За каждым удобным ответом чат-бота стоит не только GPU и команда инженеров, но и огромный рынок низкооплачиваемого ручного труда. По оценке Всемирного банка, в дата-работе для ИИ заняты от 150 до 430 миллионов человек, и именно эта цифра ломает красивую легенду о полностью автономных системах. Для русскоязычной IT-аудитории это не абстрактная этика, а неприятный, но важный вопрос о реальной себестоимости AI-продуктов.
Как пишет Habr / Карьера, в материале о скрытой инфраструктуре искусственного интеллекта собраны примеры того, кто именно «кормит» модели данными и на каких условиях. Речь не о разработчиках из Кремниевой долины, а о людях, которые размечают изображения, проверяют ответы ботов, чистят токсичный контент и помогают моделям не выдавать откровенно опасную дичь. Со стороны всё выглядит как магия автоматизации. Внутри это конвейер, где человеческий труд просто убрали из кадра.
Один из ключевых тезисов материала: автономность ИИ во многом маркетинговая конструкция. Социолог Милош Мишелли из института VITAM называет этот образ сознательно поддерживаемым нарративом. Чем убедительнее компании продают идею «самообучающейся» системы, тем проще не говорить о том, сколько людей вручную создают датасеты, оценивают качество ответов и исправляют поведение моделей после релиза. Для бизнеса это удобно: пользователь видит умный интерфейс, но не видит цепочку подрядчиков, платформ и микрозадач, на которых держится дата-работа для ИИ.
Цифры из текста выглядят особенно приземляюще. Старший экономист Международной организации труда Омар Рани говорит о взрывном росте числа дата-воркеров, а в качестве оценки приводятся те самые 150–430 миллионов человек по данным Всемирного банка. На платформах вроде Mindrift, как указано в материале, дневной заработок может составлять около 9 долларов за 12 выполненных задач. Это не зарплата, на которой строят карьеру. Это модель выживания, где человек постоянно делает кусочную работу без видимой перспективы выйти из неё. Показателен и пример финской заключённой: сначала 3 евро в день, через два месяца — 4,62 евро в день за проверку ответов на вопросы из строительной сферы. Формально работа есть, по факту выбор примерно между плохим и очень плохим.
География этой индустрии тоже не случайна. В материале прямо говорится, что самую тяжёлую и дешёвую работу по обслуживанию ИИ выносят в страны Глобального Юга и в регионы с высокой безработицей и слабыми институтами. Среди примеров названы Кения, Индия, Болгария, Венесуэла и Ливан. Логика понятна даже без длинных объяснений: там легче найти людей, которые согласятся на низкую оплату, нестабильные условия и высокий психологический риск. Арнаб Тас из Калькутты классифицирует изображения для задач вроде распознавания пожаров, тумана и дорожной инфраструктуры для беспилотников. Анна из Болгарии маркирует товары на полках супермаркетов. Их работа вшита в продукты, но их имён там нет и не будет.
Самый тяжёлый слой этой экономики — контент-модерация и фильтрация материалов, на которых обучают ограничения для моделей. В тексте приводится история Файн Макиры из Кении, работавшей модератором в компании, связанной с OpenAI. По её словам, через сотрудников проходил почти полностью токсичный поток контента: в материале фигурирует оценка в 99,9% опасных материалов, от словесного насилия до сцен сексуальной эксплуатации детей. Эффект предсказуемый, хотя индустрия предпочитает делать вид, что это просто ещё один operational cost: кошмары, тревожность, депрессия, социальная изоляция. Парадокс тут довольно мрачный: чтобы ИИ не воспроизводил насилие, кто-то должен сначала часами смотреть на насилие и размечать его вручную. И этот кто-то обычно находится не в штаб-квартире корпорации, а в стране, где легче держать людей на коротком поводке через аутсорс и NDA.
Отдельная линия материала — попытка объяснить, почему индустрия так легко мирится с этой схемой. Философ Эмиль Торрес связывает это с лонгтермизмом: идеей, что ради великого будущего человечества можно закрывать глаза на очень земные страдания конкретных людей прямо сейчас. Если верить такой логике, то дешёвый труд, психологические травмы и эксплуатация становятся чем-то вроде допустимых издержек на пути к большому технологическому проекту. Для технологического менеджмента это почти идеальное моральное алиби: не мы экономим на людях, а мы якобы строим лучшее будущее. Звучит красиво до первого разговора с теми, кто сидит на разметке данных или чистит поток токсичного контента за копейки.
Для разработчиков, продактов и IT-директоров здесь есть вполне прикладной вывод. Когда компания покупает AI-сервис, внедряет генеративный поиск, тестирует автопилот поддержки или масштабирует moderation pipeline, она покупает не только модель и API. Она покупает всю цепочку производства, в которой дата-работа для ИИ остаётся скрытым, но обязательным компонентом. И если вендор обещает волшебную автоматизацию без разговоров о происхождении данных, контроле качества, модерации и условиях труда подрядчиков, это повод не восхищаться, а задавать неприятные вопросы. Не только из этики. Это ещё и вопрос качества продукта, юридических рисков, устойчивости поставки и репутации.
В материале есть и ещё одна неприятная деталь: помимо человеческого труда, ИИ опирается на тяжёлую ресурсную инфраструктуру. Исследовательница Анна Вальдивия из Oxford Internet Institute напоминает о меди, кобальте, литии, никеле, редкоземельных металлах, дата-центрах и расходе воды на добычу, производство чипов и охлаждение серверов. Образ «облака» слишком удобен: он прячет и склад серверов, и цепочки добычи, и тех самых людей, которые сидят на микрозадачах. Поэтому главный вопрос для отрасли уже звучит не как «насколько умным станет ИИ», а как долго рынок сможет делать вид, что у этой эффективности нет человеческой и материальной цены. Чем быстрее AI входит в корпоративный стек, тем труднее будет прятать тех, кто делает его работающим вручную.