L'addestramento dei robot umanoidi in India paga oggi i lavoratori, automatizzandone però le competenze

L'addestramento dei robot umanoidi in India ha creato un patto inquietante: i lavoratori guadagnano denaro extra registrando le stesse competenze che le aziende dell'automazione vogliono far riprodurre alle macchine.

Nei centri di riciclaggio, nelle fabbriche, nei magazzini, nelle aziende agricole, nei cantieri e nelle case, i lavoratori fissano iPhone o videocamere specializzate alla testa. Le registrazioni catturano il modo in cui le loro mani separano la plastica, cuciono scarpe, preparano il cibo, maneggiano utensili e confezionano merci.

Questo lavoro fornisce un reddito immediato, talvolta a persone con stipendi mensili modesti. Ma trasforma anche la loro esperienza in dati di addestramento riutilizzabili, capaci di andare ben oltre il luogo di lavoro in cui sono stati registrati.

Questo conflitto è al centro di un episodio dell'8 settembre del podcast Big Take Asia di Bloomberg. L'episodio si basa su un'inchiesta di agosto relativa a decine di migliaia di lavoratori reclutati per la raccolta di dati in prima persona in tutta l'India.

La sfida principale non è semplicemente quella tra persone e robot. È quella tra il bisogno immediato di reddito dei lavoratori e il valore a lungo termine estratto dalle loro competenze registrate.

Le aziende di robotica hanno bisogno di esempi del mondo reale perché dimostrazioni impressionanti raramente si traducono in un lavoro affidabile. Una macchina che attraversa un palco camminando necessita comunque di un addestramento esteso prima di poter separare oggetti irregolari o manipolare utensili sconosciuti.

I lavoratori indiani stanno contribuendo a colmare questo divario. Tuttavia, chi crea questa preziosa risorsa spesso dispone di informazioni limitate sui suoi acquirenti, sugli usi futuri o sul suo valore economico.

L'addestramento dei robot umanoidi in India inizia con un iPhone

La filiera di addestramento dei robot comincia con lavoratori comuni che svolgono compiti familiari mentre una videocamera registra i loro movimenti dalla loro stessa prospettiva.

Le registrazioni dei lavoratori di Bloomberg includono la storia di Sunita Rathore, 43enne addetta alla selezione dei rifiuti a Nuova Delhi. Separa la plastica a Karan Vihar, un distretto del riciclaggio sul margine occidentale della città.

Rathore indossa un iPhone puntato verso le mani. Il dispositivo registra mentre rimuove etichette, pulisce la plastica, separa il materiale per qualità e impila i sacchi risultanti.

Secondo quanto riportato, guadagna 20.000 rupie al mese dal suo lavoro abituale. Registrare il processo le frutta altre 150 rupie per ogni ora filmata.

Quel reddito aggiuntivo è importante per Rathore. Ha detto a Bloomberg che la stava aiutando a risparmiare per l'istruzione dei suoi quattro figli.

Il suo caso illustra anche lo squilibrio informativo all'interno di questo nuovo mercato del lavoro. Bloomberg ha riferito che Rathore non sapeva a cosa sarebbero servite, in ultima analisi, le riprese.

L'incarico richiede più che accendere una videocamera. Rathore deve mantenere le mani visibili, impedire che compaiano altre persone e interrompere la registrazione quando qualcuno si avvicina o la chiama.

Progetti simili usano videocamere montate sulla testa, sul torace o sul polso del lavoratore. Alcuni sistemi aggiungono sensori di movimento, videocamere di profondità, guanti tattili o unità di misura inerziali che registrano i movimenti del corpo.

Il materiale risultante è chiamato dato egocentrico, ossia informazioni video e sensoriali catturate dal punto di vista in prima persona di chi svolge l'attività. Approssima ciò che una videocamera montata su un robot osserverebbe durante lo stesso compito.

Questa prospettiva è importante perché una videocamera convenzionale dall'altra parte della stanza può perdere dettagli cruciali. Il corpo del lavoratore può nascondere l'oggetto, l'angolazione della presa o l'istante in cui un utensile tocca una superficie.

I video montati sulla testa seguono l'attenzione e le mani del lavoratore. Rivelano come appaiono gli oggetti immediatamente prima e dopo ogni piccola azione.

Un addetto alla produzione di scarpe non si limita a “fare una scarpa”. Seleziona un componente, lo posiziona, cambia presa, applica uno strumento, ispeziona il risultato e reagisce alle imperfezioni.

Le aziende di dati possono suddividere questa sequenza in unità più piccole. A ciascuna possono essere assegnate etichette che descrivono gli oggetti, le azioni, i punti di contatto e il risultato atteso.

Questa combinazione supporta modelli visione-linguaggio-azione. Questi sistemi collegano osservazioni visive e istruzioni linguistiche ad azioni fisiche, come raggiungere un pacco o collocarlo su un nastro trasportatore.

Lo sforzo di raccolta va ben oltre il riciclaggio. Bloomberg ha riferito di attività in fabbriche di denim, comunità di pescatori, impianti calzaturieri, cantieri, magazzini e altri luoghi di lavoro.

I lavoratori possono usare un iPhone fissato a un cappellino o a una fascia per la testa. Altri incarichi richiedono attrezzature progettate per misurare movimento, pressione o profondità con maggiore precisione.

L'India offre sia varietà sia scala. Molte attività prese di mira dagli sviluppatori di robotica restano ad alta intensità di lavoro nel Paese, anche quando i mercati più ricchi utilizzano già automazione industriale fissa.

Il Paese ospita inoltre reti dense di appaltatori, fabbriche, piattaforme di servizi e imprese di etichettatura dei dati. Queste reti permettono di reclutare lavoratori e organizzare registrazioni in molti contesti.

Il ruolo dell'India non è quindi incidentale. Il Paese sta diventando parte della catena di fornitura dei robot umanoidi, anche se le macchine finali potrebbero essere costruite o impiegate altrove.

L'esportazione di valore non è un componente manifatturiero. È una registrazione strutturata dell'esperienza umana.

I dati del mondo reale sono diventati l'input scarso della robotica

Gli sviluppatori di umanoidi hanno imparato che hardware migliori e modelli più grandi non possono sostituire esempi dettagliati di come il lavoro fisico si svolga fuori da un laboratorio.

I modelli linguistici hanno beneficiato di enormi quantità di testo già disponibili online. I robot affrontano un problema diverso perché internet contiene meno registrazioni utilizzabili delle azioni fisiche.

Un'istruzione scritta può dire: “Rimuovi l'etichetta dalla borsa”. Non mostra quanta tensione applicare, dove posizionare ogni dito o come reagire quando la plastica si strappa.

Un video pubblico può mostrare il compito da un'angolazione inadatta. Può inoltre mancare di profondità, forza, tempistica ed etichette a livello di oggetto.

I robot hanno bisogno di esempi che colleghino percezione e azione. Devono riconoscere un oggetto, scegliere un movimento, eseguirlo in sicurezza e valutare l'ambiente modificato.

Piccole variazioni possono interrompere questa sequenza. L'illuminazione cambia, i materiali si piegano, i pacchi arrivano danneggiati, gli utensili si spostano e le persone entrano nello spazio di lavoro.

Ecco perché le dimostrazioni curate offrono prove incomplete. Un robot può avere successo in una stanza controllata e fallire quando compaiono disordine, interruzioni o oggetti sconosciuti.

Il processo dei dati egocentrici cerca di catturare queste variazioni. Le riprese in prima persona preservano le interazioni con gli oggetti e i fini movimenti delle mani che le videocamere distanti spesso perdono.

Le aziende di dati poi puliscono e annotano le registrazioni. I revisori possono identificare pose delle mani, punti di presa, tempi di contatto, confini delle azioni e gli oggetti coinvolti.

Una clip di una persona che assembla un prodotto potrebbe diventare diverse azioni etichettate. Queste potrebbero includere la selezione di una vite, l'allineamento di un pannello, il serraggio del fissaggio e il posizionamento dell'oggetto finito da parte.

Questa elaborazione trasforma il video in un set di dati utilizzabile da un team di robotica. Alcuni team addestrano i modelli direttamente dalle dimostrazioni, mentre altri usano le riprese per informare simulazioni o teleoperazione.

Per teleoperazione si intende il controllo remoto di un robot da parte di un essere umano, mentre il sistema registra la relazione tra istruzioni, osservazioni e comandi motori. Produce dati altamente rilevanti per i robot, ma richiede l'accesso a macchine funzionanti.

I video umani sono più facili da raccogliere su larga scala. Un'azienda può inviare telefoni o impianti di ripresa in molti luoghi di lavoro senza fornire un robot a ogni collaboratore.

Questa differenza aiuta a spiegare l'improvviso interesse commerciale per il movimento umano ordinario. Milioni di lavoratori possono generare esempi in parallelo mentre i laboratori di robotica continuano a migliorare le loro macchine.

Human Archive rappresenta una parte di questo mercato emergente. La startup di San Francisco e Bengaluru descrive il proprio prodotto come dati sensomotori umani per sistemi di IA fisica.

Secondo un profilo di maggio, l'azienda aveva raccolto decine di migliaia di ore e puntava a raggiungerne milioni. Ha dichiarato che l'India era il suo principale hub di raccolta in Asia.

Secondo quanto riportato, l'azienda ha raccolto 8,2 milioni di dollari e stretto oltre 120 partnership che comprendono fabbriche, hotel, ristoranti, cantieri e attività di consegna. Alcune partnership non erano ancora diventate operative.

Le sue attrezzature di acquisizione registrano, secondo quanto riferito, video 4K rivolti verso il basso a 30 fotogrammi al secondo. Videocamere di profondità e obiettivi grandangolari aggiungono informazioni sulle mani e sugli oggetti circostanti.

Human Archive afferma di elaborare le riprese risultanti con modelli di controllo qualità, tracciamento delle mani e ricostruzione. Afferma inoltre che il posizionamento delle videocamere cattura raramente i volti e che la post-elaborazione rimuove le identità che compaiono.

Queste dichiarazioni descrivono misure di protezione, non prove indipendenti che ogni registrazione sia innocua. Una videocamera rivolta verso il basso può comunque catturare colleghi, documenti, conversazioni o processi proprietari.

Il mercato più ampio include aziende come EgoLab, Humyn AI, Objectways, FPV Labs e altri fornitori di dati. I loro metodi e accordi di lavoro non sono necessariamente identici.

Ciò che le unisce è la tesi commerciale. Le aziende di robotica hanno bisogno di dimostrazioni più diversificate di quelle che i loro laboratori possono produrre economicamente.

L'industria sta cercando di acquisire conoscenza fisica su scala internet. L'India fornisce sia le persone che possiedono quella conoscenza sia l'infrastruttura necessaria per confezionarla.

La retribuzione immediata compete con il valore futuro del lavoro

I lavoratori ricevono un pagamento una tantum, mentre gli acquirenti acquisiscono dati che possono essere copiati, combinati e riutilizzati tra prodotti e mercati.

La difesa più semplice di questo accordo è anche convincente. Un lavoratore accetta un incarico facoltativo di registrazione e riceve un reddito aggiuntivo per un lavoro che stava già svolgendo.

Per Rathore, il pagamento sostiene un obiettivo concreto. Può migliorare la situazione finanziaria della sua famiglia molto prima che un umanoide capace arrivi nel suo sito di riciclaggio.

Altri lavoratori potrebbero fare lo stesso calcolo. Un rischio remoto di automazione può sembrare meno importante delle tasse scolastiche, del cibo, dell'affitto o delle spese mediche da pagare questo mese.

Eppure un consenso significativo richiede più che dire sì a una videocamera. Il lavoratore deve capire cosa viene raccolto, perché è prezioso e come potrebbe essere utilizzato.

Questo standard sembra difficile da soddisfare lungo catene di fornitura frammentate. Un'azienda di robotica può acquistare dati elaborati da un fornitore che ha stipulato un contratto con un aggregatore locale.

L'aggregatore può lavorare con il proprietario di una fabbrica o una piattaforma di lavoro anziché con ogni collaboratore. I lavoratori alla fine di questa catena potrebbero sapere poco dell'acquirente finale.

The Guardian ha esaminato le pratiche di registrazione in sei fabbriche di cinque Stati indiani. Ha rilevato che i lavoratori usavano videocamere montate sulla testa e occhiali intelligenti senza una retribuzione separata per la creazione delle riprese.

Alcune aziende partecipanti hanno sostenuto che le fabbriche ricevessero già un compenso. Hanno affermato che ulteriori pagamenti ai singoli lavoratori non fossero necessari.

Questa posizione mette in luce la controversia fondamentale. Una fabbrica fornisce accesso e pianificazione, ma sono i movimenti appresi dal lavoratore a creare il contenuto informativo dei dati.

Un lavoratore può anche subire pressioni che non compaiono mai su un modulo di consenso. Rifiutare una videocamera può sembrare rischioso quando un supervisore controlla turni, valutazioni o la continuità dell'impiego.

L’inchiesta sulle fabbriche ha inoltre rilevato incertezza tra i lavoratori su ciò che i dispositivi stessero registrando. Secondo quanto riportato, diversi di loro non hanno ricevuto alcun pagamento diretto oltre a occasionali rinfreschi.

La remunerazione varia da un progetto all’altro, secondo le informazioni disponibili. Questa variabilità rende poco affidabili le affermazioni generiche su equità salariale o sfruttamento, in assenza di prove a livello contrattuale.

Tuttavia, la struttura economica di fondo resta coerente. Una persona viene pagata per una sessione di registrazione, mentre la registrazione può mantenere valore molto tempo dopo.

Il dataset può supportare un modello, più modelli o prodotti venduti in diversi Paesi. Le copie possono essere concesse in licenza senza chiedere al lavoratore originale di ripetere il compito.

Questo crea uno squilibrio tra il tempo di lavoro e il valore dell’asset. Il lavoratore vende ore, ma l’acquirente dei dati ottiene qualcosa di più simile a un’infrastruttura intellettuale riutilizzabile.

Gli attuali sistemi del lavoro raramente considerano la memoria muscolare come proprietà intellettuale. Un addetto allo smistamento, saldatore, cuoco o lavoratore tessile qualificato di norma non possiede né il flusso di lavoro né diritti sull’automazione sviluppata a partire da esso.

I dati per l’addestramento dei robot rendono visibile questa omissione. Trasformano la conoscenza tacita, ovvero l’esperienza sviluppata con la pratica, in un oggetto registrato e commerciabile.

Un lavoratore potrebbe ricevere più denaro per indossare una telecamera rispetto a un normale turno. Ciò non stabilisce se il pagamento rifletta il valore a valle del dataset.

Una possibile alternativa è la remunerazione residuale. I contributori potrebbero ricevere pagamenti aggiuntivi quando i dati vengono concessi nuovamente in licenza o utilizzati in implementazioni commerciali.

Un altro approccio finanzierebbe la formazione dei lavoratori, il sostegno alla transizione o benefici collettivi attraverso tariffe applicate ai dataset di robotica. Sistemi di questo tipo richiederebbero una tracciabilità affidabile dei dati.

La tracciabilità dei dati registra da dove proviene un dataset, chi vi ha contribuito e come è cambiato. Senza questa documentazione, le aziende non possono condividere credibilmente il valore generato in seguito.

La preoccupazione nel breve termine non è una disoccupazione garantita. La maggior parte degli umanoidi attuali resta troppo lenta, fragile o costosa per sostituire su vasta scala il lavoro manuale complesso.

Il problema più immediato è il potere contrattuale. I lavoratori stanno negoziando ora, prima che qualcuno sappia quali registrazioni diventeranno commercialmente significative.

Gli acquirenti comprendono perché queste riprese siano importanti. Molti contributori non dispongono delle stesse informazioni.

Questa asimmetria consente al settore di acquisire competenze potenzialmente preziose nel momento di minimo della loro valorizzazione. Quando un dataset si dimostra utile, rinegoziare potrebbe essere impossibile.

Le dimostrazioni umane non garantiscono ancora robot affidabili

Più dati di addestramento possono migliorare il modello di un robot, ma non risolvono automaticamente i limiti dell’hardware, i problemi di sicurezza o gli ambienti di lavoro imprevedibili.

L’espressione “addestrare i propri sostituti” coglie un rischio reale, ma comprime anni di difficile ingegneria in un’unica affermazione.

Osservare un lavoratore non equivale a riprodurlo. Un robot deve tradurre l’anatomia e il movimento umani in azioni che il proprio corpo possa eseguire.

Le mani umane combinano densamente articolazioni, muscoli, tendini e recettori tattili. Le mani robotiche hanno gamme di movimento, forza, capacità di rilevamento e durata differenti.

Un essere umano può dedurre che un contenitore è scivoloso dopo un piccolo movimento. Un robot può avere bisogno di sensori tattili, software di controllo e addestramento specifico per il compito per giungere alla stessa conclusione.

Il problema diventa più difficile quando la dimostrazione umana proviene soltanto da video. I pixel non rivelano direttamente forza, peso, attrito o lo sforzo necessario per contrastare il movimento di un oggetto.

Le telecamere di profondità e i sensori di movimento colmano alcune lacune. I guanti tattili possono aggiungere informazioni sulla pressione, ma aumentano i costi delle apparecchiature e complicano la raccolta.

L’azione registrata deve inoltre essere ritarata. Il retargeting converte il movimento umano in una traiettoria realizzabile per un robot con dimensioni e vincoli meccanici diversi.

Anche una traiettoria tecnicamente corretta può fallire in un nuovo luogo. Un’altezza diversa del tavolo, la forma di un oggetto o la posizione della telecamera possono modificare ciò che il modello osserva.

Questi limiti spiegano perché i team di robotica combinino diverse fonti di dati. Utilizzano video umani, dimostrazioni di robot teleoperati, simulazioni, scene sintetiche e dati generati durante l’effettivo funzionamento del robot.

Ogni metodo offre un compromesso diverso. I video umani sono abbondanti, ma mancano di controlli nativi del robot. La teleoperazione produce dati di controllo precisi, ma cresce più lentamente in scala.

La simulazione genera molti esempi senza mettere a rischio le apparecchiature. Tuttavia, un oggetto simulato non riproduce perfettamente le proprietà dei materiali e il disordine di un ambiente di lavoro fisico.

Il funzionamento di robot reali produce il feedback più rilevante. Nelle prime fasi di sviluppo è costoso, lento e potenzialmente pericoloso.

La necessità del settore di ottenere registrazioni umane va quindi interpretata con cautela. Dimostra che l’azione umana è preziosa, non che la sostituzione sia imminente.

Figure AI offre un confronto utile. L’azienda ha addestrato il proprio sistema Helix su dimostrazioni umane per attività come piegare il bucato e spostare oggetti nelle cucine.

L’amministratore delegato di Figure ha dichiarato a TIME che per piegare gli asciugamani sono bastate solo 80 ore di video. Eppure, il robot dell’azienda ha continuato a incontrare difficoltà con alcuni compiti legati agli indumenti durante dimostrazioni osservate.

I test del robot domestico hanno mostrato contemporaneamente progressi e limiti. Una macchina ha gestito con successo alcune attività in cucina, ma non era pronta per un impiego domestico generalizzato.

Un’iniziativa sudcoreana offre un ulteriore riscontro con la realtà. RLWRLD raccoglie dimostrazioni dei lavoratori e le integra con visori per realtà virtuale, guanti per il tracciamento del movimento e controllo diretto dei robot.

Durante una dimostrazione osservata, un robot ha spostato con cura delle tazze, ma ha rovesciato un piatto. Il fallimento sembra minore finché il compito non viene svolto accanto a lavoratori o apparecchiature costose.

Le prove in hotel hanno inoltre evidenziato un ampio divario di produttività. Una stanza d’albergo che una persona pulisce in circa 40 minuti potrebbe richiedere a un umanoide attuale diverse ore.

Lotte Hotel spera comunque che entro il 2029 i robot possano gestire le pulizie e altre attività di supporto. Un dirigente ha stimato che gli umanoidi potrebbero infine svolgere dal 30% al 40% dei carichi di lavoro per la preparazione degli eventi.

Il lavoro rimanente implica interazione umana ed eccezioni difficili da gestire. Questa divisione suggerisce un’automazione parziale prima di una sostituzione completa.

L’automazione parziale cambia comunque l’occupazione. Un’azienda che automatizza le fasi di routine può avere bisogno di meno lavoratori, riprogettare le mansioni o aumentare la produttività attesa da ciascuna persona.

Può anche creare nuovi ruoli nella supervisione dei robot, nella manutenzione, nella sicurezza, nella revisione dei dati e nella gestione delle eccezioni. Questi ruoli non andranno automaticamente ai lavoratori sostituiti.

Accesso alla formazione, geografia, lingua e istruzione formale possono separare le persone che perdono mansioni da quelle assunte per gestire le macchine.

Le affermazioni secondo cui esseri umani e robot collaboreranno semplicemente richiedono quindi un esame attento. La collaborazione descrive un possibile modello operativo, non una distribuzione garantita dei benefici.

Lo stesso vale per le previsioni sicure di una sostituzione di massa. La raccolta di video mostra dove le aziende stanno investendo, ma non quando le macchine diventeranno economicamente affidabili.

La conclusione più solida è più circoscritta. I lavoratori indiani stanno aiutando le aziende di robotica a migliorare le loro probabilità di automatizzare più attività fisiche.

Se questo miglioramento produrrà sostituzione, potenziamento o un altro progetto pilota fallito dipenderà dalle prove di implementazione, non soltanto dalle dimensioni dell’archivio video.

Il consenso e la sorveglianza sono rischi già attuali

La sostituzione dei posti di lavoro resta incerta, ma telecamere, monitoraggio sul lavoro e controllo debole sui dati personali incidono sui lavoratori non appena inizia la raccolta.

Una telecamera montata sulla testa fa più che registrare un paio di mani. Può catturare chiunque e qualunque cosa chi la indossa veda durante un turno.

Quel campo visivo può includere colleghi, clienti, familiari, conversazioni private, schermi di computer, metodi di produzione e beni personali.

Il lavoratore che indossa il dispositivo potrebbe aver dato il consenso. Le persone che compaiono sullo sfondo potrebbero non sapere mai che un dataset commerciale le include.

Le aziende di dati possono sfocare i volti o scartare le riprese non idonee. Tali salvaguardie operano dopo che le informazioni sono già state raccolte e trasferite.

La raccolta produce inoltre un resoconto dettagliato delle prestazioni del lavoratore. Il video può rivelare ritmo, pause, errori, schemi di movimento e il tempo necessario per ogni fase.

Queste informazioni sono preziose per l’addestramento dei modelli. Sono ugualmente adatte alla sorveglianza dei dipendenti e alla valutazione della produttività.

Una fabbrica può inizialmente approvare la registrazione per un dataset di robotica. In seguito, la dirigenza potrebbe scoprire che lo stesso sistema offre una visione granulare dei tempi di inattività e del completamento delle attività.

La pressione risultante può arrivare anni prima di un robot. I lavoratori potrebbero affrontare obiettivi più rigidi perché le telecamere rendono misurabile ogni movimento.

Questa possibilità non è un argomento contro ogni forma di registrazione sul posto di lavoro. Le revisioni di sicurezza, la formazione sulle competenze e il controllo qualità possono utilizzare i video per finalità legittime.

La questione centrale è la limitazione delle finalità. I dati raccolti per una ragione dichiarata non dovrebbero trasformarsi silenziosamente in uno strumento per un’altra.

Un programma credibile dovrebbe specificare lo scopo della registrazione, le categorie di acquirenti, il periodo di conservazione, i controlli di sicurezza e il processo di cancellazione. I lavoratori dovrebbero sapere se i modelli addestrati sui dati possono conservare informazioni derivate dopo la cancellazione.

Il consenso dovrebbe inoltre poter essere rinnovato. Un lavoratore che accetta un progetto non dovrebbe autorizzare automaticamente ogni utilizzo futuro delle riprese.

Le aziende necessitano di una procedura per ritirare il consenso prima che i dati entrino in un modello. Devono inoltre spiegare quando limiti tecnici o contrattuali rendono impossibile il ritiro.

Le affermazioni sulla privacy meritano una verifica indipendente. Il fatto che un fornitore dichiari che le telecamere puntano verso il basso non affronta il problema di audio, superfici riflettenti, documenti o persone che entrano nel campo visivo.

L’anonimizzazione può ridurre i rischi, ma l’anonimato completo è difficile. Uno spazio di lavoro distintivo, una voce, un tatuaggio, un’uniforme o uno schema di movimento possono identificare qualcuno senza un volto visibile.

La sicurezza è importante perché le riprese grezze possono rivelare processi commercialmente sensibili. Una violazione potrebbe danneggiare sia i lavoratori sia le imprese partecipanti.

Il settore necessita inoltre di standard di provenienza. Gli acquirenti nel settore della robotica dovrebbero poter verificare che le registrazioni provengano da contributori informati e da accordi di lavoro leciti.

Senza informazioni sulla provenienza, gli acquirenti responsabili non possono distinguere i dati raccolti eticamente da materiale più economico ottenuto tramite pressioni o inganni.

Audit indipendenti potrebbero esaminare reclutamento, consenso, compensazione, filtraggio della privacy, sicurezza e licenze a valle. I riepiloghi degli audit dovrebbero essere disponibili per contributori e clienti.

Le politiche di approvvigionamento potrebbero esercitare una pressione più rapida della legislazione. I grandi laboratori di robotica possono richiedere ai fornitori di documentare il consenso dei lavoratori e rifiutare dataset privi di registrazioni credibili.

Tuttavia, gli standard volontari hanno limiti quando velocità e costi guidano il mercato. I fornitori che investono di più nelle tutele dei lavoratori possono perdere contratti a favore di concorrenti meno trasparenti.

Le discussioni sulle politiche dovrebbero quindi concentrarsi sull’intera catena di fornitura dei dati. Regolamentare il robot finale non affronta i danni creati durante la raccolta delle dimostrazioni.

Anche le organizzazioni dei lavoratori devono avere spazio in queste discussioni. Un modulo di consenso firmato da una persona non può risolvere cambiamenti collettivi al monitoraggio, al carico di lavoro o all’occupazione.

La questione più difficile riguarda chi può rifiutare. Il consenso ha poca sostanza quando dire di no minaccia il turno di un lavoratore o il suo rapporto con un supervisore.

Un sistema migliore separerebbe le decisioni sulla registrazione dalle valutazioni lavorative. I lavoratori dovrebbero ricevere un avviso chiaro, una compensazione diretta e protezione dalle ritorsioni.

Il boom dell’addestramento dei robot in India sta mettendo alla prova questi principi prima ancora che il mercato si sia stabilizzato. Le decisioni prese oggi possono diventare pratiche standard nell’intera industria globale dell’AI fisica.

Tre segnali indicheranno chi ne trarrà vantaggio

La prossima fase andrebbe valutata in base ai risultati sul campo, a condizioni di lavoro trasparenti e a prove che i contributori possano accedere a ruoli migliori.

Il primo segnale è l’affidabilità delle prestazioni dei robot al di fuori delle dimostrazioni controllate. Le aziende devono mostrare macchine in grado di completare turni utili in fabbriche affollate, abitazioni, magazzini o contesti di servizio.

Una prova significativa dovrebbe riportare tassi di intervento, tempi di completamento dei compiti, guasti e incidenti di sicurezza. Un breve video montato non fornisce prove sufficienti.

Se i robot si avvicineranno all’affidabilità umana in contesti diversi, la preoccupazione per la sostituzione diventerà più concreta. Se continueranno a richiedere supervisione costante, la corsa ai dati avrà superato l’effettiva adozione.

Il secondo segnale è se i fornitori di dati pubblicheranno standard applicabili in materia di consenso e compenso. Promesse generiche sulla privacy non risolveranno la questione.

Una divulgazione utile dovrebbe identificare chi riceve il pagamento, come funziona il rifiuto, cosa possono fare i clienti con le riprese e se i lavoratori partecipano al valore delle licenze.

Anche gli acquirenti dovrebbero rendere pubblici i requisiti imposti ai propri fornitori. Registri di provenienza e verifiche indipendenti indicherebbero che le condizioni di lavoro contano quanto il volume dei dati.

Se il settore adotterà queste pratiche, i lavoratori potrebbero ottenere maggiore visibilità e potere negoziale. Se la segretezza resterà la norma, l’attuale squilibrio informativo si approfondirà.

Il terzo segnale è se l’impiego dei robot creerà percorsi di transizione credibili per le persone il cui lavoro ha fornito gli esempi di addestramento.

Alcune aziende prevedono che i lavoratori supervisioneranno le macchine da remoto. Una visione immagina un saldatore esperto in India che guida un saldatore robotico operante in un altro Paese.

Questo risultato richiede più dell’ottimismo. I lavoratori hanno bisogno di formazione, interfacce utilizzabili, connettività affidabile e accesso ai datori di lavoro che creano queste posizioni.

Contano il numero e la qualità di tali ruoli. Pochi supervisori ben retribuiti non possono compensare una rimozione diffusa delle mansioni se ogni persona monitora molti robot.

Le aziende dovrebbero riferire se i lavoratori esistenti passano a ruoli di manutenzione, supervisione, controllo qualità o gestione delle eccezioni. Dovrebbero inoltre comunicare gli esiti in termini di salari e permanenza in azienda.

I lettori dovrebbero resistere a due narrazioni semplicistiche. Una sostiene che gli umanoidi elimineranno presto il lavoro fisico ovunque. L’altra afferma che la tecnologia crea sempre abbastanza posti di lavoro migliori.

Nessuna delle due conclusioni deriva da una telecamera montata sulla testa di un lavoratore. La registrazione rivela invece dove risiede oggi il potere economico.

I lavoratori possiedono l’esperienza, ma gli intermediari ne controllano la trasformazione in dati. Le aziende di robotica controllano i modelli e la potenziale diffusione.

Questa distribuzione può cambiare. Contratti, standard di approvvigionamento, regolamentazione e contrattazione collettiva possono influenzare chi riceve informazioni e valore.

Anche sviluppatori e acquirenti aziendali hanno potere di influenza. Possono chiedere se un set di dati include un consenso documentato prima di utilizzarlo in un modello o prodotto.

I team che gestiscono i propri progetti di AI dovrebbero conservare registri delle fonti, diritti di utilizzo e decisioni umane all’interno di un flusso di lavoro AI consultabile. La governance dei dati diventa più difficile dopo che i materiali si sono diffusi tra vari sistemi.

Per i knowledge worker, l’esempio indiano offre un monito più ampio. L’automazione spesso inizia osservando il modo in cui le persone lavorano, molto prima che software o macchine possano sostituirle.

Chi documenta un flusso di lavoro può contribuire a migliorare uno strumento, standardizzare un processo o eliminare parti di un ruolo. Questi esiti possono sovrapporsi.

L’addestramento dei robot umanoidi in India non è quindi solo una storia di lavoratori meccanici lontani. È una prova di come la società valorizza la conoscenza umana contenuta nei dati di addestramento.

La domanda cruciale non è se i lavoratori debbano rifiutare ogni telecamera. Un reddito immediato può essere una scelta razionale, utile e libera.

La domanda è se i contributori possano comprendere l’accordo e negoziare una quota più equa. Osservate chi controlla le registrazioni, chi viene pagato di nuovo e chi ottiene i nuovi posti di lavoro quando i robot escono dal laboratorio.