Von Radiologen bis zu Anwälten: Experten verdienen gut an boomenden KI-Trainingsjobs

Eine neue Art von Gig-Economy nimmt still und leise Gestalt an – und dieses Mal liefern die Freiberufler nicht Essen oder fahren Passagiere, sondern bringen künstlicher Intelligenz das Denken bei.

In den gesamten Vereinigten Staaten melden sich hochqualifizierte Fachkräfte zunehmend für stundenweise Arbeit zur Schulung von KI-Systemen an, angezogen von guter Bezahlung und flexiblen Arbeitszeiten in einer Zeit, in der traditionelle Beschäftigungsmöglichkeiten schwerer zu finden sind.

Plattformen, die sich darauf spezialisiert haben, Experten mit KI-Entwicklern zusammenzubringen, sind zu einem zentralen Bestandteil dieses Trends geworden. Ein in San Francisco ansässiges Startup, Mercor, hat Berichten zufolge im vergangenen Jahr rund 30.000 Vertragsarbeiter beschäftigt und wird auf etwa 10 Milliarden Dollar geschätzt. Sein Geschäftsmodell ähnelt dem von Marktplatzplattformen: Es verbindet Spezialisten mit Tech-Firmen und behält einen Anteil – etwa 30 % – dessen, was Kunden zahlen.

Die Aufgaben variieren stark, haben aber ein gemeinsames Ziel: zu verbessern, wie Maschinen argumentieren. Arbeiter können Fragen entwerfen, die Chatbots nicht beantworten können, Ausgaben konkurrierender Modelle vergleichen oder erklären, welche Antworten professionellen Standards entsprechen.

Und die Vergütung kann bemerkenswert sein. Radiologen werden bis zu 340 Dollar pro Stunde angeboten, um diagnostisches Denken zu entwickeln, während Anästhesisten etwa 200 Dollar verdienen können. Es gibt sogar weniger spezialisierte Rollen – vom Simulieren von Callcenter-Gesprächen mit spezifischen Akzenten bis zum Analysieren von Basketballspielen – was darauf hindeutet, dass nahezu jedes Feld Wissen besitzt, das KI-Unternehmen aufnehmen möchten.

Der durchschnittliche Stundenlohn über alle Projekte hinweg soll etwa 85 Dollar betragen.

Für einige Teilnehmer ist die Arbeit schnell finanziell bedeutsam geworden. Matthew Simmons, ein Doktorand der Literaturwissenschaft, der sich zuvor mit Teilzeitunterricht über Wasser hielt, verbringt jetzt etwa 30 Stunden pro Woche damit, KI-Ergebnisse auf mehreren Plattformen zu bewerten. Er schätzt seine Stundenlöhne auf etwa 65 Dollar – mehr als das Dreifache dessen, was er einst für das Korrigieren von Studentenessays verdiente – was sein Einkommen effektiv verdoppelt.

Trotz der höheren Bezahlung hofft Simmons immer noch, eine Vollzeit-Akademikerstelle mit Leistungen zu erhalten. Doch der stetige Fluss an KI-Aufgaben hat es schwierig gemacht, sich davon zu lösen. Wie er indirekt durch seine Erfahrung bemerkte, ist die Rechnung einfach: Wenn der Stundenlohn attraktiv ist, wird das Abmelden schwieriger als erwartet.

Andere kamen auf weniger geplanten Wegen. Ben Spangler, ein promovierter Chemiker, dessen Startup 2025 die Finanzierung verlor, wurde von einer Recruiting-Plattform angesprochen, nachdem er online Beratungsdienste beworben hatte. Er testet jetzt KI-Systeme für pharmazeutische Anwendungen und identifiziert Fragen, die diese nicht zuverlässig beantworten können.

Obwohl die Bezahlung etwas unter seinen früheren Beratertarifen liegt, schätzt Spangler die Flexibilität und die Möglichkeit, die Spitzenentwicklung der KI hautnah zu beobachten. Seine Einschätzung ist pragmatisch: Die Modelle sind überzeugend, aber weit entfernt von Makellosigkeit und erfordern oft eine Expertenprüfung, um erfundene Quellen oder logische Fehler aufzudecken.

Der Anstieg der Experten-Gig-Arbeit spiegelt zwei sich überschneidende Kräfte wider.

Erstens benötigen KI-Entwickler zunehmend spezialisiertes Wissen, da Modelle in Bereiche wie Medizin, Recht und Finanzen expandieren. Früheres Training basierte oft auf geringer bezahlter Datenbeschriftung, die häufig in Entwicklungsländer ausgelagert wurde. Heutige Aufgaben erfordern tiefere Expertise, was Unternehmen dazu drängt, Fachkräfte hauptsächlich aus industrialisierten Volkswirtschaften wie den USA, Großbritannien und Kanada zu rekrutieren.

Zweitens hat ein abkühlender Arbeitsmarkt viele qualifizierte Arbeitskräfte offener für unkonventionelle Rollen gemacht. Wirtschaftliche Unsicherheit und längere Stellensuche haben arbeitslose, pensionierte oder unterbeschäftigte Fachkräfte zu Plattformen gedrängt, die ein sofortiges Einkommen versprechen.

Für KI-Unternehmen bietet die Regelung Effizienz. Anstatt kostspielige institutionelle Partnerschaften einzugehen, erhalten sie direkten Zugang zu den Menschen, die das benötigte Wissen besitzen.

Dennoch wirft die Konstellation eine offensichtliche Frage auf: Bilden diese Experten effektiv ihren zukünftigen Ersatz aus?

Die Meinungen gehen auseinander. Spangler argumentiert, dass menschliche Aufsicht unerlässlich bleiben wird, insbesondere in risikoreichen Bereichen wie der Arzneimittelentwicklung, wo Rechenschaftspflicht nicht automatisiert werden kann. Simmons ist weniger sicher, aber pragmatisch und deutet an, dass unmittelbare finanzielle Realitäten längerfristige Spekulationen überwiegen.

Ein unerwarteter Nebeneffekt war professionelle Skepsis. Nach Monaten, in denen er maschinengenerierte Antworten seziert hat, sagt Simmons, dass er KI-Antworten jetzt vorsichtiger begegnet – insbesondere kostenlosen Tools, die Geschwindigkeit über Tiefe prioritäten könnten.

Wenn nichts anderes, so unterstreicht das Phänomen ein Paradox im Herzen des KI-Booms: Je intelligenter Maschinen werden, desto dringender scheinen sie menschliche Lehrer zu benötigen. Ob diese Abhängigkeit Bestand hat, könnte nicht nur die Zukunft der Arbeit bestimmen – sondern auch, wer sie noch ausführt.