DOORDASH ZAHLT KURIERE FÜRS KI-TRAINING MIT VIDEOS

Das Wichtigste

DoorDash baut seine Gig-Worker-Infrastruktur zur KI-Datenfabrik um — und bezahlt Kuriere dafür, Trainingsvideos für maschinelles Lernen zu produzieren.

Was ist passiert?

DoorDash hat eine neue App namens Tasks gelauncht. Sie richtet sich an die bestehende Kurier-Basis des Unternehmens und bietet bezahlte Micro-Jobs abseits der Essenslieferung.

Die Aufgaben: Alltagsszenen filmen, sich selbst bei Tätigkeiten aufnehmen, oder in einer Fremdsprache sprechen. Die gesammelten Daten fließen direkt ins KI-Training — vermutlich für Computer-Vision- und Speech-Modelle.

DoorDash nutzt damit etwas, das kaum ein anderes Unternehmen in dieser Skalierung besitzt: ein globales Netzwerk aus Millionen aktiver Gig-Worker mit Smartphone, die bereits an Micro-Incentives gewöhnt sind.

Warum ist das relevant?

Das Modell ist ein Lehrstück in strategischer Datenbeschaffung. Statt teure Annotationsdienstleister wie Scale AI zu beauftragen, schließt DoorDash den Kreislauf intern. Die Kuriere sind gleichzeitig Nutzer, Datenlieferanten und potenzielle Endkunden KI-gestützter Produkte.

Für Unternehmen, die selbst synthetische oder reale Trainingsdaten benötigen, zeigt das: Die wertvollsten Datenpipelines entstehen nicht im Labor, sondern dort, wo echte Menschen echte Aufgaben erledigen. Wer bereits eine aktive Nutzerbasis hat, sollte prüfen, ob sich daraus ein strukturierter Datenkanal aufbauen lässt.

Der Ansatz hat auch eine gesellschaftliche Dimension. Gig-Worker übernehmen zunehmend die Rolle von menschlichen Datenproduzenten, deren Arbeit KI-Systeme trainiert, die langfristig ihre eigenen Jobs automatisieren könnten. DoorDash benennt das nicht — aber die Logik ist offensichtlich.

Take-Away

Wer KI-Produkte baut und auf Drittanbieter für Trainingsdaten angewiesen ist, sollte das DoorDash-Modell als Referenz nehmen: eigene Nutzernetzwerke als Datenquelle aktivieren, mit klaren Incentives und definierten Datenformaten. Das reduziert Kosten und erhöht die Datenqualität durch Kontextnähe.