In het recente arbeidsmarktrapport van Anthropic staat een veelzeggend radarplaatje:

In blauw is te zien hoeveel werk grote taalmodellen in theorie zouden kunnen overnemen of versnellen; in rood hoeveel daarvan werkelijk in gebruik is. In computer & math is de gerealiseerde potentie met 33 procent al aanzienlijk, in kantoortaken – vaak eenvoudig – eveneens. Maar in andere sectoren is nog een wereld te winnen. 

Keihard trainen

Hier komt de schijnbaar onzichtbare beroepsgroep in beeld: datatrainers, annotators, evaluatoren en domeinexperts die de modellen leren wat “goed werk” is. Zij beoordelen antwoorden, formuleren ‘golden outputs’, corrigeren op nuance, checken feiten, markeren toonverschillen en leggen stap-voor-stap vast hoe een overtuigend juridisch, journalistiek of wetenschappelijk antwoord eruitziet. Zij zijn de menselijke brug tussen het blauwe potentieel en het rode daadwerkelijke gebruik.

Centraal staat het schrijven van de rubric, een beoordelingsschema waarin precies staat beschreven wat een goed antwoord van een AI-model moet bevatten. Dat maakt dit fenomeen economisch en moreel zo interessant. De AI-aanbieders presenteren zich graag als autonome systemen qua schaal en snelheid. Maar onder die glanzende bovenlaag draait een arbeidsintensieve kennisfabriek, waarin hoogopgeleide experts tijdelijk, en vaak gefragmenteerd werk doen om modellen commerciëler te maken.

Platforms en rechtszaken

De tarieven liggen meestal tussen $35 en $80 per uur, afhankelijk van expertise. Voor veel deelnemers is het aantrekkelijk: thuiswerk, flexibel en relatief goed betaald vergeleken met traditionele freelance-platforms. De bedrijven die dat ecosysteem organiseren, zijn inmiddels zelf grootkapitaal geworden:

• Mercor, dat experts zoals journalisten koppelt aan AI-labs, haalde in februari 2025 100 miljoen dollar op tegen een waardering van 2 miljard dollar, in oktober 2025 nog eens 350 miljoen dollar bij 10 miljard dollar waardering.
• Scale AI, al langer een centrale speler in data labeling en evaluatie voor AI-systemen, werd in juni 2025 door Meta gewaardeerd op 29 miljard dollar in een deelname van 49 procent. 
• Surge AI verkende een eerste financieringsronde tot 1 miljard dollar bij een waardering boven 15 miljard dollar. 
• En Handshake, oorspronkelijk carrièreplatform, haalde eerder 200 miljoen dollar op bij een waardering van 3,5 miljard dollar als AI-arbeidsmarkt.

Al dat geld gaat, net als eerder met platforms als Uber, gepaard met klachten en rechtszaken, zoals rond Scale AI. In december 2024 diende voormalig medewerker Steve McKinney in San Francisco een massaclaim in wegens verkapte vaste banen en vermeende uitbuiting.

Het expertplatform heeft immers ook de nadelen van de gig-economie: werk is tijdelijk, opdrachten verschijnen en verdwijnen zonder waarschuwing en wereldwijde concurrentie neigt naar een ‘race to the bottom’.

Forbes meldde in november 2025 dat ingehuurde krachten klaagden dat Mercor een groot project plotseling stopzette en 5.000 medewerkers vergelijkbaar werk aanbood tegen een tariefsverlaging van ongeveer 21 naar 16 dollar per uur.

Eigen ondergang? 

Hier ontstaat een merkwaardige omkering van de klassieke kenniseconomie. Jarenlang gold het idee van precarisering: wie hoger opgeleid was, zou minder vatbaar zijn voor het soort platformisering dat taxichauffeurs, bezorgers en magazijnwerkers raakte met voortdurende dreiging van lagere tarieven, beoordeling door algoritmes en daling van inkomen.

Nu blijkt dat juist hoogopgeleide professionals in een tussenzone terechtkomen: niet volledig vervangen, maar ook niet meer stevig verankerd in een beroep met voorspelbare autonomie, status en continuïteit. Ze worden ingezet als tijdelijke correctielaag rond een model dat uiteindelijk bedoeld is om steeds minder van die menselijke correctie nodig te hebben.

Anthropic voorspelt dat de meest blootgestelde groepen aan AI-vervanging gemiddeld ouder, hoger opgeleid en beter betaald zijn, dus het hart van de witteboordenklasse. Economen spreken van “knowledge extraction” — het systematisch omzetten van menselijke vaardigheden in machine-leerbare patronen.

Dus de trainers van de systemen helpen hun eigen beroepen minder noodzakelijk te worden. Dat is een nieuwe paradox van AI-arbeid. Niet dat machines ineens alles kunnen. Maar dat een groeiende klasse professionals wordt betaald om dat moment dichterbij te brengen.

Vertaling van dit verhaal in beeld: