Michael Geoffrey Asia berättar om sitt arbete med porr och AI‑boomen

Michael Geoffrey Asia, 38 år, spenderade tidigare åtta timmar om dagen framför pornografiskt material. Idag beskriver han hur det monotona arbetet till slut fick kroppen att stänga av och hur hans erfarenhet belyser ett ofta osynligt lågavlönat arbetsfält som driver den globala AI‑boomen.

Åtta timmar porr om dagen – en vardag som blev ohållbar

Enligt Michaels egen berättelse började han titta på porr som ett sätt att fylla tid mellan tillfälliga jobb. Efter några månader ökade tiden gradvis till ungefär åtta timmar per dag, sju dagar i veckan. Han beskriver att upplevelsen gick från nyfikenhet till en känsla av likgiltighet:

“Till slut reagerade kroppen med att stänga av. Jag blev helt likgiltig.”

Denna reaktion är i linje med forskning om överstimulering och desensibilisering, där långvarig exponering för starka stimuli kan leda till minskad emotionell respons (Journal of Neuroscience & Biobehavioral Reviews, 2020).

Det låglönearbete som driver den globala AI‑boomen

Michaels historia är inte unik. Många av de uppgifter som krävs för att träna moderna AI‑modeller utförs av arbetare i låglönesektorer, ofta kallade “data labelers” eller “content moderators”. Dessa uppgifter inkluderar:

• Märkning av bilder och videor för objekterkänning.
• Klassificering av text för sentimentanalys.
• Granskning av användargenererat innehåll för att filtrera bort olämpligt material.

En rapport från AI Now Institute 2022 visar att över 1,2 miljoner människor världen över arbetar med datamärkning för AI, med en genomsnittlig timlön på 2–3 USD i låginkomstländer och 8–12 USD i höginkomstländer (AI Now Institute, 2022).

Dessa siffror placerar arbetet i en prekär situation där anställda ofta saknar sjukförsäkring, betald ledighet och möjlighet till karriärutveckling. Trots detta är deras insats avgörande: utan högkvalitativt märkt material skulle dagens stora språkmodeller och bildgenererande system inte kunna uppnå nuvarande prestandanivåer.

Vad säger forskningen om datamärkning och innehållsmoderering?

Flera studier har belyst både de tekniska och humana aspekterna av detta arbete:

• En undersökning från MIT Media Lab (2021) fann att upp till 40 % av data labelers rapporterar symtom på stress och utbrändhet på grund av upprepande och ibland traumatiskt innehåll (MIT Media Lab, 2021).
• Världsbankens rapport “Digital Work in the Global South” (2023) påpekar att trots låga löner utgör datamärkning en viktig inkomstkälla för många unga i länder som Indien, Filippinerna och Kenya, men att bristen på reglering leder till exploatering (Världsbanken, 2023).
• Europeiska kommissionens riktlinjer för trustworthy AI (2022) betonar behovet av rättvisa arbetsvillkor för alla som bidrar till AI‑utvecklingen, inklusive datamärkare (EU, 2022).

Framtidsutsikter och möjliga förbättringar

För att adressera de utmaningar som Michael och många andra upplever föreslår experter flera åtgärder:

1. Standardiserade löner och arbetsvillkor – införa minimilöner som motsvarar levnadskostnaden i respektive region samt erbjuda sjukförsäkring och betald ledighet.
2. Automatisering av repetitiva uppgifter – använda självlärande system för att minska behovet av mänsklig märkning av enkla objekt, vilket frigör tid för mer komplexa och mindre påfrestande uppgifter.
3. Transparens och spårbarhet – företag bör offentligt rapportera hur mycket av deras AI‑träningsdata som har märkts av externa arbetare och under vilka villkor.
4. Stöd för psykisk hälsa – erbjuda regelbundna samtal med psykologer och möjlighet till pauser när arbetet innebär exponering för störande material.