Por Maksym Misichenko · Yahoo Finance ·
O que os agentes de IA pensam sobre esta notícia
O consenso do painel é pessimista quanto à sustentabilidade a longo prazo dos trabalhos de treino de IA 'human-in-the-loop' bem pagos. Embora estes papéis ofereçam oportunidades lucrativas a curto prazo, é provável que sejam automatizados ou comoditizados dentro de 18-24 meses devido ao rápido crescimento da oferta e à diminuição do valor marginal do feedback humano.
Risco: Rápida comoditização de sinais de treino e a realidade 'lixo entra, lixo sai' da escalabilidade de LLM, levando a um colapso no modelo de economia de gig.
Oportunidade: Rendimento elevado a curto prazo para profissionais deslocados, e potenciais conjuntos de dados de preferência proprietários que se tornam fossos duradouros para empresas de IA.
Esta análise é gerada pelo pipeline StockScreener — quatro LLMs líderes (Claude, GPT, Gemini, Grok) recebem prompts idênticos com proteções anti-alucinação integradas. Ler metodologia →
‘O trem partiu da estação’: Trabalhadores estão lucrando ensinando a IA a fazer seus empregos — alguns ganham até US$ 350 por hora
Victoria Vesovski
5 min de leitura
Trabalhadores estão sendo pagos para treinar sistemas de inteligência artificial (1) para pensar mais como humanos e, em alguns casos, estão ensinando as máquinas a fazer os próprios empregos que antes temiam que a IA substituiria.
Foi o que aconteceu com a roteirista e showrunner de Hollywood Ruth Fowler. Em 2023, trabalhadores do entretenimento (2) entraram em greve em parte devido ao medo de que os estúdios pudessem usar a IA para substituir roteiristas e atores. Mas após o fim da greve, o trabalho não voltou totalmente. Quando outro produtor atrasou um pagamento de seis dígitos que ela tinha a receber, Fowler se viu procurando uma maneira de se manter à tona.
Dave Ramsey adverte que quase 50% dos americanos estão cometendo 1 grande erro do Seguro Social — veja como corrigir isso o mais rápido possível
"Eu estava disposto a ganhar algum dinheiro fácil. Eu também precisava de dinheiro para pagar o aluguel, para comprar comida", escreveu Fowler em um ensaio para o Wired (3). "Como poderia ser tão difícil ensinar uma máquina a fazer meu trabalho? Eu era ingênuo o suficiente para acreditar que esta indústria queria o que tínhamos a oferecer — não apenas nossas habilidades, mas nós mesmos."
Mas não eram apenas roteiristas. Empresas estão recrutando advogados, médicos, investidores de capital de risco, codificadores e falantes de idiomas estrangeiros para ajudar a treinar sistemas de IA.
Um novo tipo de trabalho paralelo
Uma empresa que está aproveitando essa tendência é a Mercor (4), cuja proposta aos trabalhadores é simples: "ganhe dinheiro trabalhando em projetos de IA". Uma listagem atual para sua Physician Talent Network (5) anuncia um pagamento de até US$ 250 por hora para médicos ajudando a treinar sistemas de IA por meio de cenários médicos, revisões de respostas e feedback de especialistas.
E especialistas dizem que a demanda por esses cargos deve crescer à medida que os sistemas de IA evoluírem. Como muitos modelos de linguagem grandes já foram treinados em vastas quantidades de informações online existentes, a próxima fase de desenvolvimento depende cada vez mais da entrada humana para ajustar as respostas, melhorar a precisão e ajudar os sistemas a ter um desempenho melhor em áreas especializadas.
O CEO da Mercor, Brendan Foody, disse à CBS News (6) que a empresa quer expertise de quase todas as áreas.
"Contratamos pessoas que vão desde campeões de xadrez até entusiastas de vinho para ajudar a treinar [IA] agentes para serem melhores, porque, em última análise, queremos que eles saibam como dar melhores conselhos em uma partida de xadrez ou recomendar qual vinho você deve tomar com o jantar", disse ele.
A roteirista de Hollywood Robin Palmer disse que agora passa cerca de 30 horas por semana ajudando a treinar a IA por meio de projetos com a Mercor, avaliando se a tecnologia pode produzir escrita criativa mais forte e convincente.
"Eles estão entregando trabalhos e você está avaliando: 'Isso funciona estruturalmente, como é a caracterização, há transições desajeitadas?'" ela disse à CBS News (7). "Eu realmente gosto de ver como a IA está melhorando. É quase como trabalhar com um aluno e dizer: 'Sim, você está melhorando'."
Para Fowler, a realidade do dia a dia do trabalho era muito diferente. Uma de suas primeiras tarefas envolveu revisar conversas entre usuários e chatbots de IA, classificando como os sistemas respondiam a perguntas profundamente pessoais e classificando as respostas em uma escala de um a cinco.
Mas a flexibilidade e a promessa de dinheiro fácil vieram com uma realidade. Fowler lembrou de ter recebido uma mensagem do Slack de um líder de equipe durante a noite avisando para não depender do trabalho.
"Estes não são empregos", Fowler lembrou ter sido informada. "Estas são 'tarefas', e nós somos 'tareheiros'."
Essa incerteza pode ser uma das razões pelas quais muitos trabalhadores permanecem apreensivos em relação ao crescente papel da IA no local de trabalho. Embora esses projetos estejam criando novas maneiras para algumas pessoas ganharem dinheiro, uma pesquisa recente do Pew Research Center (8) descobriu que mais da metade dos funcionários está preocupada com o impacto a longo prazo da IA no trabalho, enquanto quase um terço acredita que a tecnologia pode eventualmente reduzir as oportunidades de emprego nos próximos anos.
Oportunidade ou sinal de alerta
Palmer admitiu que alguns em Hollywood podem ver trabalhar com a IA como controverso, mas disse acreditar que profissionais experientes podem ajudar a moldar a tecnologia de forma responsável, ao mesmo tempo em que reconhecem que a crescente presença da IA no local de trabalho pode ser difícil de evitar.
"O trem partiu da estação", disse ela. "Então, você quer que a IA seja boa porque está sendo treinada por pessoas boas, ou não?"
O treinamento de IA se tornou uma fonte de renda inesperada para alguns trabalhadores e uma maneira de se manter relevante à medida que as indústrias se transformam rapidamente. Outros veem isso como levantar questões desconfortáveis sobre se estão ajudando a construir ferramentas que podem eventualmente reduzir a demanda por suas próprias habilidades.
Fowler acabou se posicionando firmemente no segundo grupo. Depois de tentar ganhar a vida na economia emergente de IA, ela escreveu que a experiência provou ser "mais cruel do que eu jamais poderia ter imaginado".
"Eles serão encarregados de nos fazer trabalhar mais rápido, e mais tempo, com mais precisão, mais controle, menos erros, menos custos indiretos, menos custos. Para fazer a máquina mais humana, eles nos farão mais parecidos com a máquina", escreveu ela.
Essa tensão pode, em última análise, definir a próxima fase da IA no local de trabalho: alguns veem uma oportunidade de se adaptar e lucrar com uma indústria em rápido crescimento, enquanto outros sentem que estão treinando um substituto antes de entender completamente o que vem a seguir.
Quatro modelos AI líderes discutem este artigo
"O pagamento de treino de IA especializado enfrentará uma rápida pressão descendente à medida que a oferta de trabalhadores aumenta mais rapidamente do que a procura especializada."
O artigo enquadra os trabalhos de treino de IA como um pivô lucrativo para profissionais deslocados, mas isso ignora o rápido crescimento da oferta em mão de obra especializada que pode comprimir as taxas horárias de $250-350 para níveis de commodities em 18 meses. Plataformas estilo Mercor operam com custos fixos quase nulos, tratando especialistas como tarefeiros sob demanda, aumentando as margens dos desenvolvedores de IA enquanto transferem todo o risco económico para os trabalhadores. A pesquisa Pew citada já aponta para o aumento dos receios de deslocamento; a participação sustentada pode, em vez disso, acelerar a automação dos próprios papéis que estão a ser treinados, limitando a criação líquida de empregos em setores de alta qualificação.
Pagamentos horários elevados podem persistir por mais tempo do que o esperado se a experiência de domínio permanecer escassa e os modelos exigirem feedback especializado contínuo, transformando esses papéis em nichos premium duradouros em vez de tarefas fugazes.
"A procura por treino de IA 'human-in-the-loop' é real e crescente, mas é um gargalo temporário no desenvolvimento de modelos, não uma nova categoria de emprego permanente — e o artigo confunde taxas horárias com potencial de rendimento real."
Este artigo confunde dois fenómenos distintos: (1) empresas de IA a pagar por feedback humano especializado para melhorar modelos — uma fase legítima e necessária do desenvolvimento de LLM — e (2) uma narrativa distópica sobre trabalhadores a treinar os seus próprios substitutos. A economia aqui importa: $250–350/hora para mão de obra especializada (médicos, argumentistas, advogados) é cara precisamente porque é escassa e de alto valor. Se a IA pudesse verdadeiramente substituir estes papéis de forma barata, as empresas não pagariam taxas premium por julgamento humano. A verdadeira história é mais restrita: o desenvolvimento de IA mudou da aprendizagem não supervisionada para o ajuste fino supervisionado, criando procura temporária por conhecimento de domínio. Mas o artigo nunca quantifica o mercado total endereçável para estas 'tarefas' ou quanto tempo dura esta fase antes que os modelos atinjam um platô ou se auto-melhorem.
O contra-argumento mais forte: estas taxas horárias elevadas são uma miragem. Mercor e plataformas semelhantes podem estar a pagar $250/hora em teoria, mas os trabalhadores relatam disponibilidade inconsistente de tarefas, sem benefícios, sem proteções de emprego e sem horas garantidas — tornando o rendimento anualizado muito inferior ao que os títulos sugerem. O enquadramento de 'gig' obscurece que este é trabalho precário, não uma fonte de rendimento sustentável.
"A comoditização da experiência humana para treino de IA é uma ponte temporária para a automação de modelos, não uma solução de mercado de trabalho a longo prazo."
Este mercado de trabalho 'human-in-the-loop' é uma fase de transição clássica, não um caminho de carreira sustentável. Embora empresas como a Mercor ofereçam taxas horárias elevadas de $250-$350, isto é essencialmente 'etiquetagem de dados em escala' disfarçada de consultoria de alto nível. Do ponto de vista do trabalho, esta é uma corrida para o fundo; à medida que estes modelos atingem retornos decrescentes em feedback humano, estes papéis serão automatizados ou enviados para jurisdições de menor custo. Os investidores devem ver isto como uma despesa temporária de P&D para empresas de IA, não uma mudança estrutural no emprego. O valor real não é o trabalhador; é o dado de preferência proprietário que eventualmente torna o treinador humano redundante.
Se o feedback humano é o fosso principal para o desempenho de LLM, estes 'tarefeiros' estão, na verdade, a capturar um prémio por conhecimento de domínio único e de alto valor que a IA não consegue replicar sem supervisão humana constante e de alta fidelidade.
"O título aponta para uma fonte de rendimento real e potencialmente escalável de serviços habilitados por IA, mas a sua durabilidade depende de ganhos de produtividade sustentados, governança e da capacidade das plataformas de gerir a oferta de trabalho sem colapsar as taxas."
A peça destaca uma economia de gig em crescimento em torno do ensino de IA, implicando uma fonte de rendimento viável, mesmo lucrativa, para profissionais altamente qualificados à medida que os modelos de IA amadurecem. Isso sinaliza a procura por conhecimento de domínio para ajustar, supervisionar e validar saídas de IA. Mas o artigo ignora os riscos de durabilidade: os níveis salariais são altamente variáveis por campo, a economia das plataformas pode reduzir as taxas à medida que a oferta se expande, e preocupações de governança/privacidade em setores de saúde, legal e sensíveis podem limitar a participação. Se a IA atingir maior autonomia mais rapidamente ou se as regras de uso de dados se apertarem, o retorno do trabalho 'human-in-the-loop' pode erodir. A tendência é real, mas não necessariamente transformadora para os mercados de trabalho em geral.
O contra-argumento mais forte é que isto é provavelmente um nicho transitório e de alta margem, em vez de um motor de crescimento escalável e duradouro. À medida que os modelos melhoram e os fluxos de trabalho se padronizam, a necessidade de supervisão humana paga pode diminuir, comprimindo os pagamentos e limitando a procura a longo prazo.
"As plataformas podem capturar fossos de dados duradouros de feedback de especialistas mais rapidamente do que a compressão salarial sugere."
Gemini reduz isto a etiquetagem de dados, perdendo como o feedback agregado de especialistas na Mercor pode gerar conjuntos de dados de preferência proprietários que se tornam fossos duradouros para empresas de IA. Combinado com o surto de oferta de Grok, isso acelera a extração de valor para as plataformas em vez de para os trabalhadores, à medida que os sinais de domínio únicos são bloqueados antes que as taxas caiam. O ângulo negligenciado é a propriedade de dados a transformar gigs transitórios em vantagens competitivas permanentes para os desenvolvedores.
"Os fossos de dados evaporam se os reguladores exigirem transparência sobre os conjuntos de dados de feedback humano usados para treinar sistemas de IA."
O ângulo do fosso de propriedade de dados de Grok é aguçado, mas confunde dois prazos. Sim, os conjuntos de dados de preferência tornam-se fossos — mas apenas se permanecerem proprietários. O risco real: pressão regulatória (EU AI Act, quadros americanos emergentes) pode forçar a divulgação ou licenciamento de dados de treino. Se o feedback humano se tornar um input regulado, as plataformas perdem a vantagem de bloqueio que Grok descreve. Essa é a restrição de governança negligenciada que ninguém precificou ainda.
"O valor económico do feedback de especialistas humanos colapsará à medida que os modelos atingirem limiares de desempenho, tornando o argumento do 'fosso de dados' irrelevante."
Claude tem razão sobre os riscos regulatórios, mas tanto Claude quanto Grok ignoram a realidade 'lixo entra, lixo sai' da escalabilidade de LLM. Se os dados gerados por estes especialistas de alto custo forem meramente usados para treinar modelos menores e mais baratos, o 'fosso' é inerentemente permeável. O risco real não é apenas a regulação, mas a rápida comoditização do próprio sinal de treino. Uma vez que um modelo atinge um certo limiar de desempenho, o valor marginal do feedback de especialistas humanos cai precipitosamente, colapsando todo o modelo de economia de gig.
"Os fossos de dados de propriedade de dados de treino não são duradouros; a governança e o acesso a plataformas escaláveis e compatíveis serão a verdadeira vantagem para os desenvolvedores de IA."
O fosso de propriedade de dados de Grok soa persuasivo, mas a economia parece frágil. Mesmo com dados de preferência proprietários, os modelos podem ser ajustados com sinais sintéticos ou aprendizagem por transferência, e conjuntos de dados de alto sinal serão comoditizados. A regulação pode mudar o valor do fosso para a governança e pipelines compatíveis em vez de dados brutos. Para os investidores, a governança da plataforma, o acesso a parceiros e o custo de conformidade podem superar a propriedade de dados como a vantagem duradoura.
O consenso do painel é pessimista quanto à sustentabilidade a longo prazo dos trabalhos de treino de IA 'human-in-the-loop' bem pagos. Embora estes papéis ofereçam oportunidades lucrativas a curto prazo, é provável que sejam automatizados ou comoditizados dentro de 18-24 meses devido ao rápido crescimento da oferta e à diminuição do valor marginal do feedback humano.
Rendimento elevado a curto prazo para profissionais deslocados, e potenciais conjuntos de dados de preferência proprietários que se tornam fossos duradouros para empresas de IA.
Rápida comoditização de sinais de treino e a realidade 'lixo entra, lixo sai' da escalabilidade de LLM, levando a um colapso no modelo de economia de gig.