Περισσότεροι από 30.000 εξειδικευμένοι επαγγελματίες αμείβονται καθημερινά από τη startup Mercor για να διδάξουν στην τεχνητή νοημοσύνη πώς εκτελείται η δουλειά τους. Για τη διαδικασία αυτή καταβάλλονται περισσότερα από 4 εκατ. δολάρια την ημέρα, δημιουργώντας μια νέα αγορά εργασίας που συνδυάζει υψηλές αμοιβές, αβεβαιότητα και ένα παράδοξο: οι εργαζόμενοι πληρώνονται για να επιταχύνουν την αυτοματοποίηση του ίδιου τους του επαγγέλματος.
Εκτενές ρεπορτάζ των New York Times αποτυπώνει την εκρηκτική ανάπτυξη ενός νέου κλάδου από τα λεγόμενα «δεδομένα ανθρώπινης γνώσης» (human data), τα οποία αποτελούν πλέον ένα από τα πιο πολύτιμα αγαθά στην κούρσα της τεχνητής νοημοσύνης.
Σε αντίθεση με τα πρώτα χρόνια της γενετικής AI, οπότε χιλιάδες χαμηλόμισθοι εργαζόμενοι ταξινομούσαν εικόνες ή απομαγνητοφωνούσαν ηχητικά αρχεία, σήμερα οι εταιρείες χρειάζονται δικηγόρους, γιατρούς, φυσικούς, καθηγητές πανεπιστημίου, οικονομολόγους και συμβούλους επιχειρήσεων για να μεταφέρουν στις μηχανές τη γνώση και τον τρόπο σκέψης που απαιτεί η εργασία τους.
Οι εταιρείες που λειτουργούν ως μεσάζοντες ανάμεσα στους ειδικούς και τα μεγάλα εργαστήρια τεχνητής νοημοσύνης εξελίσσονται ταχύτατα σε μία από τις πιο προσοδοφόρες δραστηριότητες της Silicon Valley.
Η Mercor, που ιδρύθηκε μόλις το 2023, αναζητά ανθρώπους με εξαιρετικά εξειδικευμένες δεξιότητες. Πρόσφατες αγγελίες ζητούσαν ηθοποιό φωνής που να μιλά άπταιστα εβραϊκά, διδάκτορα φυσικής με ειδίκευση στη γενική σχετικότητα ή την αστροφυσική και γιατρό με πολυετή εμπειρία στο σύστημα πρωτοβάθμιας περίθαλψης της Ρουάντα.
Η αποστολή τους δεν είναι να απαντούν σε ερωτήσεις πελατών ή να παρέχουν ιατρικές υπηρεσίες. Καλούνται να δείξουν στα μοντέλα τεχνητής νοημοσύνης πώς σκέφτεται ένας ειδικός, ποια βήματα ακολουθεί για να λύσει ένα πρόβλημα και πώς αξιολογεί διαφορετικές επιλογές.
Καθώς οι OpenAI, Anthropic, Meta, Google και άλλοι τεχνολογικοί κολοσσοί ανταγωνίζονται για την ανάπτυξη των ισχυρότερων μοντέλων, η ζήτηση για τέτοιου είδους δεδομένα έχει εκτοξευθεί.
Η ανάπτυξη είναι εντυπωσιακή. Η Mercor αποτιμήθηκε στα 10 δισ. δολάρια σε γύρο χρηματοδότησης τον Οκτώβριο του 2025 και, σύμφωνα με το Bloomberg, διαπραγματεύεται πλέον νέα συμφωνία που θα διπλασίαζε την αποτίμησή της.
Παράλληλα, η Meta επένδυσε πάνω από 14 δισ. δολάρια στη Scale AI, ενώ η Handshake, που εγκατέλειψε την παραδοσιακή δραστηριότητα προσλήψεων για να στραφεί αποκλειστικά στην εκπαίδευση μοντέλων AI, ανακοίνωσε ότι ο ετήσιος ρυθμός εσόδων της ξεπέρασε το 1 δισ. δολάρια τον Απρίλιο, από περίπου 550 εκατ. δολάρια στις αρχές του έτους.
Η επόμενη φιλοδοξία: αντιγραφή ολόκληρων επιχειρήσεων
Το επόμενο βήμα των εταιρειών αυτών δεν είναι απλώς να συλλέγουν τη γνώση μεμονωμένων εργαζομένων, αλλά να αναπαράγουν ψηφιακά ολόκληρους οργανισμούς. Ο 23χρονος διευθύνων σύμβουλος της Mercor, Μπρένταν Φούντι, θεωρεί ότι αυτό αποτελεί το βασικό εμπόδιο ώστε η τεχνητή νοημοσύνη να αυτοματοποιήσει κάθε μορφή ανθρώπινης εργασίας.
Στο πλαίσιο αυτό η Mercor εξαγόρασε την Deeptune, εταιρεία που δημιουργεί εικονικά εργασιακά περιβάλλοντα, προσομοιώνοντας τη χρήση εφαρμογών όπως Slack και Salesforce.
Η φιλοδοξία είναι να δημιουργηθεί ένα σχεδόν τέλειο αντίγραφο ενός οργανισμού - ακόμη και μιας επενδυτικής τράπεζας - ώστε η AI να παρακολουθεί όλες τις αλληλεπιδράσεις μεταξύ πελατών και στελεχών, να αναλύει τον τρόπο λήψης αποφάσεων και τελικά να μπορεί να αναπαράγει ολόκληρη τη λειτουργία της.
Με άλλα λόγια, η τεχνητή νοημοσύνη δεν εκπαιδεύεται πλέον μόνο να γράφει καλύτερα κείμενα ή κώδικα, αλλά να κατανοεί πώς λειτουργούν οι ίδιες οι επιχειρήσεις.
Γιατί συμμετέχουν οι επαγγελματίες
Παρά το προφανές δίλημμα, οι συμμετέχοντες δεν λείπουν. Για αρκετούς, οι αμοιβές είναι ιδιαίτερα ελκυστικές, με ορισμένα έργα να προσφέρουν ακόμη και 225 δολάρια την ώρα.
Άλλοι στρέφονται σε αυτές τις πλατφόρμες επειδή έχασαν τη δουλειά τους, δεν βρίσκουν απασχόληση στον κλάδο τους ή επιδιώκουν να αποκτήσουν εμπειρία στον χώρο της τεχνητής νοημοσύνης.
Υπάρχουν επίσης και αυτοί που πιστεύουν, ότι η συμμετοχή τους θα τους επιτρέψει να παραμείνουν σχετικοί σε μια αγορά εργασίας που αλλάζει ραγδαία.
Ωστόσο, πολλοί αναγνωρίζουν ότι πρόκειται πιθανότατα για μια προσωρινή ευκαιρία: εκπαιδεύουν τα μοντέλα μέχρι τη στιγμή που εκείνα δεν θα χρειάζονται πλέον ανθρώπινη βοήθεια.
Υψηλές αμοιβές, εξαντλητική εργασία και δικαστικές διαμάχες
Η καθημερινότητα απέχει σημαντικά από την εικόνα του εύκολου εισοδήματος.
Η Αμάντα Μπράουν, επίκουρη καθηγήτρια Βιολογίας στο Tarleton State University του Τέξας, ξεκίνησε να εργάζεται μέσω Mercor και Handshake το περασμένο καλοκαίρι, θεωρώντας ότι θα εξασφάλιζε ένα επιπλέον εισόδημα μεταξύ των ακαδημαϊκών εξαμήνων. Αντί γι' αυτό, βρέθηκε να συμμετέχει σε υποχρεωτικές διαδικτυακές συναντήσεις, να εργάζεται μέχρι τις δύο τα ξημερώματα για να προλάβει προθεσμίες και να αμείβεται με κατ’ αποκοπή ποσά για εργασίες που τελικά απαιτούσαν πολλαπλάσιο χρόνο.
Όπως περιγράφει στους New York Times, μέσα σε λίγους μήνες τα ίδια τα μοντέλα είχαν βελτιωθεί τόσο, ώστε γινόταν όλο και δυσκολότερο να εντοπίσει λάθη ή αδυναμίες τους, αυξάνοντας σημαντικά τη δυσκολία της εργασίας.
Παρόμοιες εμπειρίες περιγράφουν εκατοντάδες συμβασιούχοι σε κοινότητες του Discord και του Reddit, όπου συχνό παράπονο αποτελεί ότι τα διαθέσιμα έργα έχουν περιοριστεί σημαντικά, καθώς τα μοντέλα ολοκληρώνουν την εκπαίδευσή τους σε συγκεκριμένα αντικείμενα.
Ταυτόχρονα, αρκετές εταιρείες του κλάδου, μεταξύ των οποίων οι Handshake, Scale AI, Surge AI και Mercor, βρίσκονται αντιμέτωπες με δικαστικές προσφυγές για ζητήματα όπως εσφαλμένη ταξινόμηση εργαζομένων ως ανεξάρτητων συνεργατών, χαμηλότερες αμοιβές ή ακόμη και παραβιάσεις προσωπικών δεδομένων.
Πώς «μαθαίνουν» τα μοντέλα
Η διαδικασία δεν περιορίζεται πλέον στη συλλογή πληροφοριών από το διαδίκτυο. Οι εταιρείες διακρίνουν δύο στάδια ανάπτυξης των μοντέλων: την αρχική εκπαίδευση (pre-training), κατά την οποία συλλέγονται τεράστιοι όγκοι δημόσιου περιεχομένου και τη μεταγενέστερη εκπαίδευση (post-training), όπου εξειδικευμένοι άνθρωποι βελτιώνουν τις απαντήσεις των μοντέλων.
Στην Handshake, για παράδειγμα, οι ειδικοί δημιουργούν πολύπλοκα σενάρια, συντάσσουν τις ιδανικές απαντήσεις και καταρτίζουν αναλυτικά κριτήρια αξιολόγησης. Σε ένα από τα έργα που είδαν οι New York Times, η εταιρεία ανέπτυσσε ένα "banker benchmark", δηλαδή μια τυποποιημένη δοκιμασία που αξιολογεί εάν ένα μοντέλο μπορεί να εκτελέσει τα καθήκοντα ενός τραπεζικού στελέχους.
Οι άνθρωποι δεν βαθμολογούν μόνο το τελικό αποτέλεσμα. Ελέγχουν αν η AI ακολούθησε τη σωστή λογική σε κάθε επιμέρους στάδιο, ώστε να εκπαιδευτεί όχι μόνο στο «τι», αλλά και στο «πώς» σκέφτεται ένας επαγγελματίας.
Η μεγάλη αντίφαση της οικονομίας της AI
Οι επικεφαλής των εταιρειών υποστηρίζουν ότι η ανάγκη για ανθρώπινη εκπαίδευση των μοντέλων θα παραμείνει ισχυρή για πολλά χρόνια και ότι οι περισσότεροι εργαζόμενοι θα συνεργάζονται με την τεχνητή νοημοσύνη αντί να αντικατασταθούν από αυτή. Άλλοι ειδικοί εμφανίζονται πολύ πιο επιφυλακτικοί.
Ο οικονομολόγος του Πανεπιστημίου της Βιρτζίνια και συνεργάτης της Anthropic, Άντον Κόρινεκ, εκτιμά ότι όσο τα μοντέλα γίνονται αποτελεσματικότερα, η ανάγκη για ανθρώπους που τα εκπαιδεύουν πιθανότατα θα μειώνεται.
Ανάλογες επιφυλάξεις εκφράζει και η ιστορικός της Silicon Valley, Μάργκαρετ Ο'Μάρα, η οποία υποστηρίζει ότι πίσω από την εικόνα μιας «αυτόνομης» τεχνητής νοημοσύνης κρύβεται τεράστια ανθρώπινη εργασία.
Όπως επισημαίνει, οι μηχανές εξακολουθούν να εξαρτώνται από τη μεταφορά ανθρώπινης γνώσης και δεν είναι καθόλου βέβαιο ότι αυτή η διαδικασία θα συνεχιστεί επ' άπειρον ή ότι η βιομηχανία θα εξελιχθεί ακριβώς όπως προβλέπουν οι ίδιες οι εταιρείες που επενδύουν σε αυτήν.
Το παράδοξο είναι ότι όσο περισσότεροι ειδικοί εκπαιδεύουν τα συστήματα τεχνητής νοημοσύνης, τόσο αυξάνονται οι πιθανότητες να μειωθεί μακροπρόθεσμα η ανάγκη για τη δική τους εξειδικευμένη εργασία - και πάρα πολλών άλλων σε όλο τον κόσμο.