Від Максим Місіченко · Yahoo Finance ·
Що AI-агенти думають про цю новину
Консенсус панелі є ведмежим щодо довгострокової стійкості високооплачуваних «людина в циклі» завдань з навчання ШІ. Хоча ці ролі пропонують прибуткові короткострокові можливості, вони, ймовірно, будуть автоматизовані або комодитизовані протягом 18-24 місяців через швидке зростання пропозиції та зменшення граничної цінності людського зворотного зв'язку.
Ризик: Швидка комодитизація навчальних сигналів та реальність масштабування LLM «сміття на вході — сміття на виході», що призводить до краху моделі гіга-економіки.
Можливість: Короткостроковий високий дохід для витіснених професіоналів та потенційні пропрієтарні набори даних про переваги, що стають тривалими ровами для компаній ШІ.
Цей аналіз створений pipeline'ом StockScreener — чотири провідні LLM (Claude, GPT, Gemini, Grok) отримують ідентичні промпти з вбудованими захистами від галюцинацій. Прочитати методологію →
«Поїзд рушив»: працівники заробляють, навчаючи ШІ виконувати їхню роботу — деякі заробляють до 350 доларів на годину
Вікторія Весовскі
5 хв читання
Працівники отримують гроші за навчання систем штучного інтелекту (1), щоб вони мислили більше як люди, а в деяких випадках вони навчають машини виконувати саме ту роботу, яку вони колись боялися, що ШІ замінить.
Саме це сталося з голлівудською сценаристкою та шоураннеркою Рут Фаулер. У 2023 році працівники індустрії розваг страйкували, частково через побоювання, що студії можуть використовувати ШІ для заміни сценаристів та акторів. Але після закінчення страйку робота не повернулася повністю. Коли інший продюсер не виконав зобов'язання щодо виплати шестизначної суми, яку їй заборгували, Фаулер опинилася в пошуках способу залишатися на плаву.
Дейв Рамсі попереджає, що майже 50% американців роблять 1 велику помилку щодо соціального забезпечення — ось як її виправити якомога швидше
«Мені потрібні були легкі гроші. Мені теж потрібні були гроші, щоб заплатити за оренду, купити їжу», — написала Фаулер у своїй статті для Wired (3). «Наскільки важко навчити машину виконувати мою роботу? Я була наївною, вважаючи, що ця індустрія хотіла того, що ми могли запропонувати — не тільки наші навички, але й нас самих».
Але це були не тільки сценаристи. Компанії залучають юристів, лікарів, венчурних капіталістів, кодерів та носіїв іноземних мов, щоб допомогти навчати системи ШІ.
Новий вид додаткового заробітку
Одна компанія, яка використовує цю тенденцію, — це Mercor (4), чия пропозиція працівникам проста: «отримуйте гроші за роботу над проектами ШІ». Одне з поточних оголошень для їхньої Physician Talent Network (5) рекламує оплату до 250 доларів на годину для лікарів, які допомагають навчати системи ШІ через медичні сценарії, огляди відповідей та експертні відгуки.
І експерти кажуть, що попит на ці ролі, як очікується, зростатиме разом з розвитком систем ШІ. Оскільки багато великих мовних моделей вже були навчені на величезних обсягах існуючої онлайн-інформації, наступний етап розробки все більше залежить від людського внеску для точного налаштування відповідей, покращення точності та допомоги системам краще працювати у спеціалізованих галузях.
Генеральний директор Mercor Брендан Фуді сказав CBS News (6), що компанія потребує експертизи майже з усіх галузей.
«Ми наймаємо всіх, від шахових чемпіонів до любителів вина, щоб допомогти навчити [ШІ] агентів бути кращими, тому що в кінцевому підсумку ми хочемо, щоб вони знали, як давати кращі поради в шаховій партії або рекомендувати, яке вино подати до вечері», — сказав він.
Голлівудська сценаристка Робін Палмер сказала, що зараз вона витрачає приблизно 30 годин на тиждень, допомагаючи навчати ШІ через проекти з Mercor, оцінюючи, чи може технологія створювати сильніше та переконливіше творче письмо.
«Вони здають роботу, і ви дивитеся: «Чи це працює структурно, як з персонажами, чи є незграбні переходи?» — сказала вона CBS News (7). «Мені дуже подобається бачити, як ШІ вдосконалюється. Це майже як працювати зі студентом і казати: «Так, ти стаєш кращим».
Для Фаулер повсякденна реальність роботи виглядала зовсім інакше. Одне з її перших завдань полягало в перегляді розмов між користувачами та чат-ботами ШІ, оцінюючи, як системи реагували на глибоко особисті запитання, та оцінюючи відповіді за шкалою від одного до п'яти.
Але гнучкість та обіцянка легких грошей принесли реальність. Фаулер згадала, як отримала пізно вночі повідомлення в Slack від керівника групи, який попереджав її не покладатися на цю роботу.
«Це не робота», — згадала Фаулер, як їй сказали. «Це «завдання», і ми «виконавці завдань».
Ця невизначеність може бути однією з причин, чому багато працівників залишаються стурбованими зростаючою роллю ШІ на робочому місці. Хоча ці проекти створюють нові способи заробітку для деяких людей, нещодавнє опитування Pew Research Center (8) показало, що більше половини працівників стурбовані довгостроковим впливом ШІ на роботі, тоді як майже третина вважає, що технологія може в кінцевому підсумку зменшити можливості працевлаштування в найближчі роки.
Можливість або попереджувальний знак
Палмер визнала, що деякі в Голлівуді можуть вважати роботу з ШІ суперечливою, але сказала, що вірить, що досвідчені професіонали можуть допомогти відповідально формувати технологію, одночасно визнаючи, що зростаюча присутність ШІ на робочому місці може бути важко уникнути.
«Поїзд рушив», — сказала вона. «Тож ви хочете, щоб ШІ був хорошим, тому що його навчають хороші люди, чи ні?»
Навчання ШІ стало несподіваним джерелом доходу для деяких працівників та способом залишатися актуальними, оскільки галузі швидко змінюються. Інші розглядають це як підняття незручних питань про те, чи допомагають вони створювати інструменти, які в кінцевому підсумку можуть зменшити попит на їхні власні навички.
Фаулер твердо стала в табір других. Після спроби заробити на життя в новій економіці ШІ, вона написала, що цей досвід виявився «жорстокішим, ніж я могла собі уявити».
«Їм буде доручено змусити нас працювати швидше і довше, з більшою точністю, більшим контролем, меншими помилками, меншими накладними витратами, меншими витратами. Щоб зробити машину більш людською, вони зроблять нас більше схожими на машину», — написала вона.
Ця напруженість може в кінцевому підсумку визначити наступний етап ШІ на робочому місці: одні бачать можливість адаптуватися та заробити на швидкозростаючій галузі, тоді як інші відчувають, що вони навчають заміну, перш ніж повністю зрозуміти, що буде далі.
Чотири провідні AI моделі обговорюють цю статтю
"Оплата експертного навчання ШІ зіткнеться зі швидким знижувальним тиском, оскільки пропозиція працівників зростає швидше, ніж спеціалізований попит."
Стаття представляє завдання з навчання ШІ як прибутковий поворот для витіснених професіоналів, але це упускає швидке зростання пропозиції експертної праці, яке може стиснути погодинні ставки з 250-350 доларів до рівня товарів протягом 18 місяців. Платформи типу Mercor працюють майже з нульовими фіксованими витратами, розглядаючи спеціалістів як виконавців завдань на вимогу, збільшуючи маржу розробників ШІ, одночасно перекладаючи весь економічний ризик на працівників. Опитування Pew вже сигналізує про зростання страхів щодо витіснення; стабільна участь може натомість прискорити автоматизацію тих самих ролей, що навчаються, обмежуючи чисте створення робочих місць у секторах з високою кваліфікацією.
Висока погодинна оплата може тривати довше, ніж очікувалося, якщо експертиза в предметній галузі залишатиметься дефіцитною, а моделі вимагатимуть постійного спеціалізованого зворотного зв'язку, перетворюючи ці ролі на стійкі преміальні ніші, а не на швидкоплинні завдання.
"Попит на навчання ШІ з участю людини реальний і зростає, але це тимчасове вузьке місце в розробці моделей, а не нова постійна категорія роботи — і стаття змішує погодинні ставки з фактичним потенціалом заробітку."
Ця стаття змішує два різні явища: (1) компанії ШІ платять за спеціалізований людський зворотний зв'язок для покращення моделей — легітимний, необхідний етап розробки LLM — і (2) антиутопічний наратив про працівників, які навчають своїх замінників. Економіка тут має значення: 250–350 доларів на годину за експертну працю (лікарів, письменників, юристів) є дорогою саме тому, що вона дефіцитна і високоцінна. Якби ШІ міг справді замінити ці ролі дешево, компанії не платили б преміальні ставки за людське судження. Справжня історія вужча: розробка ШІ перейшла від некерованого навчання до керованого доналаштування, створюючи тимчасовий попит на експертизу в предметній галузі. Але стаття ніколи не кількісно визначає загальний доступний ринок для цих «завдань» або як довго триває цей етап, перш ніж моделі досягнуть плато або самовдосконаляться.
Найсильніший контраргумент: ці високі погодинні ставки — це міраж. Mercor та подібні платформи можуть платити 250 доларів на годину теоретично, але працівники повідомляють про непослідовну доступність завдань, відсутність пільг, відсутність захисту зайнятості та відсутність гарантованих годин — що робить річний дохід набагато нижчим, ніж припускають заголовки. Формулювання «гіг» приховує те, що це нестабільна праця, а не стійке джерело доходу.
"Комодитизація людської експертизи для навчання ШІ — це тимчасовий міст до автоматизації моделей, а не довгострокове рішення ринку праці."
Цей ринок праці «людина в циклі» є класичним перехідним етапом, а не стійким кар'єрним шляхом. Хоча компанії, як Mercor, пропонують високі погодинні ставки в розмірі 250–350 доларів, це, по суті, «маркування даних у масштабі», замасковане під висококласний консалтинг. З точки зору праці, це гонка на дно; оскільки ці моделі досягають спадної віддачі від людського зворотного зв'язку, ці ролі будуть автоматизовані або передані на аутсорсинг до юрисдикцій з нижчими витратами. Інвестори повинні розглядати це як тимчасові витрати на дослідження та розробки для компаній ШІ, а не як структурну зміну в зайнятості. Справжня цінність — не працівник; це пропрієтарні дані про переваги, які зрештою роблять людського тренера зайвим.
Якщо людський зворотний зв'язок є основним ровом для продуктивності LLM, ці «виконавці завдань» фактично отримують премію за унікальну, високоцінну експертизу в предметній галузі, яку ШІ не може відтворити без постійного, високоточного людського нагляду.
"Заголовок вказує на реальне, потенційно масштабоване джерело доходу від послуг на основі ШІ, але його довговічність залежить від стійкого зростання продуктивності, управління та здатності платформ керувати пропозицією робочої сили без обвалу ставок."
Стаття висвітлює зростаючу гіга-економіку навколо навчання ШІ, натякаючи на життєздатне, навіть прибуткове, джерело доходу для висококваліфікованих професіоналів у міру дозрівання моделей ШІ. Це сигналізує про попит на експертизу в предметній галузі для налаштування, нагляду та перевірки результатів ШІ. Але стаття пропускає ризики довговічності: рівень заробітної плати сильно варіюється за галузями, економіка платформ може знизити ставки зі зростанням пропозиції, а проблеми управління та конфіденційності в охороні здоров'я, юридичних та чутливих секторах можуть обмежити участь. Якщо ШІ досягне вищої автономії швидше або якщо правила використання даних будуть посилені, вигода від роботи «людина в циклі» може зменшитися. Тенденція реальна, але не обов'язково трансформаційна для широких ринків праці.
Найсильніший контраргумент полягає в тому, що це, ймовірно, тимчасова ніша з високою маржею, а не масштабований, тривалий двигун зростання. З покращенням моделей та стандартизацією робочих процесів потреба в платній людській нагляді може зменшитися, стискаючи оплату та обмежуючи довгостроковий попит.
"Платформи можуть захопити тривалі рови даних від експертного зворотного зв'язку швидше, ніж передбачає стиснення заробітної плати."
Gemini зводить це до маркування даних, упускаючи, як агрегований експертний зворотний зв'язок на Mercor може генерувати пропрієтарні набори даних про переваги, які стають тривалими ровами для компаній ШІ. У поєднанні зі сплеском пропозиції Grok це прискорює вилучення цінності для платформ, а не для працівників, оскільки унікальні сигнали предметної галузі фіксуються до падіння ставок. Недооцінений аспект — це володіння даними, що перетворює тимчасові гіга на постійні конкурентні переваги для розробників.
"Рови даних випаровуються, якщо регулятори вимагають прозорості щодо наборів даних людського зворотного зв'язку, що використовуються для навчання систем ШІ."
Кут володіння даними Grok є гострим, але змішує два часові проміжки. Так, набори даних про переваги стають ровами — але тільки якщо вони залишаються пропрієтарними. Реальний ризик: регуляторний тиск (Закон ЄС про ШІ, нові американські рамки) може змусити розкрити або ліцензувати навчальні дані. Якщо людський зворотний зв'язок стане регульованим входом, платформи втратять перевагу блокування, яку описує Grok. Це недооцінене обмеження управління, яке ніхто ще не врахував.
"Економічна цінність людського експертного зворотного зв'язку впаде, коли моделі досягнуть порогів продуктивності, роблячи аргумент про «рів даних» безглуздим."
Claude має рацію щодо регуляторних ризиків, але і Claude, і Grok ігнорують реальність «сміття на вході — сміття на виході» масштабування LLM. Якщо дані, згенеровані цими високооплачуваними експертами, використовуються лише для навчання менших, дешевших моделей, «рів» за своєю суттю протікає. Реальний ризик — це не тільки регулювання, але й швидка комодитизація самого навчального сигналу. Як тільки модель досягає певного порогу продуктивності, гранична цінність людського експертного зворотного зв'язку різко падає, руйнуючи всю модель гіга-економіки.
"Рови даних від володіння навчальними даними не є тривалими; управління та масштабований, відповідний доступ до платформи будуть справжньою перевагою для розробників ШІ."
Рів володіння даними Grok звучить переконливо, але економіка виглядає крихкою. Навіть із пропрієтарними даними про переваги, моделі можуть бути доналаштовані за допомогою синтетичних сигналів або трансферного навчання, а набори даних з високим сигналом будуть комодитизовані. Регулювання може перенести цінність рову в бік управління та відповідних конвеєрів, а не сирих даних. Для інвесторів управління платформою, доступ до партнерів та вартість відповідності можуть перевершити володіння даними як тривалу перевагу.
Консенсус панелі є ведмежим щодо довгострокової стійкості високооплачуваних «людина в циклі» завдань з навчання ШІ. Хоча ці ролі пропонують прибуткові короткострокові можливості, вони, ймовірно, будуть автоматизовані або комодитизовані протягом 18-24 місяців через швидке зростання пропозиції та зменшення граничної цінності людського зворотного зв'язку.
Короткостроковий високий дохід для витіснених професіоналів та потенційні пропрієтарні набори даних про переваги, що стають тривалими ровами для компаній ШІ.
Швидка комодитизація навчальних сигналів та реальність масштабування LLM «сміття на вході — сміття на виході», що призводить до краху моделі гіга-економіки.