8 Minuter
Någonstans mellan en åker och ett flygdäck håller ChatGPT på att lära sig hur verkligheten fungerar — en frilansuppgift i taget. Denna process är inte bara en serie generella datapunkter utan en målinriktad inmatning av yrkesspecifik kunskap som efterliknar autentiska arbetsuppgifter och beslutsprocesser som förväntas i riktiga yrken.
Bakhändelserna visar en växande nätverksstruktur av kontrakterade experter som matar AI:n med mycket specialiserad kunskap. Det handlar inte om bred, generisk data utan om den typ av expertis man förväntar sig av en markvetare, en kommersiell pilot eller en medicinsk specialist. Dessutom kompenseras många av dessa experter relativt väl för sitt bidrag, vilket gör arbetet både attraktivt och kontroversiellt i olika kretsar.
Dokument som granskats av Business Insider avslöjar en OpenAI-anknuten satsning — internt benämnd Projekt Stagecraft — där tusentals frilansare antas bidra till hur AI förstår och reproducerar riktiga arbetsroller. Samordningen sker via Handshake AI, en San Francisco-baserad startup som tyst har förvandlats från en karriärplattform till en betydande aktör inom dataannotering och träningsdataförsörjning för maskininlärning.
Att lära AI att tänka som en yrkesperson
Detta är inte ett typiskt data-taggningsuppdrag där man bara markerar etiketter eller väljer kategorier. Kontraktörer uppmanas att inta en roll — till exempel sjuksköterska, musikchef eller ekonomiansvarig — och skapa realistiska scenarier från grunden. De skriver prompts och instruktioner som speglar faktiska arbetsflöden: utarbetande av rapporter, analys av datamängder och framställning av leverabler som motsvarar verkliga krav och standarder inom respektive fält.
Vridningen i arbetssättet är tydlig: allt ska utformas som om uppgiften tilldelades en mänsklig kollega, inte en algoritm. Ingen förskönande förenkling eller ”dumbning down” accepteras — målet är autenticitet och att få modellen att efterlikna yrkesmässigt beteende och resonemang. Detta innebär att träningsmaterialet behöver innehålla verkliga värderingsbedömningar, prioriteringar och rimliga antaganden som yrkesutövare normalt gör vid beslutsfattande.
En utbildningshandledning formulerar det kortfattat: fokusera på kunskapsarbete, inte manuellt arbete. Det innebär att simulera beslutsfattande, kritiskt tänkande och domänspecifik expertis — färdigheter som definierar moderna professioner och som ofta är svåra att koda med rena statistiska metoder utan kontextuell mänsklig input.
I ett konkret exempel ombeds bidragsgivare agera som ekonomichefer för en teaterförening och konstruera löne- och redovisningskalkyler baserade på fackliga avtal och lokal praxis. I ett annat exempel kan uppgiften vara att producera en 10-sidig översikt av medicinsk litteratur med källgranskning och kritisk analys. Dessa är inte pedagogiska övningar i förenklad form — de är utdrag av verkliga arbetsuppgifter som kräver expertbedömning och branschkunskap.
En arbetsstyrka som växer till tusentals
Projektets omfattning antyder att grovt räknat 3 000 till 4 000 frilansare redan är involverade. Ersättningen börjar ofta runt 50 USD per timme för enklare eller mer standardiserade uppdrag, men för mycket specialiserad expertis kan timpriserna stiga kraftigt — i vissa fall upp till 500 USD per timme enligt annonser och uppdragsbeskrivningar som lagts ut på Handshake-plattformen. Denna differentiering i betalning speglar marknadsvärdet av sällsynt eller reglerad yrkeskunskap.
Spektrat av yrken som nämns är slående: kommersiella piloter, geovetare, apotekare, jordbrukare, HR-specialister, konstnärer och till och med skulptörer finns med bland dem som bidrar. En läckt kalkylbladsversion kopplad till projektet listade hundratals roller över olika branscher tillsammans med kontaktuppgifter till kontraktörer, vilket väckte tyst oro över exponering av personuppgifter och säkerheten kring känslig information.
Varje inskickad arbetsleverans genomgår flera granskningar: först intern kvalitetskontroll, sedan bedömning av sakkunniga inom det aktuella ämnesområdet, och slutligen en ytterligare granskning av OpenAI för att säkerställa att materialet uppfyller de krav som ställs för träningsdata. Syftet är att garantera att modellen inte bara låter sakkunnig utan faktiskt beter sig som någon som förstår och kan utföra jobbet.
Resultatet är en förskjutning i hur AI tränas: mindre fokus på generell intelligens och mer på yrkeskredibilitet.
Samtidigt finns en påtaglig spänning. Vissa medverkande är fullt medvetna om den paradoxala situationen: de förbättrar system som potentiellt kan utföra delar av deras eget arbete i framtiden. Denna medvetenhet skapar etiska och arbetsmarknadsmässiga dilemman om automatisering, yrkesidentitet och kontroll över kunskap och arbetsprodukter.
Dessutom har spänningen ökat i kölvattnet av rapporter om tvister kring ersättning. Flera kontraktörer hävdar att de nekats utbetalningar på tusentals dollar för fullföljt arbete med motiveringen att de ska ha brutit mot plattformens regler — beslut som enligt dem fattats utan möjlighet till effektiv överklagan. Handshake har avböjt att kommentera offentligt, och OpenAI har inte gett någon detaljerad förklaring i dessa frågor, vilket lämnar många frågor obesvarade om avtalsvillkor, tvistlösning och transparens.
Trots dessa kontroverser är rörelsen mot att integrera mänsklig yrkeskunskap i AI-modeller tydlig och accelererande. När AI-systemen går djupare in i specialiserade domäner, förändras efterfrågan på mänsklig expertis — inte nödvändigtvis i volym, men i typ och kvalitet. För närvarande är det de människor som står närmast det praktiska arbetet som i hög grad formar hur dessa modeller slutligen beter sig.
Genom att delta i träningsarbetet kan dessa experter påverka vilka normer, prioriteringar och tolkningar AI:n kommer att återge, vilket innebär att de i viss mån definierar framtiden för sina egna yrken. Samtidigt väcker detta frågor om ansvar, upphovsrätt till arbetsresultat och rätten till ersättning när AI börjar generera arbete som bygger direkt på mänskligt skapad expertis.
Utöver de omedelbara arbetsmarknadseffekterna finns också tekniska och metodologiska insikter att hämta. Att träna modeller med verkligt yrkesmaterial öppnar möjligheter till mer robusta och kontextkänsliga system; modeller som inte bara känner igen termer utan också förstår hur beslut vägs och formuleras i praktiken. Detta kräver kombinationen av högkvalitativa annoteringar, domain-experter och ett tydligt ramverk för kvalitetssäkring för att undvika att modeller lär sig felaktiga, fördomsfulla eller icke-representativa mönster.
Integritetsfrågor och dataskydd är centrala i denna utveckling. Eftersom många arbetsuppgifter kan innehålla känsliga detaljer — exempelvis patientinformation, arbetsgivarvillkor eller ekonomiska siffror — måste plattformar och beställare implementera starka rutiner för anonymisering, sekretessavtal och säker datahantering för att undvika läckor och otillbörlig exponering av både individer och organisationer.
Slutligen finns även en politisk och regulatorisk dimension. Lagstiftning om AI, arbetsrätt och yrkesansvar utvecklas i många jurisdiktioner, och hur dessa områden regleras kommer att påverka incitament, ramar för ersättning och garantier för personer som bidrar med expertkunskap till träningsdata. Transparens i hur data används, vem som äger det slutliga träningsmaterialet och vilka rättigheter arbetsbidragsgivarna har blir alltmer centrala frågor för både plattformsleverantörer och myndigheter.
För nu formar människorna närmast arbetet i praktiken hur dessa modeller utvecklas. Deras insatser kan ge AI-system den nödvändiga yrkeskompetensen för att fungera i professionella sammanhang — samtidigt som de ställer relevanta frågor om maktbalans, ersättning och framtidens arbetsroller.
Att navigera denna övergång kräver en balans mellan teknisk kvalitet, etisk medvetenhet och rättvisa arbetsvillkor. Om den kombinationen lyckas kan resultatet bli AI som stärker yrkesutövning genom att komplettera och förstärka människors arbete. Om den misslyckas riskerar vi både att undervärdera mänsklig expertis och att skapa system som reproducerar bristfälliga eller osäkra standarder i professionellt arbete.
Lämna en kommentar