Стартап Shift запустил в Нью-Йорке сервис, который звучит как бытовая сделка с эпохой ИИ: бесплатная уборка дома в обмен на видео, пригодное для обучения домашних роботов. Для IT-рынка это важный сигнал: дефицит качественных данных для физического ИИ теперь закрывают не только лаборатории и заводы, но и обычные квартиры.
О проекте сообщает Habr / Новости. Механика простая: Shift отправляет клинеров, они пылесосят, моют полы и протирают поверхности, а весь процесс записывается на камеру, встроенную в головной убор сотрудника. В компании делают ставку на съемку от первого лица: такой формат лучше передает последовательность действий, движение рук, взаимодействие с предметами и те самые мелкие решения, которые человек принимает на автомате, а робот пока нет.
Формально пользователь получает бесплатную услугу, а компания — датасет. По сути, Shift пытается превратить домашнюю рутину в сырье для моделей, которые потом должны научиться работать в реальном мире, а не в стерильном демо-ролике. И это, пожалуй, самая интересная часть истории. С текстом, изображениями и даже голосом индустрия уже более-менее разобралась: данных много, они дешево собираются и хорошо размечаются. С физическими действиями все заметно хуже. Если вы хотите, чтобы ИИ-ассистент или бытовой робот не просто поддерживал беседу, а действительно наводил порядок, открывал ящики, обходил препятствия и не путал кухонную столешницу с полкой под телевизором, нужны записи реальных действий в реальных домах.
Shift отдельно подчеркивает, что работает с проверенными подрядчиками, а конфиденциальные данные проходят обработку: лица, имена и личная информация должны цензурироваться или удаляться до дальнейшего использования. Это важная оговорка, но она не снимает главный вопрос: насколько охотно люди готовы обменивать приватность на удобство, когда речь идет не о клике по cookie-баннеру, а о видеосъемке у них дома. Дом — не склад и не офис. Там случайно попадает в кадр все, что обычно не предназначено для чужих глаз: семейные фото, документы, лекарства, техника, детские вещи, распорядок жизни. Для стартапа это не просто PR-вызов, а базовое условие масштабирования. Один неудачный кейс здесь способен испортить доверие лучше любого конкурента.
Есть и другой нюанс, уже чисто инженерный. В Shift говорят, что наиболее полезны для обучения домашних роботов как раз сложные и «грязные» задачи. Логика понятна: модели нужны не только идеальные проходы по чистому полу, но и то, как человек работает с засохшими пятнами, захламленными поверхностями, неудобными углами и непредсказуемой обстановкой. Иными словами, именно хаос дает ценный материал. При этом уборщики могут отказаться от слишком неприятной работы. Для бизнеса это разумная защита людей, для датасета — ограничение. Самые ценные сценарии часто одновременно самые токсичные, самые неоднозначные и самые трудные для стандартизации. А значит, собрать действительно универсальный набор данных о домашнем труде будет сложнее, чем звучит в коротком питче.
Пока сервис доступен только в Нью-Йорке, но компания собирается выйти и в другие города — в том числе в Сан-Франциско, Лондон, Цюрих и Мюнхен. Бесплатный формат заявлен как временный. Это важная деталь: бесплатная уборка здесь явно не конечный продукт, а способ быстро набрать объем полевых данных и проверить, сколько людей вообще готовы участвовать в такой схеме. Для стартапов, работающих на стыке ИИ и робототехники, это уже знакомая модель: сначала субсидируем сбор данных, потом упаковываем его в технологическое преимущество. Похоже, Shift делает ставку именно на это, а не на клининг как самостоятельный сервис.
Еще интереснее планы на будущее. В компании говорят, что уборка — лишь первый этап, а дальше они хотят собирать данные и по другим бытовым задачам: готовке, сантехническим работам и даже строительству. Здесь ставка становится куда крупнее. Если уборка — относительно понятный и повторяемый процесс, то ремонт, монтаж или работа на кухне резко увеличивают сложность среды, риски ошибок и цену промаха. Зато именно такие сценарии могут стать золотой жилой для разработчиков embodied AI — систем, которые должны не просто генерировать ответы, а действовать в физическом мире. Для продуктовых команд и фаундеров это выглядит как понятный тезис: у кого будут реальные поведенческие данные, у того появится шанс построить не очередного разговорчивого ассистента, а рабочий интерфейс между моделью и домом.
Для русскоязычной IT-аудитории в этой истории важен не сам клининг, а бизнес-логика. Shift показывает, как быстро меняется экономика данных: пользователь уже не только клиент и не только источник анонимной телеметрии, но и поставщик обучающей среды для машин. Вопрос теперь не в том, можно ли собрать материал для обучения домашних роботов, а в том, где рынок проведет границу между полезным сервисом и слишком навязчивым способом заглянуть в частную жизнь. Если такие модели взлетят, следующим дефицитным активом в ИИ может оказаться не вычислительная мощность и не новый LLM, а доступ к обычному человеческому быту без декораций.