AI उद्योगासाठी जगभरातील कमी पगारावर काम करणाऱ्या डेटा लेबलर्सची मोठी फौज आहे. AI कंपन्या प्रचंड मूल्यांकन मिळवत असल्या तरी, त्यांच्या या कामगार पद्धतींमुळे प्रतिष्ठा आणि नियामक धोके वाढत आहेत. जागतिक स्तरावर कामगार हक्कांबाबत वाढत्या तपासणीमुळे गुंतवणूकदार कंपन्या त्यांच्या 'मानवी पुरवठा साखळीचे' व्यवस्थापन कशा करतात यावर लक्ष ठेवून आहेत.
आर्थिक विसंगती
कृत्रिम बुद्धिमत्तेच्या (AI) वेगाने विस्तारामुळे जागतिक तंत्रज्ञान क्षेत्रासाठी एक विरोधाभास निर्माण झाला आहे. AI क्लिष्ट कामांचे ऑटोमेशन (Automation) करण्यासाठी ओळखले जात असले तरी, त्याचा विकास मानवी डेटा लेबलर्सच्या मोठ्या, अनेकदा अदृश्य असलेल्या मनुष्यबळावर अवलंबून आहे. हे कामगार प्रतिमांचे वर्गीकरण करणे, ऑडिओचे लिप्यंतरण करणे आणि मजकूर वर्गीकृत करणे यासारखी आवश्यक कार्ये करतात, जी मशीन लर्निंग मॉडेल्सना कार्यक्षम बनवण्यासाठी आवश्यक आहेत.
या डेटा लेबलिंग कामाची आर्थिक वास्तविकता आघाडीच्या AI कंपन्यांच्या अब्जावधी डॉलर्सच्या मूल्यांच्या अगदी विपरीत आहे. डेटा लेबलिंगचे काम अनेकदा 'गिग-आधारित' (Gig-based) म्हणून वर्गीकृत केले जाते, जिथे अनेक कामगारांना कर्मचारी म्हणून नव्हे तर स्वतंत्र वापरकर्ते म्हणून गणले जाते. या वर्गीकरणामुळे कंपन्यांना फायदे, औपचारिक करार किंवा किमान वेतनाची हमी देण्याची गरज भासत नाही. अनेक प्रदेशांमध्ये, कामगारांना दिवसाला केवळ काही डॉलर्स मिळतात, तर उच्च-स्तरीय AI संशोधन भूमिकांसाठी लक्षणीय प्रीमियम दिला जातो. गुंतवणूकदारांसाठी, हे एक विसंगती निर्माण करते जिथे AI प्रगतीमागील मूलभूत कार्य मानक कॉर्पोरेट कामगार संरक्षणांपासून वेगळे आहे.
गुंतवणूकदार ESG धोक्यांवर का लक्ष ठेवून आहेत?
आधुनिक गुंतवणूकदारांसाठी, व्यवसायाच्या मॉडेलची टिकाऊपणा केवळ महसूल आणि नफ्याच्या मार्जिनपेक्षा अधिक महत्त्वाचा असतो. यामध्ये पर्यावरण, सामाजिक आणि शासन (ESG) मानकांचाही समावेश होतो. कमी पगारावर आणि अनिश्चित कामावर अवलंबून राहणे हा एक मोठा सामाजिक धोका आहे. जगभरात गिग इकॉनॉमी (Gig Economy) वरील सार्वजनिक आणि नियामक तपासणी वाढत असल्याने, शोषण करणाऱ्या कामगार मॉडेल्सवर अवलंबून असलेल्या कंपन्यांना भविष्यात कायदेशीर आव्हानांना सामोरे जावे लागू शकते. जर कामगार नियामकांनी डेटा लेबलर्सना कर्मचारी म्हणून पुन्हा वर्गीकृत करण्याचा निर्णय घेतला, तर AI मॉडेल्स तयार करणाऱ्या कंपन्यांसाठी कार्यान्वयन खर्च (Operational Costs) वेगाने वाढू शकतो.
नियामक आणि कार्यान्वयन अडथळे
प्रतिष्ठेच्या पलीकडे, एक कार्यान्वयन धोका (Operational Risk) देखील आहे. डेटा लेबलिंग उद्योग अत्यंत विखंडित (Fragmented) आहे आणि कंपन्यांना कामगारांशी जोडण्यासाठी अनेकदा तृतीय-पक्ष प्लॅटफॉर्मवर अवलंबून राहावे लागते. प्रत्यक्ष देखरेखीच्या या अभावामुळे AI कंपन्यांना त्यांच्या पुरवठा साखळीतील कामाच्या परिस्थितीवर मर्यादित नियंत्रण मिळते. जर सामूहिक कृती, वाढलेले कामगार नियमन किंवा कामगारांच्या असंतोषांमुळे या पुरवठा साखळ्यांमध्ये व्यत्यय आला, तर AI मॉडेल्सचा विकास आणि देखभाल यामध्ये विलंब होऊ शकतो. गुंतवणूकदार सामान्यतः अशा धोक्यांवर लक्ष ठेवतात जेणेकरून त्यांच्याकडील कंपन्या अचानक नियामक कारवाई किंवा महत्त्वपूर्ण मनुष्यबळाच्या नुकसानास बळी पडणार नाहीत.
भविष्यातील प्रकटीकरणांवर लक्ष ठेवणे
गुंतवणूकदारांसाठी पुढील महत्त्वाची प्रवृत्ती म्हणजे वाढलेली पारदर्शकता (Transparency). AI नैतिकतेसाठी जागतिक मानके अधिक स्पष्ट होत असल्याने, बाजारपेठेतील सहभागी कंपन्यांकडून त्यांच्या डेटा सोर्सिंग आणि मानवी पुरवठा साखळीच्या उपचारांबद्दल स्पष्ट प्रकटीकरण (Disclosures) शोधू शकतात. गुंतवणूकदारांनी कंपन्या कामगार पद्धती, योग्य वेतन मानके किंवा प्रशिक्षणाच्या डेटाचे नैतिक सोर्सिंग याबद्दल अहवाल देण्यास सुरुवात करतात की नाही याचा मागोवा घ्यावा. AI क्षेत्र परिपक्व होत असताना, या मानवी भांडवली जोखमींचे व्यवस्थापन करण्याची क्षमता दीर्घकालीन मूल्यांकन आणि जोखीम मूल्यांकनामध्ये एक घटक बनण्याची शक्यता आहे.