Det här är den hittills outtalade historien bakom boomen av humanoida robotar – en enorm, lågkostnadsdatapipeline byggd på arbetskraft från tusentals människor som ofta inte har en aning om vem som till slut kommer att titta på deras inspelningar.

Så fungerar det: Människor som datainsamlare

Till skillnad från AI-modeller som lär sig från text behöver robotar se hur mänskliga händer faktiskt rör sig, greppar och interagerar med föremål i den verkliga världen. Datorsimuleringar ensamma kan inte lära en robot att vika tvätt utan att förstöra den, eller att navigera i ett rörigt kök . För att överbrygga det gapet använder företagen en ny typ av gig-arbete:

• Micro1, en startup baserad i Palo Alto, har rekryterat cirka 4 000 ”robotingenjörer” i 71 länder. Arbetarna monterar iPhones på huvudet med en rem och filmar koreograferade uppgifter som matlagning, städning, trädgårdsarbete och djurvård. Micro1 betalar cirka 15 dollar i timmen på vissa marknader (Nigeria, USA) och sammantaget lämnar arbetarna in över 160 000 timmar video per månad .
• Objectways har också rekryterat tusentals arbetare i över 50 länder, med både bärbara kameror och rörelsespårningshandskar .
• Instawork lanserade i juni 2026 ett system som heter Instacore – en bärbar enhet med fem kroppsmonterade kameror kopplade till en ryggsäck med dator – och förvandlar därmed sina befintliga gig-arbetare till robotträningsdata-samlare på arbetsplatser som kommersiella kök och lager .
• Human Archive, en Y Combinator-stödd startup, betalar indiska arbetare för att bära kameraförsedda kepsar och taktila handskar, med över 1 000 aktiva sensorheadset utplacerade inom hemtjänst, hotell och restauranger .
• World Context, en pakistansk startup grundad 2025, spelar in fabriksarbetare med proprietära sensorer och huvudmonterade kameror och säljer industriella träningsdataset till amerikanska och kinesiska robotföretag .
• DoorDash lanserade i mars 2026 DoorDash Tasks, en app som betalar 8 miljoner USA-baserade bud för att spela in vardagssysslor som träningsdata för robotar .

Vem köper datan: Tesla, Figure AI och Agility Robotics

Det egocentriska filmmaterialet från gig-arbetarna används för att träna humanoida robotar från Tesla (Optimus), Figure AI och Agility Robotics, bland andra . Figure AI i synnerhet har ökat produktionen dramatiskt. Vd:n Brett Adcock har berättat att företaget tillverkade cirka 150 enheter i april 2026 – en ökning som möjliggjorts av verklig mänsklig demonstrationsdata .

Siffrorna är enorma

Datapipelinens omfattning är enorm och växer:

• Micro1 ensamt: ~4 000 bidragsgivare, 71 länder, över 160 000 timmar video per månad .
• JD.com (Kina): Samarbetar med staden Suqian för att generera 10 miljoner timmar robotträningsdata över två år .
• Global marknad: Infrastrukturmarknaden för träningsdata till humanoida robotar värderades till 1,5 miljarder dollar 2025 och beräknas nå 62,8 miljarder dollar till 2034 (en CAGR på 56 %) .
• Investeringar: Över 6 miljarder dollar flödade in i humanoid robotik under 2025 (Tesla Optimus, Figure AI, 1X, Agility Robotics), vilket skapade en nästan omättlig efterfrågan på verklig träningsdata .
• Riskkapitalbedömningar: Bessemer Venture Partners uppskattar att de sammanlagda kostnaderna för robotdata kommer att överstiga 3 miljarder dollar till 2030 .

Löneklyftan: 15 dollar/timme vs. 2,60 dollar/timme

En skarp löneskillnad finns inom denna globala arbetsstyrka:

• Nigeria/USA-marknaden: Arbetarna får cirka 15 dollar i timmen (t.ex. Micro1-bidragsgivare som spelar in med iPhones) .
• Indien: Arbetarna får cirka 250 rupier i timmen, vilket motsvarar ungefär 2,60 dollar i timmen – ungefär en sjättedel av vad motsvarigheterna i Nigeria eller USA tjänar för samma typ av arbete .

Integritets- och arbetsmiljöfrågor

Den snabba tillväxten av denna industri har väckt allvarliga etiska frågor:

• Bristande transparens: Många arbetare får inte veta vilka företag som slutligen kommer att använda deras filmmaterial. Micro1 säljer dataset till humanoida robotutvecklare, men enskilda arbetare känner ofta inte till slutkunden .
• Inspelning av familjemedlemmar: Arbetare filmar i sina egna hem, vilket innebär att makar, barn och privata utrymmen ofta spelas in. Materialet lagras sedan och används för AI-träning med oklar hantering av lagringstid eller radering .
• Brist på informerat samtycke: Kritiker menar att gig-arbetare i låginkomstländer kanske inte fullt ut förstår hur deras rörelsedata kommer att användas – eller att de tränar robotar som så småningom kan ersätta liknande mänsklig arbetskraft .

Den globala kapplöpningen: Kinas statligt understödda datacenter

Efterfrågan på förkroppsligad AI-data är inte begränsad till privata företag. Kina har gjort det till en nationell prioritet och bygger statligt understödd infrastruktur i stor skala:

• Beijing Innovation Center of Humanoid Robotics driver en databas för förkroppsligad AI-robot och träning med dussintals simulerade verkliga scenarier, som kan generera mer än 500 timmar data per dag .
• I maj 2026 invigdes National Pilot Base for Embodied AI Applications, som tränar över 140 robotar i över 40 jobborienterade scenarier, inklusive kök, lager och gårdar .
• Ett dedikerat Humanoid Robot Data Training Center i Beijings stadsdel Shijingshan, med en budget på 30 miljoner dollar, började träna 100 humanoida robotar i oktober 2025 .
• Nära 100 centra för insamling av förkroppsligad AI-data har byggts i kinesiska städer, backade av lokalt statligt kapital och teknikconglomerat, vilket gör dem till några av de mest aktiva robotköparna på marknaden idag .

Slutsats

Att använda lågkostnads globala gig-arbetare som ”mänskliga sensorer” har blivit ryggraden i träningen av humanoida robotar 2026. Medan det genererar enorma dataset till en bråkdel av kostnaden för traditionell telestyrning, väcker det obekväma frågor om arbetskraftsexploatering, informerat samtycke och integritet – särskilt eftersom arbetare i Indien tjänar en bråkdel av vad deras motsvarigheter i andra länder gör för identiskt arbete, ofta utan att veta vem som kommer att titta på deras inspelningar.

Det här är den hittills outtalade historien bakom boomen av humanoida robotar – en enorm, lågkostnadsdatapipeline byggd på arbetskraft från tusentals människor som ofta inte har en aning om vem som till slut kommer att titta på deras inspelningar.

Så fungerar det: Människor som datainsamlare

Till skillnad från AI-modeller som lär sig från text behöver robotar se hur mänskliga händer faktiskt rör sig, greppar och interagerar med föremål i den verkliga världen. Datorsimuleringar ensamma kan inte lära en robot att vika tvätt utan att förstöra den, eller att navigera i ett rörigt kök . För att överbrygga det gapet använder företagen en ny typ av gig-arbete:

• Micro1, en startup baserad i Palo Alto, har rekryterat cirka 4 000 ”robotingenjörer” i 71 länder. Arbetarna monterar iPhones på huvudet med en rem och filmar koreograferade uppgifter som matlagning, städning, trädgårdsarbete och djurvård. Micro1 betalar cirka 15 dollar i timmen på vissa marknader (Nigeria, USA) och sammantaget lämnar arbetarna in över 160 000 timmar video per månad .
• Objectways har också rekryterat tusentals arbetare i över 50 länder, med både bärbara kameror och rörelsespårningshandskar .
• Instawork lanserade i juni 2026 ett system som heter Instacore – en bärbar enhet med fem kroppsmonterade kameror kopplade till en ryggsäck med dator – och förvandlar därmed sina befintliga gig-arbetare till robotträningsdata-samlare på arbetsplatser som kommersiella kök och lager .
• Human Archive, en Y Combinator-stödd startup, betalar indiska arbetare för att bära kameraförsedda kepsar och taktila handskar, med över 1 000 aktiva sensorheadset utplacerade inom hemtjänst, hotell och restauranger .
• World Context, en pakistansk startup grundad 2025, spelar in fabriksarbetare med proprietära sensorer och huvudmonterade kameror och säljer industriella träningsdataset till amerikanska och kinesiska robotföretag .
• DoorDash lanserade i mars 2026 DoorDash Tasks, en app som betalar 8 miljoner USA-baserade bud för att spela in vardagssysslor som träningsdata för robotar .

Vem köper datan: Tesla, Figure AI och Agility Robotics

Det egocentriska filmmaterialet från gig-arbetarna används för att träna humanoida robotar från Tesla (Optimus), Figure AI och Agility Robotics, bland andra . Figure AI i synnerhet har ökat produktionen dramatiskt. Vd:n Brett Adcock har berättat att företaget tillverkade cirka 150 enheter i april 2026 – en ökning som möjliggjorts av verklig mänsklig demonstrationsdata .

Siffrorna är enorma

Datapipelinens omfattning är enorm och växer:

• Micro1 ensamt: ~4 000 bidragsgivare, 71 länder, över 160 000 timmar video per månad .
• JD.com (Kina): Samarbetar med staden Suqian för att generera 10 miljoner timmar robotträningsdata över två år .
• Global marknad: Infrastrukturmarknaden för träningsdata till humanoida robotar värderades till 1,5 miljarder dollar 2025 och beräknas nå 62,8 miljarder dollar till 2034 (en CAGR på 56 %) .
• Investeringar: Över 6 miljarder dollar flödade in i humanoid robotik under 2025 (Tesla Optimus, Figure AI, 1X, Agility Robotics), vilket skapade en nästan omättlig efterfrågan på verklig träningsdata .
• Riskkapitalbedömningar: Bessemer Venture Partners uppskattar att de sammanlagda kostnaderna för robotdata kommer att överstiga 3 miljarder dollar till 2030 .

Löneklyftan: 15 dollar/timme vs. 2,60 dollar/timme

En skarp löneskillnad finns inom denna globala arbetsstyrka:

• Nigeria/USA-marknaden: Arbetarna får cirka 15 dollar i timmen (t.ex. Micro1-bidragsgivare som spelar in med iPhones) .
• Indien: Arbetarna får cirka 250 rupier i timmen, vilket motsvarar ungefär 2,60 dollar i timmen – ungefär en sjättedel av vad motsvarigheterna i Nigeria eller USA tjänar för samma typ av arbete .

Integritets- och arbetsmiljöfrågor

Den snabba tillväxten av denna industri har väckt allvarliga etiska frågor:

• Bristande transparens: Många arbetare får inte veta vilka företag som slutligen kommer att använda deras filmmaterial. Micro1 säljer dataset till humanoida robotutvecklare, men enskilda arbetare känner ofta inte till slutkunden .
• Inspelning av familjemedlemmar: Arbetare filmar i sina egna hem, vilket innebär att makar, barn och privata utrymmen ofta spelas in. Materialet lagras sedan och används för AI-träning med oklar hantering av lagringstid eller radering .
• Brist på informerat samtycke: Kritiker menar att gig-arbetare i låginkomstländer kanske inte fullt ut förstår hur deras rörelsedata kommer att användas – eller att de tränar robotar som så småningom kan ersätta liknande mänsklig arbetskraft .

Den globala kapplöpningen: Kinas statligt understödda datacenter

Efterfrågan på förkroppsligad AI-data är inte begränsad till privata företag. Kina har gjort det till en nationell prioritet och bygger statligt understödd infrastruktur i stor skala:

• Beijing Innovation Center of Humanoid Robotics driver en databas för förkroppsligad AI-robot och träning med dussintals simulerade verkliga scenarier, som kan generera mer än 500 timmar data per dag .
• I maj 2026 invigdes National Pilot Base for Embodied AI Applications, som tränar över 140 robotar i över 40 jobborienterade scenarier, inklusive kök, lager och gårdar .
• Ett dedikerat Humanoid Robot Data Training Center i Beijings stadsdel Shijingshan, med en budget på 30 miljoner dollar, började träna 100 humanoida robotar i oktober 2025 .
• Nära 100 centra för insamling av förkroppsligad AI-data har byggts i kinesiska städer, backade av lokalt statligt kapital och teknikconglomerat, vilket gör dem till några av de mest aktiva robotköparna på marknaden idag .

Slutsats

Att använda lågkostnads globala gig-arbetare som ”mänskliga sensorer” har blivit ryggraden i träningen av humanoida robotar 2026. Medan det genererar enorma dataset till en bråkdel av kostnaden för traditionell telestyrning, väcker det obekväma frågor om arbetskraftsexploatering, informerat samtycke och integritet – särskilt eftersom arbetare i Indien tjänar en bråkdel av vad deras motsvarigheter i andra länder gör för identiskt arbete, ofta utan att veta vem som kommer att titta på deras inspelningar.