# Як генеративний AI обвалив індустрію розмітки даних у Найробі > The Decoder показує, як генеративний AI знищив аутсорсинговий ринок розмітки даних і модерації контенту в Найробі, який сам і породив. - Опубліковано: 7 вересня 2026 р. (2026-09-07T14:32:35.237463+00:00) - Розділ: Бізнес - На основі публікації: [The Decoder](https://the-decoder.com/how-ai-wiped-out-an-entire-industry-in-nairobi/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=%D1%8F%D0%BA-%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D0%B8%D0%B9-ai-%D0%BE%D0%B1%D0%B2%D0%B0%D0%BB%D0%B8%D0%B2-%D1%96%D0%BD%D0%B4%D1%83%D1%81%D1%82%D1%80%D1%96%D1%8E-%D1%80%D0%BE%D0%B7%D0%BC%D1%96%D1%82%D0%BA%D0%B8-%D0%B4%D0%B0%D0%BD%D0%B8%D1%85-%D1%83-%D0%BD%D0%B0%D0%B9%D1%80%D0%BE%D0%B1%D1%96 --- Найробі, столиця Кенії, за кілька років буму генеративного AI перетворилася на один із головних глобальних хабів «невидимої» праці для великих мовних моделей: тисячі людей розмічали дані, модерували токсичний контент і давали зворотний зв'язок для тренування систем від найбільших AI-компаній світу. [За даними The Decoder](https://the-decoder.com/how-ai-wiped-out-an-entire-industry-in-nairobi/), ця індустрія зараз практично зникла — і зникла вона під тиском саме тієї технології, яку допомагала створювати. Історія виглядає як замкнене коло. Спершу генеративному AI були потрібні мільйони людино-годин ручної праці, щоб навчитися відрізняти токсичний контент від нейтрального і правильну відповідь від неправильної. Ця праця виявилася дешевою саме в Кенії, тож аутсорсингові компанії масово відкривали там офіси під замовлення західних AI-гігантів. Тепер, за даними The Decoder, попит на цю працю обвалився — а разом із ним і зайнятість тисяч кенійців, які встигли побудувати навколо неї кар'єру. Для AiiN ця історія цікава не як локальна економічна замітка, а як наочна ілюстрація того, наскільки нестабільним може бути ринок праці, що виникає навколо швидкозмінної технології. ## Що саме сталося з ринком праці в Найробі? За даними The Decoder, сектор зайнятості, побудований навколо обслуговування генеративного AI, практично зник у Найробі. Йдеться не про поступове скорочення штатів, а про обвал цілої галузі, яка ще недавно вважалася одним із головних джерел нових «цифрових» робочих місць для кенійської молоді. Основу цього ринку формували три напрями роботи: - розмітка даних для тренування мовних моделей; - модерація токсичного та шкідливого контенту; - RLHF — оцінка й ранжування відповідей AI-моделей людьми. Саме на цих трьох напрямах виріс аутсорсинговий ринок Найробі за час буму генеративного AI — і саме вони першими опинилися під ударом, коли попит на людську працю почав стискатися. ## Чому генеративний AI обвалив власний фундамент? Відповідь по суті парадоксальна: технологія, яка на етапі навчання потребувала мільйонів людино-годин ручної розмітки, з часом значною мірою навчилася обходитися без цієї праці або звела її обсяг до мінімуму. Ймовірно, свою роль тут відіграло й те, що частину рутинної розмітки та модерації сьогодні виконують уже самі AI-моделі наступних поколінь — цикл замкнувся: система, натренована людьми, витісняє людей, які її тренували. Другий фактор — конкуренція за найдешевшу робочу силу. Аутсорсингові контракти на кшталт тих, що отримували компанії на кшталт Sama, історично переміщувалися між країнами Глобального Півдня в пошуках найнижчої погодинної ставки. Найробі був однією з таких точок — і втратити цей статус так само легко, як і здобути його. ## Чому це важливо для глобального Півдня? Найробі — не виняток, а приклад загальної закономірності: країни Глобального Півдня отримали частину «цифрової» зайнятості завдяки буму генеративного AI, але ця зайнятість виявилася вбудованою в перехідний, а не постійний етап розвитку технології. За нашою оцінкою, подібний сценарій — стрімке зростання попиту на людську працю з таким же стрімким його зникненням — цілком може повторитися в інших країнах, де вже працюють аутсорсингові хаби для AI-компаній, зокрема на Філіппінах, в Індії та у Венесуелі. Для західних AI-компаній цей епізод залишається малопомітним рядком у бюджеті на дані. Для тисяч людей у Найробі — це втрачений дохід і зруйнована галузь, яку ніхто не збирався підтримувати довгостроково. ## Висновок AiiN: дешева праця для AI — тимчасовий, а не стабільний ринок Наша теза проста: ринок праці, вибудований навколо обслуговування генеративного AI, за визначенням короткостроковий — попит на людську розмітку й модерацію існує лише доти, доки моделі не навчаться обходитися без неї або поки не з'явиться дешевша альтернатива. Компаніям і урядам, які роблять ставку на аутсорсинг AI-праці як драйвер зайнятості, варто закладати в плани сценарій швидкого згортання попиту, а не екстраполювати поточні контракти на роки вперед. Історія Найробі — це попередження для будь-якого регіону, який будує економіку на послугах, потрібних AI-індустрії лише на певному етапі її розвитку. ## Що таке RLHF і чому він потребував стільки людей? RLHF (Reinforcement Learning from Human Feedback) — метод донавчання мовних моделей, за якого люди оцінюють і ранжують відповіді AI, а модель коригує поведінку відповідно до цих оцінок. На ранніх етапах розвитку генеративного AI цей процес потребував величезних обсягів ручної праці, тому компанії масово наймали розмітників у країнах із дешевою робочою силою, зокрема в Кенії. ## Чи може подібне статися в інших країнах? Так, і за нашою оцінкою це радше питання часу, ніж імовірності. Будь-який регіон, чия зайнятість тримається переважно на аутсорсингових контрактах для розмітки даних чи модерації контенту для AI-компаній, залежить від рішень, які ці компанії ухвалюють централізовано — без огляду на локальні економічні наслідки. --- Теги: AI, Nairobi, Kenya, глобальнийПівдень, ринокпраці, генеративнийAI Джерело: AiiN — https://aiin.news/article?slug=%D1%8F%D0%BA-%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D0%B8%D0%B9-ai-%D0%BE%D0%B1%D0%B2%D0%B0%D0%BB%D0%B8%D0%B2-%D1%96%D0%BD%D0%B4%D1%83%D1%81%D1%82%D1%80%D1%96%D1%8E-%D1%80%D0%BE%D0%B7%D0%BC%D1%96%D1%82%D0%BA%D0%B8-%D0%B4%D0%B0%D0%BD%D0%B8%D1%85-%D1%83-%D0%BD%D0%B0%D0%B9%D1%80%D0%BE%D0%B1%D1%96. Цитуючи, посилайтесь на канонічний URL.