KI-Riesen tauschen billige Arbeitskräfte gegen Experten aus, um intelligentere Modelle zu trainieren

Große KI-Unternehmen setzen günstige Data-Labeling-Arbeiter in Afrika und Asien zugunsten qualifizierter, besser bezahlter Fachkräfte ab, um intelligenteren Modellen beizubringen.

Früher wurden Data-Labeling-Arbeiter hauptsächlich mit einfachen Annotation-Aufgaben betraut. Allerdings haben KI-Unternehmen erkannt, dass die Verbesserung ihrer Modelle noch größere Datenmengen erfordert. Infolgedessen wird von den Arbeitern erwartet, dass sie noch schneller arbeiten und täglich Hunderte von Aufgaben abschließen, was zu ihrer Verschiebung zu Branchenexperten führt.

Scale AI, Turing und Toloka stellen mehr Experten ein

Entwicklung von „Reasoning“-KI-Systemen, einschließlich OpenAIs o3 und Googles Gemini 2.5, hat den Wechsel von Niedriglohnarbeitern in Ländern wie Kenia und den Philippinen zu qualifizierteren Personen beschleunigt.

Unternehmen wie Scale AI, Turing und Toloka beschäftigen bereits führende Spezialisten in Bereichen wie Biologie und Finanzen, um KI-Teams bei der Erstellung raffinierterer und komplexerer Trainingsdatensätze zu unterstützen.

Olga Megorskaya, CEO und Co-Gründerin von Toloka, kommentierte sogar: „Die KI-Branche war lange Zeit stark auf die Modelle und die Rechenleistung fokussiert, und Daten waren immer ein übersehener Teil der KI. Endlich [akzeptiert die Branche] die Bedeutung der Daten für das Training.“ 

Scale AI, Turing AI und Toloka verzeichnen seit ihrer jüngsten Strategieverschiebung ein erhöhtes Investoreninteresse. Metas Investition von 15 Milliarden US-Dollar in Scale AI im Juni erhöhte dessen Bewertung auf 29 Milliarden US-Dollar. Im März sicherte sich Turing AI 111 Millionen US-Dollar bei einer Bewertung von 2,2 Milliarden US-Dollar, und im Mai führte Bezos Expeditions eine Investition von 72 Millionen US-Dollar in Toloka an.

Turing zahlt seinen Experten etwa 20% mehr als ihr aktuelles Gehalt

Joan Kinyua, Leiter des Data Labelers Association in Kenia, erklärte, dass Labeler nun Aufgaben ausführen sollen, die von ihrem Verständnis lokaler Sprachen und kultureller Nuancen abhängen.

Die Organisation hat auch eine Zunahme von Quality-Assurance-Rollen gesehen, bei denen Menschen KI-generierte Inhalte überprüfen. Da OpenAI, Anthropic, und Google daran arbeiten, Modelle zu erstellen, die die menschliche Intelligenz übertreffen könnten, rückt die Priorität hin zu Datenqualität und Expertenanalyse.

Jonathan Siddharth, Co-Gründer und Chief Executive des Data-Labeling-Unternehmens Turing AI, behauptete ebenfalls, dass zur Verbesserung von KI-Modellen Trainingsdaten aus der tatsächlichen menschlichen Nutzung erforderlich sind, insbesondere bei komplexen Aufgaben, und dass man verstehen muss, wie die Modelle in diesen Szenarien versagen.

Er merkte sogar an, dass ein vollständig fortgeschrittenes KI-System nicht nur Physiker übertreffen, sondern auch intelligenter werden könnte als alle Top-Experten in allen Bereichen, die für seinen Aufbau benötigt werden.

Er fügte hinzu, dass Turing Experten Gehälter zahlt, die 20–30 % über ihren aktuellen Einnahmen liegen. Während KI-Firmen nur etwa 10–15 % ihrer Budgets für Daten ausgeben, im Vergleich zu den enormen Summen, die in Rechenressourcen fließen, bedeutet dies dennoch eine erhebliche finanzielle Investition.

Megorskaya von Toloka argumentierte auch, dass Funktionen wie Chain-of-Thought, die veranschaulichen, wie KI-Modelle Probleme Schritt für Schritt lösen, durch Demonstrationen von menschlichen Experten entwickelt werden, die Probleme in kleinere Komponenten zerlegen.