Pemuda desa yang memberi label pada model AI besar

Penulis: Sleepy.md

Datong di Shanxi, kota yang dulu pernah menopang separuh kejayaan dengan batu bara, kini menyingkirkan debu batubaranya, mengganti palu skopnya dengan yang lebih tajam, lalu menghantam dengan keras ke arah tambang tak berwujud lainnya.

Di gedung perkantoran Pusat Internasional Jinhua di Pingcheng, tidak lagi ada sumur lift. Tidak lagi ada truk pengangkut batu bara. Sebagai gantinya, ada ribuan meja komputer yang tersusun rapat. Pangkalan layanan data cerdas “Shanghai Runxun Yunzhong Shenggu” menempati beberapa lantai sekaligus; ribuan karyawan muda yang memakai headset menatap layar, lalu mengklik, menyeret, dan menseleksi dengan kotak.

Berdasarkan data resmi, hingga November 2025, Datong telah mengoperasikan 745k unit server, mendatangkan 69 perusahaan panggilan untuk pelabelan data, sehingga mendorong lebih dari 30k kesempatan kerja di sekitar lokasi. Nilai outputnya mencapai 750 juta yuan. Di dalam “lubang tambang” angka ini, 94% pelakunya memiliki domisili lokal.

Bukan hanya Datong. Dalam daftar batch pertama basis pelabelan data yang ditetapkan oleh Biro Data Nasional, kota-kota di wilayah tengah dan barat seperti Yonghe di Shanxi, Bijie di Guizhou, Mengzi di Yunnan, dan lainnya tercantum dengan jelas. Di basis pelabelan data Yonghe, 80% adalah karyawan perempuan. Kebanyakan dari mereka adalah “ibu rumah tangga” dari desa, atau anak muda yang pulang karena tidak menemukan pekerjaan yang cocok.

Seratus tahun lalu, di pabrik tekstil Manchester, Inggris, dipenuhi para petani yang kehilangan tanah. Namun saat ini, di depan layar komputer di kota-kota terpencil seperti itu, dipenuhi kaum muda yang tidak mendapatkan tempat dalam ekonomi riil.

Mereka sedang menjalankan pekerjaan borongan yang terasa sangat futuristik, tetapi sekaligus sangat primitif—mengerjakan “makanan” data yang diperlukan oleh para raksasa kecerdasan buatan di Beijing, Shenzhen, dan Silicon Valley, untuk memproduksi model-model besar.

Tidak ada yang merasa ini masalah.

Garis produksi baru di Dataran Tinggi Loess

Inti dari pelabelan data adalah mengajarkan mesin mengenali dunia.

Mengemudi otonom perlu mengenali lampu lalu lintas dan pejalan kaki, sementara model besar perlu membedakan mana kucing dan mana anjing. Mesin itu sendiri tidak memiliki akal sehat; manusia harus lebih dulu menggambar sebuah kotak pada gambar, memberi tahu “ini pejalan kaki,” barulah setelah menelan jutaan gambar, ia akan belajar mengenali sendiri.

Pekerjaan ini tidak memerlukan pendidikan tinggi; hanya butuh kesabaran, dan satu jari telunjuk yang bisa terus diklik tanpa henti.

Pada era keemasan 2017, harga untuk kotak 2D yang sederhana bisa mencapai lebih dari satu jiao per kotak. Bahkan ada perusahaan yang menawarkan harga 5 jiao. Pelabel yang tangannya cepat, bekerja hingga sepuluh sampai belasan jam sehari, bisa menghasilkan 500–600 yuan. Di kota kecil, ini jelas termasuk pekerjaan bergaji tinggi dan terhormat.

Namun seiring evolusi model-model besar, sisi yang kejam dari lini produksi ini mulai terlihat.

Pada 2023, harga satuan untuk pelabelan gambar sederhana sudah dihancurkan hingga 3 sampai 4 fen. Penurunannya lebih dari 90%. Bahkan untuk peta cloud titik 3D yang lebih sulit—yang tersusun dari titik-titik rapat dan membutuhkan pembesaran berkali-kali lipat untuk melihat tepi—para pelabel tetap harus menarik kotak tiga dimensi yang mencakup panjang, lebar, tinggi, serta sudut penyimpangan di dalam ruang 3D, untuk membungkus kendaraan atau pejalan kaki secara pas rapat tanpa celah. Dan bahkan kotak 3D yang rumit seperti itu pun hanya bernilai 5 fen.

Akibat langsung dari anjloknya harga satuan adalah ledakan intensitas kerja. Demi tetap mengunci upah pokok bulanan sekitar 200–3000 yuan, para pelabel harus terus, tanpa henti, meningkatkan kecepatan tangan mereka.

Ini sama sekali bukan pekerjaan kerah putih yang santai. Di banyak basis pelabelan, manajemennya ketat sampai membuat sesak napas: saat bekerja tidak boleh menjawab telepon, ponsel harus dikunci di loker penyimpanan. Sistem akan mencatat secara presisi jejak mouse tiap karyawan dan lama penangguhannya; jika berhenti lebih dari tiga menit, peringatan dari belakang akan menyambar seperti cambuk.

Yang lebih membuat putus asa adalah tingkat toleransi kesalahan. Nilai batas kelulusan di industri biasanya 95% ke atas; beberapa perusahaan bahkan menuntut 98%-99%. Artinya, jika Anda menarik 100 kotak dan salah 2 saja, seluruh gambar akan dikembalikan untuk revisi.

Gambar bergerak itu berantai antarframe; kendaraan yang pindah lajur akan tertutup, sehingga para pelabel harus menemukannya satu per satu lewat asosiasi. Pada peta cloud titik 3D, jika objek melebihi 10 titik, harus diberi kotak. Untuk sebuah proyek parkir yang kompleks, jika garis terlalu panjang dan ada label yang terlewat, saat inspeksi kualitas selalu bisa ditemukan kesalahannya. Revisi gambar 4–5 kali adalah hal yang lumrah. Pada akhirnya, setelah menghabiskan waktu satu jam, uang yang diterima cuma beberapa fen.

Seorang pelabel dari Hunan memajang slip pembayarannya di platform media sosial. Sehari bekerja, ia menarik lebih dari 700 kotak, harga satuannya 4 fen, total penghasilannya 30,2 yuan.

Ini adalah gambaran yang sangat terbelah.

Di satu sisi, para pemimpin teknologi yang mengilap di panggung peluncuran, membahas bagaimana AGI akan membebaskan manusia; di sisi lain, di kota-kota kabupaten di Dataran Tinggi Loess dan pegunungan besar wilayah barat daya, kaum muda menatap layar setiap hari 8 sampai 10 jam, menarik kotak secara mekanis—ribuan, puluhan ribu—bahkan saat tidur pun bermimpi, jari-jarinya masih di angkasa menggambar garis jalur.

Pernah ada yang berkata: tampilan kecerdasan buatan seperti mobil sport mewah yang melesat lewat, tetapi saat Anda membuka pintu mobil, Anda akan menemukan bahwa di dalamnya ada seratus orang yang sedang mengayuh sepeda, mengertakkan gigi, lalu mengayuh sekuat tenaga.

Tidak ada yang merasa ini masalah.

Pekerjaan borongan “mengajari mesin bagaimana mencintai”

Setelah hambatan bottleneck pengenalan gambar ditembus, model-model besar memasuki evolusi yang lebih dalam; ia perlu belajar berpikir seperti manusia, berdialog, bahkan menampilkan “empati”.

Maka muncullah tahap paling inti dan paling mahal dalam pelatihan model besar—RLHF (reinforcement learning berbasis umpan balik manusia).

Secara sederhana, ini berarti membuat manusia asli memberi penilaian pada jawaban yang dihasilkan AI, lalu memberi tahu jawaban mana yang lebih baik dan lebih sesuai dengan nilai serta preferensi emosional manusia.

ChatGPT terlihat “seperti manusia” karena di belakangnya ada tak terhitung pelabel RLHF yang sedang “mengajar”.

Di platform crowdsourcing, tugas pelabelan semacam ini biasanya diberi harga secara terang: biaya per item 3 sampai 7 yuan. Para pelabel perlu menilai emosi jawaban AI dengan sangat subjektif—menilai apakah jawaban itu “hangat”, apakah “punya empati”, apakah “memperhatikan emosi pengguna”.

Seorang pekerja tingkat bawah yang menerima gaji 200–3000 yuan per bulan, yang kelelahan mengejar hidup di lumpur kehidupan nyata, bahkan tidak punya waktu mengurus emosi sendiri—justru harus menjadi “mentor emosi AI” sekaligus “juri nilai” di dalam sistem.

Mereka perlu meremukkan, paksa, emosi manusia yang sangat kompleks dan halus seperti hangat dan empati itu, lalu mengubahnya menjadi skor dingin skala 1 sampai 5. Jika penilaian mereka tidak konsisten dengan standar jawaban yang ditetapkan sistem, mereka akan dinilai tidak memenuhi tingkat akurasi, lalu potongan akan dikenakan pada upah borongan mereka yang memang tipis.

Ini adalah bentuk pengosongan kognisi. Emosi manusia yang kompleks dan halus, moralitas, serta belas kasihan—dipaksa masuk ke corong algoritma. Dalam skala kuantisasi dan standarisasi yang dingin, semuanya diperas sampai habis titik panas terakhirnya. Saat Anda takjub karena makhluk cyber di layar sudah bisa menulis puisi, menyusun lagu, menghibur, sampai memakai jasad yang penuh kesedihan dan kerinduan; di luar layar, sekelompok manusia yang semula hidup—dalam penilaian mekanis dari hari ke hari—merosot menjadi mesin pemberi nilai yang tanpa emosi.

Inilah sisi paling tersembunyi dari seluruh rantai industri—yang tidak pernah muncul dalam berita pendanaan mana pun dan juga tidak ada di white paper teknis.

Tidak ada yang merasa ini masalah.

S2 985 dan anak muda kota kecil

Pekerjaan menarik kotak tingkat bawah sedang dihancurkan oleh track AI; lini produksi siber ini mulai merambat ke atas, mulai menelan kerja otak yang lebih tingkat lanjut.

Perut model besar berubah. Ia tidak lagi puas mengunyah “akal sehat” yang sederhana; ia perlu menelan pengetahuan profesional manusia dan logika tingkat tinggi.

Di berbagai platform perekrutan, mulai sering berkedip jenis pekerjaan paruh waktu yang spesifik, seperti “pelabelan penalaran logis model besar” dan “pelatih humaniora AI”. Batas masuk pekerjaan paruh waktu ini sangat tinggi, sering kali mensyaratkan “gelar S2 985/211 ke atas”, dan mencakup bidang profesional seperti hukum, kedokteran, filsafat, sastra, dan lain-lain.

Banyak mahasiswa pascasarjana dari sekolah ternama tertarik dan masuk ke grup outsourcing perusahaan-perusahaan besar itu. Namun segera mereka mendapati ini bukan latihan otak yang ringan sama sekali, melainkan penyiksaan mental.

Sebelum menerima order resmi, mereka harus membaca dokumen puluhan halaman tentang dimensi penilaian dan standar penilaian, lalu melakukan 2 sampai 3 putaran uji coba pelabelan. Setelah lolos, dalam pelabelan resmi, jika tingkat akurasinya lebih rendah dari rata-rata, mereka kehilangan kualifikasi dan diusir dari grup.

Yang paling membuat sesak napas adalah standar-standar ini sama sekali tidak tetap. Menghadapi masalah dan jawaban yang mirip, dengan cara berpikir yang sama untuk memberi nilai, hasilnya bisa sangat berbeda. Ini seperti mengerjakan sebuah soal ujian yang tidak akan pernah selesai dan bahkan tidak punya jawaban standar. Anda tidak bisa meningkatkan akurasi lewat kerja keras atau belajar; Anda hanya berputar di tempat terus-menerus, menghabiskan tenaga dan kekuatan otak serta fisik.

Inilah bentuk eksploitasi baru di era model besar—“lipatan kelas”.

Pengetahuan, yang dulu dianggap sebagai tangga emas untuk memecahkan dinding dan memanjat ke atas, kini berubah menjadi “makanan digital” yang disajikan untuk algoritma—yang lebih kompleks untuk dikunyah. Di hadapan kekuasaan mutlak algoritma dan sistem, S2 985 di menara gading dan anak muda kota kecil di Dataran Tinggi Loess sama-sama menghadapi jalan yang paling aneh dan berujung pada tujuan yang sama.

Mereka jatuh bersama ke dalam lubang tambang siber yang tak berujung ini, kehilangan aura, diratakan perbedaannya, dan semuanya berubah menjadi roda gigi murah di atas track yang bisa diganti kapan saja.

Di luar negeri juga sama. Pada 2024, Apple memotong langsung tim pelabelan suara AI yang beranggotakan 121 orang di San Diego. Para karyawan itu bertugas meningkatkan kemampuan pemrosesan multi-bahasa Siri. Mereka dulu mengira berada di pinggiran inti bisnis perusahaan besar, tetapi dalam sekejap mereka jatuh ke jurang pengangguran.

Di mata para raksasa teknologi, apa pun itu—entah “ibu-ibu menarik kotak” di kota kecil, atau pelatih logika yang lulus dari sekolah ternama—pada dasarnya semuanya adalah “bahan habis pakai” yang bisa diganti sewaktu-waktu.

Tidak ada yang merasa ini masalah.

Babel berbiaya triliunan, dipenuhi darah keringat dari beberapa sen

Berdasarkan data yang dirilis oleh China Academy of Information and Communications Technology, pada 2023 ukuran pasar pelabelan data di Tiongkok mencapai 6,08 miliar yuan. Pada 2025 diperkirakan 20–30 miliar yuan; dan diprediksi, pada 2030 penjualan pasar pelabelan dan layanan data global akan melonjak sampai 117,1 miliar yuan.

Di balik angka-angka ini, ada pesta penilaian (valuation) dari para raksasa teknologi seperti OpenAI, Microsoft, ByteDance, yang sering kali bernilai ratusan miliar sampai ribuan miliar dolar.

Namun kekayaan yang luar biasa ini tidak mengalir kepada mereka yang benar-benar “memberi makan” AI.

Industri pelabelan data di Tiongkok menampilkan struktur outsourcing khas berbentuk “terbalik seperti piramida”. Lapisan paling atas adalah para raksasa teknologi yang memegang erat algoritma inti. Lapisan kedua adalah pemasok layanan data skala besar. Lapisan ketiga adalah basis pelabelan data di berbagai daerah dan perusahaan outsourcing menengah-kecil. Baru lapisan paling bawah adalah para pelabel “tukang kaki” yang digaji borongan.

Setiap lapisan outsourcing harus mengorek lapisan demi lapisan minyak dan keuntungan. Ketika perusahaan besar melempar harga satuan 5 jiao, setelah melalui berbagai penjarahan berlapis, uang yang jatuh ke tangan pelabel di kota kabupaten mungkin bahkan tidak sampai 5 fen.

Mantan Menteri Keuangan Yunani Yanis Varoufakis dalam bukunya “Technological Feudalism” mengemukakan pandangan yang sangat menembus: para raksasa teknologi saat ini sudah bukan lagi “kapitalis” dalam pengertian tradisional, melainkan “cloudalists” (pemimpin feodal berbasis cloud).

Mereka tidak memiliki pabrik dan mesin, melainkan algoritma, platform, daya komputasi—ini adalah wilayah teritorial digital di era siber. Dalam sistem feodal baru ini, pengguna bukanlah konsumen, melainkan “petani penyewa digital”; setiap kali kita memberi like, mengomentari, atau menelusuri di media sosial, semuanya secara gratis memasok data untuk para pemimpin cloud.

Dan para pelabel data yang tersebar di pasar yang lebih “turun” adalah budak digital tingkat terbawah dalam sistem ini. Mereka bukan hanya harus memproduksi data, tetapi juga harus membersihkan, mengklasifikasi, memberi skor pada sejumlah besar data mentah, lalu mengubahnya menjadi pakan berkualitas tinggi yang bisa dicerna oleh model besar.

Ini adalah gerakan rebut wilayah kognitif yang terselubung. Seperti gerakan enclosure abad ke-19 di Inggris yang mengusir para petani ke pabrik tekstil, gelombang AI hari ini mendorong kaum muda yang tidak menemukan posisi dalam ekonomi riil ke depan layar.

AI tidak menyamaratakan jurang antar kelas; justru membangun “tali pengangkut data dan keringat” yang mengalir dari kota-kota kabupaten tengah dan barat Tiongkok sampai markas para raksasa teknologi di Beijing, Shanghai, Guangzhou, Shenzhen, dan kota-kota besar lainnya. Narasi revolusi teknologi selalu megah dan memukau, tetapi warna dasarnya—selalu konsumsi skala tenaga kerja murah.

Tidak ada yang merasa ini masalah.

Tidak lagi membutuhkan masa depan manusia

Nasib yang paling kejam tinggal menunggu, dan semakin cepat.

Seiring lonjakan kemampuan model besar, tugas pelabelan yang dulu memerlukan manusia bekerja siang malam, kini sedang diambil alih oleh AI.

Pada April 2023, pendiri Ideal Auto, Li Xiang, mengungkapkan data di forum: dulu, Ideal membutuhkan sekitar 10 juta frame per tahun untuk pelabelan manual gambar otomatis mengemudi otonom, dan biaya outsourcing mendekati 8B. Namun ketika mereka menggunakan model besar untuk pelabelan otomatis, hal yang dulu memakan waktu setahun pada dasarnya bisa selesai dalam sekitar 3 jam.

Efisiensi 1000 kali lipat dibanding manusia—dan bahkan sudah terjadi sejak 2023. Pada bulan Maret yang baru saja berlalu, Ideal juga merilis mesin engine pelabelan otomatis generasi baru MindVLA-o1.

Di industri beredar sebuah candaan yang sangat nyata: “Seberapa banyak kecerdasan, sebanyak itu pula manusia.” Namun sekarang, investasi perusahaan-perusahaan besar dalam outsourcing pelabelan data sudah menunjukkan penurunan tajam 40%-50%.

Kaum muda kota kecil yang menghabiskan tak terhitung malam dan hari duduk kaku di depan komputer, menghanguskan mata mereka sampai kemerahan, telah memberi makan seekor monster raksasa dengan tangan mereka sendiri. Namun sekarang, monster itu menoleh dan menjatuhkan palu: menghancurkan pekerjaan makan mereka.

Saat malam turun, gedung perkantoran di Pingcheng Datong tetap pucat seperti siang. Para anak muda yang bergiliran shift saling bertukar diam-diam di ruang lift, dengan tubuh yang lelah seperti cangkang. Dalam ruang lipatan yang terkunci rapat oleh ribuan kotak poligon itu, tidak ada yang peduli arsitektur Transformer di seberang lautan entah lompat sejarah seperti apa; dan tidak ada yang paham dengung komputasi di balik miliaran parameter.

Mata mereka hanya tertambat pada bilah kemajuan merah-hijau di latar belakang yang mewakili “batas lulus”, sambil menghitung apakah beberapa nilai—berapa jiao, berapa fen—bisa disusun menjadi kehidupan yang layak di akhir bulan.

Di satu sisi, bunyi lonceng Nasdaq dan sederet pemberitaan media teknologi—raksasa-raksasa mengangkat gelas merayakan kedatangan AGI; namun di sisi lain, para budak digital yang membesarkan AI dari satu suapan daging dan tenaga manusia—hanya bisa dengan penuh gelisah menunggu monster raksasa itu, yang telah mereka pelihara sendiri, menendang ringan meja kerja mereka pada suatu pagi yang tampak biasa, dalam mimpi tidur yang sakit-sakitan.

Tidak ada yang merasa ini masalah.