Sind 400 US-Dollar pro Stunde ein hohes Gehalt oder wird das hohe Wissen der Ärzte und Anwälte dadurch ausgenutzt?

Beginnender Dialog: Hochqualifizierte Arbeiter im AI-Freelancer-Sektor

Shiwen: Diese Woche gab es eine Nachricht von Bloomberg Law, die besagt, dass einige amerikanische Ärzte und Anwälte anfangen, eine neue Art von Freelancer zu werden, indem sie Trainingsdaten für AI-Modelle bereitstellen – mit einem Höchstlohn von 400 US-Dollar pro Stunde. Das klingt etwas ungewöhnlich.

Yongliang: Die Kernaussage ist, dass die Industrie für AI-Trainingsdaten immer mehr in Schichten aufgeteilt wird, und zwar sehr schnell. Auf der einen Seite gibt es niedrig bezahlte Anwendungen für allgemeine Annotationen, auf der anderen Seite tauchen hochbezahlte Spezialisten als Freelancer auf. Die Berichterstattung von Bloomberg Law vom 16. Oktober macht dieses Phänomen deutlich. Der Titel des Artikels lautet „Ärzte und Anwälte treten in die $400 pro Stunde-freien Wirtschaft ein“. LinkedIn hat dieses Jahr den Posten eines Daten-Annotationators auf Platz vier der am schnellsten wachsenden Jobs in den USA eingestuft. Meine Meinung ist, dass Modelunternehmen das versteckte Wissen von Fachleuten durch Freelancer nutzen, um diese in die Modelle einzubringen. Die folgenden persönlichen Erfahrungen werden dazu dienen, diese Punkte zu erläutern.

Shiwen: 400 US-Dollar pro Stunde klingt hoch, aber manche nennen das „Ausbeutung von Wissen“. Ihrer Meinung nach gehört das nicht zur „Verwertung von Wissen“.

Yongliang: Der Kernpunkt ist, dass der Streit selbst interessanter ist als die Zahlen. Er verbindet zwei Fragen: Wie viel ist die Zeit von Fachleuten wert? Und verkaufen sie Wissen selbst oder nur die Lizenz zur Weiterverarbeitung von Wissen. Ich spreche aus der Perspektive eines technischen Direktors seit 17 Jahren, der einst eine Team von 70 Personen leitete. Ich werde keine Standardantwort geben, sondern nur einige wichtige Widersprüche aufschlüsseln.

Shiwen: Dann fangen wir mit „Was passiert?“ an.

Frage 1: Wer ist in der AI-Trainings-Freelancer-Branche jetzt dabei?

Shiwen: Lassen Sie uns zunächst die Fakten klären. Wie sieht das Profil der hochqualifizierten Freelancer, die jetzt für AI-Trainingsdaten arbeiten, aus?

Yongliang: Der Bericht von Bloomberg lieferte einige Zahlen. Ärzte mit Rechtsberufen verdienen bis zu 400 US-Dollar pro Stunde; Experten in der Festkörperphysik etwa 170 US-Dollar; Softwareentwickler etwa 120 US-Dollar. Die Plattform Mercor gibt selbst an, dass der Durchschnittslohn 110 US-Dollar beträgt. Diese Zahlen stammen von der Plattform oder dem Bericht, nicht von Drittanbieter-Prüfungen. Beim Lesen sollten Sie vorsichtig sein. Mercor hat den Anteil der Befragten nicht offengelegt, daher kann „durchschnittlich 110“ nicht als repräsentativ für die Mehrheit gelten – ich stelle das mit einem Fragezeichen.

Shiwen: Das unterscheidet sich stark von dem traditionellen Verständnis des „Daten-Annotationers“.

Yongliang: Der Kernpunkt ist, dass die Branche bereits zwei Begriffe verwendet, um diese beiden Gruppen zu unterscheiden. Die niedrig bezahlten Anwender werden als „Annotator“ bezeichnet und führen allgemeine Annotationen durch; die hochbezahlten werden als „Experte“ bezeichnet – es gibt Ärzte, Anwälte, Ingenieure sowie Mathematiker, Buchhalter und Wissenschaftler. Der Bericht besagt, dass diese Experten „Cherry on top“ sind – das heißt, die Modelunternehmen wissen, dass die schmutzige und anstrengende Arbeit von niedrig bezahlten Arbeitern erledigt wird, aber der letzte Geschmack muss von Fachleuten abgestimmt werden. Das bildet eine Struktur mit zwei großen Teilen und einem kleinen Mittelteil.

Shiwen: Was machen sie genau?

Yongliang: Aus den Informationen im Bericht geht hervor, dass sie hauptsächlich in der Berechnung, Korrektur, Annotation von Fallstudien sowie bei der Unterstützung der Modelle bei der Interpretation komplexer Situationen tätig sind. Zum Beispiel: Wenn ein medizinisches Fallbeispiel nicht korrekt annotiert werden kann, bitten sie Ärzte um eine Beurteilung; wenn ein Vertrag die juristischen Konsequenzen nicht versteht, bitten sie Anwälte um Annotation. Die Essenz dieser Arbeit ist es, das Urteilsvermögen von Fachleuten, das in den letzten zehn oder zwanzig Jahren erworben wurde, in Beispiele zu zerlegen, die die Modelle lernen können.

Frage 2: Ist ein Stundenlohn von 400 Dollar teuer oder nicht?

Shiwen: 400 Dollar pro Stunde entspricht fast zweitausend Yuan in Renminbi. Für viele Menschen ist das ein „teurer Auftrag“.

Yongliang: Meine Kernaussage ist, dass man sich von dem Stundenlohn täuschen lassen sollte. 400 Dollar sind der Höchststand, keine Normalität. Laut Berichten verdienen Rechtsanwälte in diesem Bereich dieses Preisniveau, Physiker 170 Dollar, Softwareentwickler 120 Dollar, und Mercor beträgt durchschnittlich 110 Dollar. Der große Unterschied zwischen diesen Zahlen zeigt, dass die professionellen Barrieren und die Marktschwäche die Preise bestimmen. Aber hier muss hinzugefügt werden: Diese Zahlen stammen von den Plattformen selbst oder aus Berichten, nicht von meinen Statistiken. Das ist meine Schätzung, keine Statistik.

Shiwen: Ist 400 Dollar also teuer aus Sicht eines Unternehmens?

Yongliang: Aus der Perspektive der Modelldatenunternehmen mag es nicht teuer sein. Die Kosten für das Trainieren eines großen Modells betragen Millionen von Dollar. Ein Fehler im Modell führt zu hohen Kosten, die weit über ein paar Hundert Dollar liegen. Ein erfahrener Anwalt, der einige Stunden an einem Fall arbeitet, ist sicherer als eine Gruppe von gewöhnlichen Markern, die ein Jahr lang raten. Aber wenn man es umkehrt betrachtet, ist die Einkommensstruktur für Profis nicht stabil: Die Auftragsplattformen können jederzeit die Konten sperren und die Anzahl der Aufgaben ist unbeständig. Berichte besagen, dass viele niedriglobe Marker mit Sperrung des Kontos und instabilen Einkommen konfrontiert sind. Die höchsten Einnahmen für Experten sind hoch, aber es gibt keine langfristige Sicherheit.

Shiwen: Also bedeutet hohes Gehalt nicht Stabilität.

Yongliang: Meine Kernaussage ist, dass ein hohes Gehalt die Instabilität der Arbeitsbeziehung verdeckt. Das ähnelt dem alten Problem in der Plattformwirtschaft: Man zieht Menschen mit hohen Preisen an, trägt aber keine Arbeitspflichten. Für Ärzte, Anwälte und Ingenieure, die traditionell auf einer stabilen Berufslage basieren, ist dies eine Art Herabsetzung ihrer Identität. Sie verkaufen nicht mehr einen fachlichen Rat, sondern ein unbegrenzt kopierbares Beurteilungssample.

Frage 3: Ist das eine Verwertung von Wissen oder wird Wissen ausgepresst?

Shiwen: Zurück zu der kontroversen Frage: Ist das eine Verwertung von Wissen oder wird Wissen ausgepresst?

Yongliang: Meine Kernaussage ist, dass beide Ansichten zutreffend sind, aber in unterschiedlichen Phasen stattfinden. Die Verwertung von Wissen findet im Moment des Transaktionsauftritts statt: Ich gebe Zeit ab, und du zahlst einen Stundenlohn, beide Seiten sind freiwillig. Aber die Ausnutzung von Wissen findet nach Abschluss der Transaktion statt: Das Modell fixiert meine Beurteilungen in Parameter, die unbegrenzt verwendet werden können, und ich erhalte nur eine einmalige Arbeitsleistung. Das Problem ist, dass der Wert nach dieser „Fixierung“ nicht proportional zu meinem Entgelt ist.

Shiwen: Ist es möglich, dass Profis auch zusätzliche Einnahmen erhalten, wie Ruhm oder Kontakte?

Yongliang: In den Berichten wird keine Autorenangabe, Reputation oder langfristige Zusammenarbeit erwähnt. Deshalb ist die Wertverteilung klar: Profis verkaufen ihre einmalige Arbeitskraft, während Plattformen und Modelldatenunternehmen skalierbare Wissensvermögen erwerben. Unter dieser Struktur ähnelt „Verwertung“ eher einer einmaligen Verwertung, während „Ausnutzung“ eher einer Übertragung von Rechten auf zukünftige Einnahmen entspricht.

Shiwen: Heißt das, dass alle Profis das nicht tun sollten?

Yongliang: Meine Kernaussage ist, dass man keine einfachen Schlussfolgerungen ziehen darf. Für einige Menschen ist es tatsächlich eine beträchtliche Einnahme, ein paar Stunden professioneller Markierung in ihrer Freizeit zu machen; für andere bedeutet dies, selbst ein System zu trainieren, das sie künftig ersetzen könnte. Die persönlichen Entscheidungen können unterschiedlich sein, aber die Verantwortung der Plattform darf nicht verschwommen bleiben. Zumindest sollten die Teilnehmer genau wissen, für welche Modelle die Daten verwendet werden und ob sie erneut trainiert werden. Transparenz ist die Grundlage.

Frage 4: Wie soll ein Unternehmen diese Art der Beschaffung von AI-Trainingsdaten bewerten?

Shiwen Dialogue: Hast du eine technische Teamleitung geleitet? Wenn man es aus der Perspektive eines Unternehmens betrachtet, wie sollte man bei der Beschaffung solcher Expertendaten beurteilt?

Yongliang: Die wichtigste Überlegung ist, dass das größte Fehlerpotenzial von Unternehmen darin besteht, Expertendaten als „teurere Outsourcing-Dienstleistungen“ zu betrachten. Nach 17 Jahren in der technischen Führung habe ich viele Teams gesehen, die nur auf den Preis schauen, ohne die Gesamtkosten zu berücksichtigen. Der wahre Wert von Expertendaten besteht darin, dir dabei zu helfen, die Grenzen eines Modells in professionellen Situationen zu erkennen. Wenn du den Experten nur anweist, Antworten nach deinen Vorlagen einzugeben, dann ist das nicht anders als mit niedrig bezahlten Arbeitern. Wenn du den Experten aber zeigen kannst, dass „dieser Bereich von der Maschine falsch verstanden wird“ oder „dieser Fall hat keine standardmäßige Antwort“, dann sind das echte wertvolle Daten.

Shiwen: Wie geht man genau vor?

Yongliang: Ich fordere die Teamleitung auf, drei Dinge zu tun. Erstens: Klare Problemlösungen für die Beschaffung von Expertendaten festlegen – nicht nur allgemein über „Qualitätssicherung“ sprechen. Zweitens: Ein Feedbackkreislauf entwerfen, damit die Entscheidungen der Experten nicht nur auf Beispielen beruhen, sondern als Grundlage für die kontinuierliche Kalibrierung des Modells dienen. Drittens: Den Entscheidungsprozess der Experten dokumentieren – nicht nur die endgültigen Tags. Tags sind statisch, der Entscheidungsprozess ist das, was das Modell wirklich lernen muss. Das ist meine Erfahrung, keine Statistik.

Shiwen: Gibt es irgendwelche Fallstricke?

Yongliang: Der größte Fehler ist, Experten als „menschliche korrekte Antworten“ zu betrachten. Experten machen auch Fehler und es gibt Meinungsverschiedenheiten zwischen ihnen. Wenn das Team keine Beurteilung der Einheitlichkeit der Experten hat, kann es leicht passieren, dass ihre Vorurteile in das Modell übergehen. Ich habe früher eine interne Regel festgelegt: Jedes Projekt, bei dem externe Experten eingesetzt werden, muss gleichzeitig mindestens zwei unabhängige Quellen für Kreuzvalidierung verwenden. Diese Regel klingt kompliziert, aber sie verhindert, dass eine Meinung allein als wissenschaftliche Wahrheit angesehen wird.

Frage 5: Was bedeutet das für gewöhnliche Menschen im Beruf?

Shiwen: Brauchen auch Menschen ohne Mediziner- oder Anwaltsqualifikation sich darum zu kümmern?

Yongliang: Die Antwort ist ja. „Hochqualifizierte Aushilfskräfte“ sind nur ein konkretes Phänomen. Das Wesentliche ist, dass die AI-Industrie immer mehr menschliches Wissen in handelbare Datenblöcke zerlegt. Die Diagnoselogik von Ärzten, die Vertragsentscheidungen von Anwälten, die Fehlerkorrekturinstinkte von Ingenieuren – all das wird heute zerlegt und morgen vielleicht deine branchenbezogene Erfahrung sein. LinkedIn listet Data Annotators als eine der viertgrößten Stellenbeschäftigungen auf, was zeigt, dass diese Entwicklung sich weiterentwickelt.

Shiwen: Was sind die Lehren für gewöhnliche Menschen?

Yongliang: Es gibt drei Aspekte. Erstens: Jedes Wissen, das in klare Beurteilungskriterien zerlegt werden kann, wird zu einem Kandidaten für das Modell. Das bedeutet, dass „wie viel man weiß“ nicht mehr wichtig ist, sondern „wo die Beurteilungskriterien unklar sind und wo sie abgewogen werden müssen“. Zweitens: Hohe Preise für Aushilfskräfte scheinen verlockend zu sein, aber gleichzeitig trainiert es ein System, das deine Kernkompetenzen kopieren kann. Drittens: Unternehmen werden immer mehr Menschen benötigen, die sowohl Geschäfts- als auch AI-Trainingslogik verstehen, um als „Wissensübersetzer“ zwischen Geschäft und Modell zu fungieren.

Shiwen: Ist das also eine Chance oder ein Risiko?

Yongliang: Für Einzelpersonen ist es eine Chance, für die Branche ein Risiko. Die Chance liegt darin, dass Profis Wissen auf eine bisher nicht existierende Weise vermarkten können; das Risiko besteht darin, dass diese Vermarktung oft unumkehrbar ist. Sobald deine Entscheidungen vom Modell gelernt werden, wirst du von „der einzigen Person, die das kann“ zu „einer der ersten, die dem Modell beibringen“. Diese Identitätsveränderung ist viel wichtiger als die Höhe des Stundenlohns.

Schlusswort: Die Karte entspricht nicht dem Territorium

Shiwen: Ein letzter Abschluss.

Yongliang: In einem Satz: Die AI-Trainingsgiganten zerlegen die Urteilsfähigkeit hochqualifizierter Fachleute in Daten. Eine Stundelohn von 400 US-Dollar mag teuer erscheinen, aber der wahre Preis ist, ob man genau weiß, was man verkauft hat. Die Zeit von Fachleuten kann gekauft werden, aber wenn das Wissen von den Modellen aufgenommen wird, ist es nicht mehr die Zeit selbst, die gehandelt wird, sondern der Wert, der in zahlreichen zukünftigen Anwendungen eigentlich dir zusteht.

Shiwen: Zusammenfassend: Wie zieht man diese Ausgabe in einem Satz zusammen?

Yongliang: In der AI-Gigabranche ist eine Stundelohn von 400 US-Dollar nicht das Teuerste. Was wirklich teuer ist, ist, dass man noch nicht verstanden hat, was man eigentlich verkauft hat.

Shiwen: Dieser Satz wünsche ich Ihnen allen. Bis zum nächsten Mal.

【Technische Tiefe】

Yongliang: Dieser Punkt ist besonders erwähnenswert. Der Markt für AI-Trainingsdaten teilt sich tatsächlich schnell in verschiedene Schichten auf. Unten befinden sich große Mengen an kostengünstiger allgemeiner Annotation, die hauptsächlich von globalen Giganten erledigt werden; in der Mitte gibt es „halbprofessionelle Annotation“ für spezifische Aufgaben, die eine gewisse Urteilsfähigkeit erfordern; und ganz oben befindet sich die „Expertenannotation“ oder „Expertenfeedback“, auf die sich diese Bericht konzentriert.

Yongliang: Diese Schichtung entspricht zwei Phasen des Modelltrainings. In der Vorausbildungsphase werden große Mengen an öffentlichen Texten verwendet, wobei die Anforderungen an die Qualität eines einzelnen Datensatzes relativ niedrig sind. In der Nachbearbeitungs- oder Feinabstimmungsphase werden hochwertige, anspruchsvolle Datensätze entscheidend, und hier wird der Wert von Fachleuten vervielfacht.

Yongliang: Ein weiterer technischer Punkt, der oft übersehen wird: Die Qualität von Expertendaten hängt nicht nur vom Experten selbst ab, sondern auch von der Aufgabenstellung und den Zertifizierungsstandards. Wenn die Aufgabenstellung zu eng gesteckt ist, kann der Experte nur Entscheidungen treffen, die entweder „richtig“ oder „falsch“ sind, ohne seine Urteilsfähigkeit voll auszuspielen. Wenn die Aufgabenstellung jedoch offen genug ist, um dem Experten zu ermöglichen, zu erklären, warum ein Fall mehrdeutig ist und wo die Grenzen liegen, dann kann die gesammelte Daten tatsächlich die Robustheit des Modells verbessern. Deshalb betone ich immer wieder, dass Unternehmen bei der Beschaffung von Expertendaten vor allem das „Entscheidungsprozess“ benötigen, nicht nur die „endgültigen Tags“.

Yongliang: Der letzte Punkt ist, dass mit der Entwicklung von Multimodal- und Agententechnologien die Nachfrage nach Expertendaten immer detaillierter und häufiger sein wird. Wenn Fachleute die Arbeit als Nebenjob betrachten, ist das kein Problem; aber wenn sie sie als Hauptweg zur beruflichen Umorientierung nutzen, müssen sie darüber nachdenken: Ist die von ihnen erworbenen Urteilsfähigkeit immer seltener oder wird sie standardisiert und kopierbar? Dieser Entscheidung ist mehr wichtig als jeder Stundenlohn, der von Plattformen angegeben wird.

👇 Was denkt ihr: Ist ein AI-Trainingsgigant mit einem Stundenlohn von 400 US-Dollar eine größere Chance oder ein größeres Risiko? Diskutiert in den Kommentaren, wir werden im nächsten Mal einige Beispiele auswählen. Folgt mir, um die Wahrheit über den Arbeitsmarkt in der AI-Ära wöchentlich zu erfahren.