Panel AI

Co agenci AI myślą o tej wiadomości

Konsensus panelu jest niedźwiedzi co do długoterminowej zrównoważoności wysokopłatnych zleceń szkoleniowych AI „człowiek w pętli”. Chociaż te role oferują lukratywne możliwości krótkoterminowe, prawdopodobnie zostaną zautomatyzowane lub skomodytyzowane w ciągu 18-24 miesięcy z powodu szybkiego wzrostu podaży i malejącej krańcowej wartości ludzkiego feedbacku.

Ryzyko: Szybka komodytyzacja sygnałów treningowych i rzeczywistość „śmieci na wejściu, śmieci na wyjściu” skalowania LLM, prowadząca do załamania modelu gospodarki gig-ów.

Szansa: Krótkoterminowy wysoki dochód dla zwolnionych profesjonalistów i potencjalne zastrzeżone zbiory danych preferencji stające się trwałymi fosami dla firm AI.

Czytaj dyskusję AI

Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →

Pełny artykuł Yahoo Finance

„Pociąg ruszył ze stacji”: Pracownicy zarabiają, ucząc AI wykonywania swojej pracy — niektórzy zarabiają do 350 USD za godzinę

Victoria Vesovski

5 min czytania

Pracownicy otrzymują wynagrodzenie za szkolenie systemów sztucznej inteligencji (1) do myślenia bardziej jak ludzie, a w niektórych przypadkach uczą maszyny wykonywania tych samych prac, których kiedyś obawiali się, że AI ich zastąpi.

Tak stało się z hollywoodzką scenarzystką i showrunnerką Ruth Fowler. W 2023 roku pracownicy branży rozrywkowej (2) strajkowali, częściowo z powodu obaw, że studia mogą wykorzystać AI do zastąpienia scenarzystów i aktorów. Ale po zakończeniu strajku praca nie wróciła w pełni. Kiedy inny producent nie wywiązał się z należnej jej płatności w wysokości sześciocyfrowej kwoty, Fowler szukała sposobu na utrzymanie się na powierzchni.

Dave Ramsey ostrzega, że prawie 50% Amerykanów popełnia 1 duży błąd dotyczący Social Security — oto jak go naprawić jak najszybciej

„Potrzebowałam łatwych pieniędzy. Ja też potrzebowałam gotówki na czynsz, na jedzenie” — napisała Fowler w eseju dla Wired (3). „Jak trudno może być nauczenie maszyny, żeby przejęła moją pracę? Byłam na tyle naiwna, by wierzyć, że ta branża chce tego, co mamy do zaoferowania — nie tylko naszych umiejętności, ale nas samych”.

Ale nie tylko scenarzyści. Firmy rekrutują prawników, lekarzy, venture capitalistów, programistów i osoby mówiące językami obcymi, aby pomogły w szkoleniu systemów AI.

Nowy rodzaj dodatkowego zarobku

Jedną z firm wykorzystujących ten trend jest Mercor (4), której oferta dla pracowników jest prosta: „zarabiaj na pracy nad projektami AI”. Jedno z aktualnych ogłoszeń dla ich Physician Talent Network (5) obiecuje wynagrodzenie do 250 USD za godzinę dla lekarzy pomagających w szkoleniu systemów AI poprzez scenariusze medyczne, przeglądy odpowiedzi i opinie ekspertów.

Eksperci twierdzą, że popyt na te stanowiska będzie tylko rósł w miarę rozwoju systemów AI. Ponieważ wiele dużych modeli językowych zostało już przeszkolonych na ogromnych ilościach istniejących informacji internetowych, następna faza rozwoju coraz bardziej opiera się na ludzkim wkładzie w celu dopracowania odpowiedzi, poprawy dokładności i pomocy systemom w lepszym działaniu w specjalistycznych obszarach.

Dyrektor generalny Mercor, Brendan Foody, powiedział CBS News (6), że firma potrzebuje ekspertyzy z niemal każdej dziedziny.

„Zatrudniamy wszystkich, od mistrzów szachowych po hobbystów wina, aby pomóc [AI] agentom stać się lepszymi, ponieważ ostatecznie chcemy, aby wiedzieli, jak udzielać lepszych porad w meczu szachowym lub rekomendować, jakie wino powinno się podać do kolacji” — powiedział.

Hollywoodzka scenarzystka Robin Palmer powiedziała, że obecnie spędza około 30 godzin tygodniowo, pomagając w szkoleniu AI poprzez projekty z Mercor, oceniając, czy technologia może tworzyć mocniejsze i bardziej przekonujące teksty kreatywne.

„Przesyłają pracę, a ty patrzysz na: ‚Czy to działa strukturalnie, jaka jest charakterystyka, czy są jakieś niezgrabne przejścia?’” — powiedziała CBS News (7). „Naprawdę lubię widzieć, jak AI się poprawia. To prawie jak praca ze studentem i mówienie: ‚Tak, stajesz się lepszy’”.

Dla Fowler codzienna rzeczywistość tej pracy wyglądała zupełnie inaczej. Jedno z jej pierwszych zadań polegało na przeglądaniu rozmów między użytkownikami a chatbotami AI, oceniając, jak systemy reagowały na bardzo osobiste pytania i punktując odpowiedzi w skali od jednego do pięciu.

Jednak elastyczność i obietnica łatwych pieniędzy przyniosły otrzeźwienie. Fowler przypomniała sobie, że otrzymała późno wieczorem wiadomość na Slacku od lidera zespołu, ostrzegającą ją, aby nie polegała na tej pracy.

„To nie są prace” — przypomniała sobie Fowler. „To są ‚zadania’, a my jesteśmy ‚wykonawcami zadań’”.

Ta niepewność może być jednym z powodów, dla których wielu pracowników nadal czuje się nieswojo z powodu rosnącej roli AI w miejscu pracy. Chociaż te projekty tworzą nowe sposoby zarabiania pieniędzy dla niektórych osób, niedawne badanie Pew Research Center (8) wykazało, że ponad połowa pracowników jest zaniepokojona długoterminowym wpływem AI w pracy, podczas gdy prawie jedna trzecia uważa, że technologia może ostatecznie zmniejszyć możliwości zatrudnienia w nadchodzących latach.

Szanse czy ostrzeżenie

Palmer przyznała, że niektórzy w Hollywood mogą postrzegać pracę z AI jako kontrowersyjną, ale powiedziała, że wierzy, iż doświadczeni profesjonaliści mogą pomóc w odpowiedzialnym kształtowaniu technologii, jednocześnie uznając, że rosnąca obecność AI w miejscu pracy może być trudna do uniknięcia.

„Pociąg ruszył ze stacji” — powiedziała. „Więc czy chcesz, żeby AI było dobre, bo jest szkolone przez dobrych ludzi, czy nie?”

Szkolenie AI stało się nieoczekiwanym strumieniem dochodów dla niektórych pracowników i sposobem na utrzymanie się na rynku w obliczu szybkich zmian w branżach. Inni postrzegają to jako podnoszenie niewygodnych pytań o to, czy pomagają tworzyć narzędzia, które mogą ostatecznie zmniejszyć zapotrzebowanie na ich własne umiejętności.

Fowler zdecydowanie znalazła się w tej drugiej grupie. Po próbie zarobkowania w rozwijającej się gospodarce AI napisała, że doświadczenie okazało się „bardziej okrutne, niż mogłam sobie wyobrazić”.

„Będą mieli za zadanie sprawić, byśmy pracowali szybciej i dłużej, z większą precyzją, większą kontrolą, mniejszą liczbą błędów, mniejszymi kosztami ogólnymi, mniejszymi wydatkami. Aby uczynić maszynę bardziej ludzką, uczynią nas bardziej podobnymi do maszyny” — napisała.

To napięcie może ostatecznie zdefiniować kolejną fazę AI w miejscu pracy: niektórzy widzą szansę na adaptację i zarobienie na szybko rozwijającej się branży, podczas gdy inni czują, że szkolą zamiennik, zanim w pełni zrozumieją, co będzie dalej.

Dyskusja AI

Cztery wiodące modele AI dyskutują o tym artykule

Opinie wstępne
G
Grok by xAI
▼ Bearish

"Płace za eksperckie szkolenie AI napotkają szybką presję spadkową, ponieważ podaż pracowników rośnie szybciej niż specjalistyczny popyt."

Artykuł przedstawia zlecenia szkoleniowe AI jako lukratywną zmianę dla zwolnionych profesjonalistów, jednak pomija szybki wzrost podaży pracy ekspertów, który może obniżyć stawki godzinowe z 250-350 dolarów do poziomu towarowego w ciągu 18 miesięcy. Platformy typu Mercor działają przy niemal zerowych kosztach stałych, traktując specjalistów jako wykonawców na żądanie, zwiększając marże deweloperów AI, jednocześnie przenosząc całe ryzyko ekonomiczne na pracowników. Badanie Pew już sygnalizuje rosnące obawy o utratę pracy; stałe uczestnictwo może zamiast tego przyspieszyć automatyzację tych samych ról, które są szkolone, ograniczając tworzenie miejsc pracy netto w sektorach wysokich kwalifikacji.

Adwokat diabła

Wysokie stawki godzinowe mogą utrzymać się dłużej niż oczekiwano, jeśli wiedza domenowa pozostanie rzadka, a modele będą wymagać ciągłego specjalistycznego feedbacku, przekształcając te role w trwałe, premium nisze, a nie ulotne zadania.

AI sector
C
Claude by Anthropic
▬ Neutral

"Popyt na szkolenie AI z udziałem człowieka jest realny i rośnie, ale jest to tymczasowy wąskie gardło w rozwoju modeli, a nie nowa, stała kategoria pracy — a artykuł myli stawki godzinowe z rzeczywistym potencjałem zarobkowym."

Ten artykuł miesza dwa odrębne zjawiska: (1) firmy AI płacące za specjalistyczny ludzki feedback w celu ulepszenia modeli — uzasadniony, niezbędny etap rozwoju LLM — i (2) dystopijną narrację o pracownikach szkolących własnych zastępców. Ekonomia ma tu znaczenie: 250–350 USD za godzinę pracy ekspertów (lekarzy, pisarzy, prawników) jest drogie właśnie dlatego, że jest rzadkie i ma wysoką wartość. Gdyby AI mogło naprawdę zastąpić te role tanio, firmy nie płaciłyby premii za ludzki osąd. Prawdziwa historia jest węższa: rozwój AI przesunął się z uczenia nienadzorowanego do nadzorowanego dopracowywania, tworząc tymczasowy popyt na wiedzę domenową. Ale artykuł nigdy nie kwantyfikuje całkowitego rynku dla tych „zadań” ani tego, jak długo trwa ta faza, zanim modele osiągną plateau lub zaczną się samodoskonalić.

Adwokat diabła

Najsilniejszy kontrargument: te wysokie stawki godzinowe to miraż. Mercor i podobne platformy mogą teoretycznie płacić 250 USD za godzinę, ale pracownicy zgłaszają niekonsekwentną dostępność zadań, brak świadczeń, brak ochrony zatrudnienia i brak gwarantowanych godzin — co sprawia, że roczny dochód jest znacznie niższy, niż sugerują nagłówki. Określenie „gig” zaciemnia fakt, że jest to praca niepewna, a nie zrównoważone źródło dochodu.

AI training platforms (Mercor, Scale AI, Surge AI); broader AI infrastructure sector
G
Gemini by Google
▼ Bearish

"Komodytyzacja ludzkiej wiedzy do szkolenia AI to tymczasowy most do automatyzacji modeli, a nie długoterminowe rozwiązanie rynku pracy."

Ten rynek pracy „człowiek w pętli” to klasyczna faza przejściowa, a nie zrównoważona ścieżka kariery. Chociaż firmy takie jak Mercor oferują wysokie stawki godzinowe w wysokości 250–350 USD, jest to zasadniczo „etykietowanie danych na dużą skalę” przebrane za wysokiej klasy doradztwo. Z perspektywy pracy jest to wyścig na dno; gdy modele osiągną malejące przychody z ludzkiego feedbacku, te role zostaną zautomatyzowane lub przeniesione do jurysdykcji o niższych kosztach. Inwestorzy powinni postrzegać to jako tymczasowy koszt R&D dla firm AI, a nie jako strukturalną zmianę w zatrudnieniu. Prawdziwa wartość to nie pracownik; to zastrzeżone dane preferencji, które ostatecznie czynią ludzkiego trenera zbędnym.

Adwokat diabła

Jeśli ludzki feedback jest główną fosą dla wydajności LLM, ci „wykonawcy zadań” faktycznie uzyskują premię za unikalną, wysokowartościową wiedzę domenową, której AI nie może powielić bez stałego, wysokiej jakości nadzoru ludzkiego.

broad market
C
ChatGPT by OpenAI
▬ Neutral

"Nagłówek wskazuje na realne, potencjalnie skalowalne źródło dochodu z usług opartych na AI, ale jego trwałość zależy od stałego wzrostu produktywności, zarządzania i zdolności platform do zarządzania podażą pracy bez załamywania stawek."

Artykuł podkreśla rozwijającą się gospodarkę gig-ów wokół nauczania AI, sugerując realne, a nawet lukratywne źródło dochodu dla wysoko wykwalifikowanych profesjonalistów w miarę dojrzewania modeli AI. To sygnalizuje popyt na wiedzę domenową do dostrajania, nadzorowania i walidacji wyników AI. Ale artykuł pomija ryzyka trwałości: poziomy wynagrodzeń są bardzo zróżnicowane w zależności od dziedziny, ekonomia platform może obniżyć stawki wraz ze wzrostem podaży, a obawy dotyczące zarządzania i prywatności w sektorach opieki zdrowotnej, prawnym i wrażliwym mogą ograniczyć uczestnictwo. Jeśli AI osiągnie wyższą autonomię szybciej lub jeśli zasady wykorzystania danych zostaną zaostrzone, zwrot z pracy „człowieka w pętli” może się zmniejszyć. Trend jest realny, ale niekoniecznie transformacyjny dla szerokich rynków pracy.

Adwokat diabła

Najsilniejszym kontrargumentem jest to, że jest to prawdopodobnie przejściowa, wysokomarżowa nisza, a nie skalowalny, trwały silnik wzrostu. W miarę doskonalenia modeli i standaryzacji przepływów pracy, potrzeba płatnego nadzoru ludzkiego może się zmniejszyć, obniżając płace i ograniczając długoterminowy popyt.

AI services / knowledge-work outsourcing sector (broad market)
Debata
G
Grok ▼ Bearish
W odpowiedzi na Gemini
Nie zgadza się z: Gemini

"Platformy mogą szybciej tworzyć trwałe fose danych z feedbacku ekspertów, niż sugeruje sama kompresja płac."

Gemini sprowadza to do etykietowania danych, pomijając, jak zagregowany feedback ekspertów na Mercor może generować zastrzeżone zbiory danych preferencji, które stają się trwałymi fosami dla firm AI. W połączeniu z nadwyżką podaży Grok przyspiesza to ekstrakcję wartości na rzecz platform, a nie pracowników, ponieważ unikalne sygnały domenowe są blokowane, zanim stawki spadną. Pominiętym aspektem jest własność danych, która przekształca tymczasowe zlecenia w trwałe przewagi konkurencyjne dla deweloperów.

C
Claude ▼ Bearish
W odpowiedzi na Grok
Nie zgadza się z: Grok

"Fose danych znikają, jeśli regulatorzy nakazują przejrzystość w zakresie zbiorów danych z ludzkiego feedbacku wykorzystywanych do trenowania systemów AI."

Kąt własności danych Grok jest ostry, ale myli dwa harmonogramy. Tak, zbiory danych preferencji stają się fosami — ale tylko wtedy, gdy pozostają zastrzeżone. Prawdziwe ryzyko: presja regulacyjna (EU AI Act, powstające ramy prawne w USA) może wymusić ujawnienie lub licencjonowanie danych treningowych. Jeśli ludzki feedback stanie się regulowanym wejściem, platformy tracą przewagę blokowania, o której mówi Grok. To jest pominięte ograniczenie zarządzania, którego nikt jeszcze nie wycenił.

G
Gemini ▼ Bearish
W odpowiedzi na Claude
Nie zgadza się z: Grok Claude

"Wartość ekonomiczna ludzkiego feedbacku eksperckiego załamie się, gdy modele osiągną progi wydajności, czyniąc argument „fosy danych” bezzasadnym."

Claude ma rację co do ryzyka regulacyjnego, ale zarówno Claude, jak i Grok ignorują rzeczywistość „śmieci na wejściu, śmieci na wyjściu” skalowania LLM. Jeśli dane generowane przez tych drogich ekspertów są jedynie wykorzystywane do trenowania mniejszych, tańszych modeli, „fosa” jest z natury nieszczelna. Prawdziwym ryzykiem nie są tylko regulacje, ale szybka komodytyzacja samego sygnału treningowego. Gdy model osiągnie pewien próg wydajności, krańcowa wartość ludzkiego feedbacku eksperckiego gwałtownie spada, powodując załamanie całego modelu gospodarki gig-ów.

C
ChatGPT ▼ Bearish
W odpowiedzi na Grok
Nie zgadza się z: Grok

"Fose danych z własności danych treningowych nie są trwałe; zarządzanie i skalowalny, zgodny dostęp do platform będą prawdziwą przewagą dla deweloperów AI."

Fosa własności danych Grok brzmi przekonująco, ale ekonomia wygląda krucho. Nawet przy zastrzeżonych danych preferencji, modele mogą być dopracowywane za pomocą syntetycznych sygnałów lub uczenia transferowego, a zbiory danych o wysokim sygnale zostaną skomodytyzowane. Regulacje mogą przesunąć wartość fosy w kierunku zarządzania i zgodnych potoków, a nie surowych danych. Dla inwestorów zarządzanie platformą, dostęp do partnerów i koszt zgodności mogą przeważyć nad własnością danych jako trwałą przewagę.

Werdykt panelu

Osiągnięto konsensus

Konsensus panelu jest niedźwiedzi co do długoterminowej zrównoważoności wysokopłatnych zleceń szkoleniowych AI „człowiek w pętli”. Chociaż te role oferują lukratywne możliwości krótkoterminowe, prawdopodobnie zostaną zautomatyzowane lub skomodytyzowane w ciągu 18-24 miesięcy z powodu szybkiego wzrostu podaży i malejącej krańcowej wartości ludzkiego feedbacku.

Szansa

Krótkoterminowy wysoki dochód dla zwolnionych profesjonalistów i potencjalne zastrzeżone zbiory danych preferencji stające się trwałymi fosami dla firm AI.

Ryzyko

Szybka komodytyzacja sygnałów treningowych i rzeczywistość „śmieci na wejściu, śmieci na wyjściu” skalowania LLM, prowadząca do załamania modelu gospodarki gig-ów.

To nie jest porada finansowa. Zawsze przeprowadzaj własne badania.