Сначала доставка, потом — 15 секунд видео для алгоритма
Представьте: вы только что сдали заказ из ресторана. Вместо того чтобы ехать дальше, вы достаете телефон, нажимаете кнопку в приложении DoorDash и снимаете 15-секундный ролик о том, как вы подходите к дверям многоквартирного дома. За это вам платят $2. Добро пожаловать в мир DoorDash Tasks — скрытую систему сбора данных для ИИ, построенную на спине гиг-работников.
Эта программа существует уже пару лет, но к 2026 году она превратилась в полноценный конвейер по созданию датасетов для компьютерного зрения. Компания называет это "микро-заданиями" для "улучшения опыта доставки". На деле курьеры собирают тысячи часов видео о подъездах, дверных звонках, парковках и внутренних дворах. Сырье для обучения следующих моделей, которые должны будут автоматизировать… ну, в общем-то, их же работу.
В марте 2026 года DoorDash не раскрывает, для каких именно моделей ИИ собираются эти данные. Но логика подсказывает: это тренировочный материал для алгоритмов автономной доставки, оценки состояния объектов и навигации в "последней миле".
Механика сделки: $2 за ваш взгляд на мир
Как это работает технически? После завершения основной доставки в приложении появляется всплывающее окно с заданием. Необязательное. Типа "Снимите видео подхода к входной двери с указанием номера квартиры". Или "Запишите, как вы звоните в домофон". Инструкции простые, оплата — мгновенная, к основной сумме за доставку.
Звучит невинно? Пока не узнаешь детали.
- Курьеры не знают, кто в итоге получит эти видео и для чего конкретно они будут использованы. Лицензионное соглашение — это многостраничный документ, который никто не читает.
- Оплата не учитывает время на задание. $2 за 2 минуты — неплохо. $2 за 10 минут (включая парковку, ожидание хорошего ракурса) — уже ниже минимальной оплаты труда в большинстве штатов.
- Видео снимаются в жилых районах, часто с захватом лиц случайных прохожих, автомобильных номеров, деталей частной собственности. Анонимизация таких данных — задача почти нерешаемая для моделей компьютерного зрения 2026 года, даже для самых продвинутых версий вроде OpenAI o3 или Gemini 2.5 Pro Vision.
И вот здесь начинается этическая каша. Курьеры — не сотрудники, а независимые подрядчики. Их не обучают этике сбора данных. Они не дают согласия от лиц, попавших в кадр. Они просто хотят заработать дополнительные $20 за день. А DoorDash получает дешевый, масштабируемый способ собрать уникальный датасет, который нельзя просто скачать из интернета.
Это не баг, это фича новой экономики данных
DoorDash — не единственные, кто додумался до такого. В 2025 году OpenAI платила подрядчикам за анализ чужих рабочих файлов для обучения Codex. Но там хотя бы данные были обезличены и брались из публичных источников. Здесь же сбор происходит в реальном мире, в реальном времени, без ведома людей вокруг.
Тренд очевиден: для обучения ИИ нового поколения нужны не просто тексты с GitHub или картинки из Instagram. Нужны контекстуальные, многомодальные данные из физического мира. И кто их может собрать лучше и дешевле, чем армия гиг-работников, уже оснащенных смартфонами и мотивацией подзаработать?
Этические рамки здесь размыты до предела. С одной стороны, курьеры соглашаются добровольно. С другой — их экономическое положение не оставляет реального выбора. $2 — это не оплата труда, это микро-стимул, который эксплуатирует финансовую уязвимость.
А что с конфиденциальностью людей, чьи дома и лица попадают в кадр? В теории видео должны обрабатываться и обезличиваться. На практике алгоритмы сегментации 2026 года все еще допускают ошибки. И где гарантия, что эти данные не будут использованы для тренировки моделей распознавания лиц или оценки имущества?
Что дальше? Беспилотники будут учиться на ваших видео
Прогноз на ближайшие два года мрачноват, но реалистичен. Такие практики станут нормой. Uber Eats уже тестирует похожую систему сбора аудиоданных о шуме в ресторанах. Instacart экспериментирует с фото-заданиями по оценке свежести овощей в магазинах.
Гиг-экономика плавно трансформируется в гиг-дата-экономику. Работники продают не только свою доставку или поездку, но и свой взгляд на мир как тренировочные данные. И самое ироничное — эти же данные ускорят приход автономных систем, которые в итоге заменят этих самых работников.
Что делать, если вы разработчик ИИ и вам нужны качественные данные? Не повторяйте эту схему. Посмотрите на проекты вроде Kaggle Challenge с Gemma 3n, где сбор данных происходит этично, с информированным согласием и реальной пользой для сообщества. Или изучите, как создают датасеты для научных ассистентов — прозрачно и коллаборативно.
Совет от инсайдеров отрасли на 2026 год: если вы строите модель, которая будет работать в физическом мире, инвестируйте в симуляцию. Unreal Engine 6 и NVIDIA Omniverse уже позволяют генерировать фотореалистичные видео-датасеты для тренировки ИИ без этических кошмаров. Это дороже на старте, но дешевле в долгосрочной перспективе, если учесть судебные риски.
А что касается курьеров DoorDash? Их следующий "таск" может быть по сбору данных для ИИ, который будет оценивать их эффективность. Круг замыкается. И пока регуляторы спят, бизнес-модель будущего пишется не в Кремниевой долине, а на задних сиденьях машин, где водитель снимает на телефон еще одно видео, чтобы заправить бензобак.
P.S. Если думаете, что это касается только доставки еды, посмотрите, как архитекторы становятся дирижерами данных для ИИ. Или как разработчики теряют 80% задач из-за автоматизации. Сбор данных — это новая нефть. И ее качают те, кто меньше всего может отказаться.
