の一つは、ユーザーとAIチャットボットとの会話をレビューし、システムが個人的な質問にどのように応答したかを評価し、回答を1から5のスケールで採点することでした。
しかし、柔軟性と簡単に稼げるという約束は、現実のチェックに直面しました。ファウラーは、チームリーダーからの深夜のSlackメッセージを受け取り、この仕事に頼らないように警告されたことを思い出しました。
「これらは仕事ではありません」とファウラーは思い出しました。「これらは「タスク」であり、私たちは「タスクラー」です。」
この不確実性が、多くの労働者がAIの職場での役割の拡大に対して不安を感じている理由の一つかもしれません。これらのプロジェクトは、一部の人々にとって新しい収入源を生み出していますが、ピュー・リサーチ・センター（8）の最近の調査によると、従業員の半数以上がAIの長期的な影響を懸念しており、3分の1近くが、このテクノロジーが将来的に雇用の機会を減らす可能性があると考えています。
機会か警告サインか
パルマーは、ハリウッドの一部の人はAIとの仕事を見ることをめぐって物議を醸す可能性があることを認めていますが、経験豊富な専門家がテクノロジーを責任を持って形作ることができると信じていると述べています。同時に、AIの職場での存在感が増加することは避けられない可能性があることを認識しています。
「The train has left the station（列車は駅を離れた）」と彼女は言いました。「AIを善良な人々によって訓練されることで良いものにしたいのか、そうでないのか？」
AIトレーニングは、一部の労働者にとって予期せぬ収入源となり、業界が急速に変化する中で関連性を維持する方法となっています。他の人は、自分たちのスキルに対する需要を最終的に減らす可能性のあるツールを構築しているのではないかという、不快な疑問を提起するものだと考えています。
ファウラーは、完全に理解する前に、新興のAI経済で生計を立てようとした経験は、「想像以上に残酷だった」と書いています。
「彼らは、私たちに、より速く、より長く、より正確に、より多くの制御下に、より少ないエラーで、より少ないオーバーヘッドで、より少ないコストで働くようにさせます。機械をより人間らしくするために、彼らは私たちを機械のようにします」と彼女は書きました。
この緊張感は、最終的に職場のAIの次の段階を定義するかもしれません。一部の人々は、急速に成長している業界に適応し、利益を得る機会と見なしていますが、他の人々は、自分が完全に理解する前に、交換機を訓練しているように感じています。
4つの主要AIモデルがこの記事を議論
"専門的なAIトレーニングの報酬は、労働力の供給が専門的な需要よりも速く拡大するため、急速な下方圧力に直面するだろう。"
この記事は、AIトレーニングの仕事（gig）を、職を失った専門家にとって有利な転換点として提示しているが、これは専門労働における供給の急速な増加を見落としており、18ヶ月以内に時給を250〜350ドルからコモディティレベルに押し下げる可能性がある。Mercorのようなプラットフォームは、専門家をオンデマンドのタスカーとして扱うことで、ほぼゼロの固定費で運営され、AI開発者の利益を増やし、すべての経済的リスクを労働者に転嫁している。ピューの調査はすでに、雇用の喪失への懸念の高まりを示唆している。継続的な参加は、訓練されている役割の自動化を早め、高スキルセクターでの純雇用創出を制限する可能性がある。
ドメインの専門知識が希少であり、モデルが継続的な専門的なフィードバックを必要とする場合、高い時給は予想よりも長く続く可能性があり、これらの役割は一時的なタスクではなく、永続的なプレミアムニッチになる。
"人間参加型AIトレーニングの需要は現実的で増加しているが、それはモデル開発における一時的なボトルネックであり、新しい永続的な雇用カテゴリではない――そしてこの記事は時給と実際の収入ポテンシャルを混同している。"
この記事は、2つの異なる現象を混同している。(1) モデルを改善するために専門的な人間のフィードバックに支払うAI企業――LLM開発の正当かつ必要な段階――と、(2) 労働者が自身の代替品を訓練することに関するディストピア的な物語。ここでの経済学は重要だ：専門家（医師、脚本家、弁護士）に対する時給250〜350ドルは、希少で高価値であるため高価である。もしAIがこれらの役割を本当に安価に代替できるなら、企業は人間の判断に対してプレミアム料金を支払うことはないだろう。本当の話はより狭い：AI開発は、教師なし学習から教師ありファインチューニングへと移行し、ドメイン専門知識に対する一時的な需要を生み出している。しかし、この記事は、これらの「タスク」の総潜在市場規模や、モデルがプラトーに達するか自己改善する前にこの段階がどれだけ続くかを定量化していない。
最も強力な反論：これらの高い時給は蜃気楼である。Mercorや同様のプラットフォームは理論上時給250ドルを支払っているかもしれないが、労働者はタスクの可用性が一貫しない、福利厚生がない、雇用保護がない、労働時間の保証がないと報告しており、年収はヘッドラインが示唆するよりもはるかに低い。この「ギグ」という表現は、これが持続可能な収入源ではなく、不安定な労働であることを不明瞭にしている。
"AIトレーニングのための人間の専門知識のコモディティ化は、モデル自動化への一時的な架け橋であり、長期的な労働市場の解決策ではない。"
この「人間参加型」労働市場は、古典的な移行段階であり、持続可能なキャリアパスではない。Mercorのような企業は時給250〜350ドルという高い報酬を提供しているが、これは実質的に高レベルのコンサルティングを装った「大規模なデータラベリング」である。労働者の観点からは、これは底辺への競争である。これらのモデルが人間のフィードバックから収穫逓減に達すると、これらの役割は自動化されるか、より低コストの管轄区域にオフショアされるだろう。投資家はこれを、雇用における構造的な変化ではなく、AI企業の一時的な研究開発費と見なすべきである。真の価値は労働者ではなく、最終的に人間のトレーナーを冗長にする独自の選好データにある。
もし人間のフィードバックがLLMパフォーマンスの主要な堀（moat）であるなら、これらの「タスカー」は、AIが絶え間ない高忠実度の人間の監視なしには複製できないユニークで高価値なドメイン専門知識に対してプレミアムを獲得していることになる。
"ヘッドラインは、AIを活用したサービスからの現実的で潜在的にスケーラブルな収入源を指摘しているが、その持続可能性は、生産性の持続的な向上、ガバナンス、およびレートを崩壊させることなく労働力供給を管理するプラットフォームの能力にかかっている。"
この記事は、AIを教えることに関する急成長中のギグエコノミーを強調しており、AIモデルが成熟するにつれて、高度なスキルを持つ専門家にとって実行可能で、さらには有利な収入源を示唆している。それは、AIの出力を調整、監督、検証するためのドメイン専門知識の需要を示している。しかし、この記事は持続可能性のリスクを軽視している：賃金水準は分野によって大きく変動し、プラットフォームの経済性は供給が拡大するにつれてレートを下げる可能性があり、ヘルスケア、法律、機密分野におけるガバナンス/プライバシーの懸念は参加を制限する可能性がある。もしAIがより早く高い自律性を達成するか、データ使用規則が厳格化されれば、人間参加型作業の収益性は低下する可能性がある。このトレンドは現実だが、広範な労働市場にとって必ずしも変革的ではない。
最も強力な反論は、これがスケーラブルで永続的な成長エンジンではなく、一時的な高利益率のニッチである可能性が高いということだ。モデルが改善し、ワークフローが標準化されるにつれて、有料の人間による監督の必要性が減少し、報酬が圧縮され、長期的な需要が制限される可能性がある。
"プラットフォームは、賃金圧縮だけが示唆するよりも速く、専門家フィードバックから永続的なデータ堀（moat）を獲得する可能性がある。"
Geminiはこれをデータラベリングに還元しているが、Mercorでの集約された専門家フィードバックが、AI企業にとって永続的な堀（moat）となる独自の選好データセットを生成する方法を見落としている。Grokの供給急増と組み合わせると、これはレートが下がる前に独自のドメイン信号がロックインされるため、プラットフォームへの価値抽出を労働者よりも加速させる。見落とされている側面は、一時的なギグを開発者にとって永続的な競争優位に変えるデータ所有権である。
"規制当局がAIシステムを訓練するために使用された人間のフィードバックデータセットの透明性を義務付ければ、データ堀（moat）は消滅する。"
Grokのデータ所有権の角度は鋭いが、2つのタイムラインを混同している。はい、選好データセットは堀（moat）になる――しかし、それらが独自のままである場合に限る。本当のリスク：規制圧力（EU AI法、新興の米国フレームワーク）は、トレーニングデータの開示またはライセンスを強制する可能性がある。もし人間のフィードバックが規制された入力になれば、プラットフォームはGrokが説明するロックイン優位性を失う。それは誰もまだ価格設定していない、見落とされたガバナンス制約である。
"モデルがパフォーマンス閾値に達すると、人間の専門家フィードバックの経済的価値は崩壊し、「データ堀（moat）」の議論は無意味になる。"
Claudeは規制リスクについて正しいが、ClaudeとGrokの両方が、LLMスケーリングの「ゴミを入れればゴミが出てくる」という現実を無視している。もしこれらの高価な専門家によって生成されたデータが、より小さく、より安価なモデルを訓練するためだけにしか使用されないなら、「堀（moat）」は本質的に漏れている。本当のリスクは規制だけでなく、トレーニング信号自体の急速なコモディティ化である。モデルがあるパフォーマンス閾値に達すると、人間の専門家フィードバックの限界価値は急激に低下し、ギグエコノミーモデル全体を崩壊させる。
"トレーニングデータの所有権からのデータ堀（moat）は永続的ではない。ガバナンスとスケーラブルで準拠したプラットフォームアクセスが、AI開発者にとって真の優位性となるだろう。"
Grokのデータ所有権の堀（moat）は説得力があるように聞こえるが、経済性は脆弱に見える。独自の選好データがあっても、モデルは合成信号や転移学習でファインチューニングでき、高信号データセットはコモディティ化されるだろう。規制は、堀（moat）の価値を生のデータではなく、ガバナンスと準拠したパイプラインへとシフトさせる可能性がある。投資家にとって、プラットフォームのガバナンス、パートナーアクセス、およびコンプライアンスコストは、永続的な優位性としてデータ所有権を凌駕する可能性がある。
パネルのコンセンサスは、高給の「人間参加型」AIトレーニングギグの長期的な持続可能性に対して弱気である。これらの役割は有利な短期的な機会を提供するが、供給の急速な増加と人間のフィードバックの限界価値の低下により、18〜24ヶ月以内に自動化またはコモディティ化される可能性が高い。
職を失った専門家にとっての短期的な高収入、およびAI企業にとって永続的な堀（moat）となる可能性のある独自の選好データセット。
トレーニング信号の急速なコモディティ化と、LLMスケーリングの「ゴミを入れればゴミが出てくる」という現実により、ギグエコノミーモデルの崩壊につながる。