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, 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:

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.