Как AI скучает по человеку: буря, деньги и бессмысленные миллиарды

Корм для машин

В 19 лет Брендан Фуди со школьными друзьями открыл Mercor — автоматизированное агентство, которое помогало стартаперам находить программистов за границей. Запустились в 2023-м, алгоритмы сами отбирали резюме, интервьюировали кандидатов. Через пару месяцев у компании уже миллион долларов годовой выручки и приличная (для старта) прибыль.

Но настоящая жара началась, когда Scale AI пришла к ним с просьбой: «Нужно 1200 инженеров». Scale в тот момент уже на пару с Amazon метила в звезды — их ценили в $14 млрд за организацию армии людей по всему миру, которые размечали данные для автопилотов, ботов, магазинов. AI-компании вроде OpenAI и Anthropic осознали: чтобы научить чат-бота писать код, нужны не просто метки «кошечка/собачка», а опытные инженеры.

Так Mercor шагнул из разряда очередного аутсорсера в лавинообразный AI-бизнес. Вскоре Фуди понял: коллеги из Scale теряют репутацию и судятся из-за неуплаты зарплат, а IT-рабочие недовольны. В сентябре Mercor хвастается: $500 млн годовой выручки и звание «самой быстрой компании всех времён» (раньше рекорд был у Cursor).

После нового раунда инвестиций Mercor оценили в $10 млрд. Основатели по 22 года, а уже долларовые миллиардеры. Помощники уходят открывать свои AI-стартапы — рынок пахнет легкими деньгами.

Тем временем весь AI-рынок встряхивает новый тренд: заканчиваются бесплатные данные для обучения, нужна человеческая экспертиза — врачи, юристы, физики, консультанты. Данные превратились в золото: инвесторы считают, что в 2024 году только 5 крупных игроков потратят больше $10 млрд.

Пока сам AI ничего не зарабатывает, а вот «кормильцы» машин — вполне. Все крупные AI-компании теперь ищут не только data-центры, но и людей, которые составляют «рубрики» — бесконечные чек-листы критериев для каждого задания, чтобы диалоговый бот не нес чушь, а бухгалтерский бот не считал налоги в Африке по законам Канады.

Первые наборы данных для машинного обучения в 2010-х создавались на Amazon Mechanical Turk — платформа платит центы за разметку картинок. Позже появились Remotasks от Scale AI и Data Annotation Tech от Surge AI — уже деньги куда больше, контроль строже. Surge AI платит $30 в час лучшим из лучших (и, как другие, судится за классификацию и невыплаты — бой без правил).

Сегодня перспектива построена на все более сложных и уникальных тестах-рубриках: от консультаций в здравоохранении до юриспруденции. Специалисты тратят часы на создание одного чек-листа. Компаниям всё мало — требуется миллионы рубрик и критериев для каждого запуска обучения.

AI не умеет оценивать юридическую справку или анализ рынка, как человек. Пока они могут только в задачи с простым успехом: либо код работает, либо нет. Но реальная жизнь полна нюансов, и успех зависит от десятков факторов. Ученые говорят: индустрия спешит создать универсальный «функционал награды», но без изменения парадигмы такие задачи всё равно будут проваливаться.

Страсть к деталям приводит к абсурду: Mercor создает таксономии всего (от отраслей до этапов e-mail), инженеры строят симуляторы — AI-гимы, где модель тыкается во всё подряд, пока не поймет, куда кликать. Snorkel AI и конкуренты поставляют более сложные среды и рубрики, пытаясь научить нейросети настоящей «работе», а не олимпиадам по коду.

Наиважнейшее для AI — соотношение между прибыльностью и возможностью проверить, правильно ли выполнено задание. Поэтому рынок сейчас завален вакансиями для программистов, аналитиков, консультантов, юристов, физиков — и даже дрессировщиков зверей. Новый парадокс: наилучшие рубрики, по-прежнему создаёт человек, и под каждую индустрию требуется отдельный чек-лист.

Вся эта пена бурного успеха уже развела батальоны стартапов: Handshake AI зазывно поманил выпускников Беркли и Стэнфорда, Micro1 вырос с $10 до $100 млн в доходе за год. Meta купила 49% Scale AI, после чего крупные заказчики разбежались — и у Handshake все двери распахнулись.

Рядом суетятся все: от Убера, покупающего стартапы по разметке данных, до компаний, платящих анонимам в криптовалюте. Не отстает и рынок «автоматизации всей работы»: Mechanize грозится убрать людей совсем, продавая всё те же данные — и так далее по кругу.

Как и на золотой лихорадке, добычей разжились те, кто продаёт инструмент: место в цепочке теперь главное, рынок оценивают в миллиарды за стартап чуть ли не на стадии идеи.

Однако индустрия капризна: Appen, ещё недавно стоивший $4,3 млрд, за пару лет обрушился на 97%. Весь сектор держится на нескольких заказчиках, их смена способна обрушить компанию в нокдаун, но пока денег больше, чем труда.

Оживляют всё это взаимные подколы и ироничные баталии: основатели колют конкурентов за «отсталость», обвиняют друг друга в пиаре и краже клиентов. Scale сейчас даже судится с Mercor.

Всё же пока фронт надежд — это большие деньги и жесткий спрос. AI хотят как обычных, так и уникальных данных — и рынок разносит новые формы обучения. Scale росла, даже когда Meta забрала их CEO, запустили Human Frontier Collective для специалистов высшей лиги, теперь продают и оценочные тесты, чтобы клиенты видели, где им не хватает данных.

Эпичные оценки молодых компаний — мыльный пузырь или вера в прорыв к «искусственному общему интеллекту» (АГИ) — автономному суперуму, который всё делает вместо человека. Но пока реальность проще: чем дальше, тем больше нужно новых данных и всё больше рубрик.

А пока высшие умы AI тратят миллиарды и строят воздушные замки без единого признака окупаемости, кормящие их стартапы богатеют. Все повторяют: автоматизация придет — но только через «контакт-центры», тысячами вариантов и критериев.

Одно ясно: пока AI не научился делать выводы сам, ручной труд даталейблеров будет самым прибыльным бизнесом десятилетия.