DoorDash mulai membayar mitra pengemudinya untuk membantu melatih kecerdasan buatan lewat tugas-tugas sederhana di dunia nyata. Langkah ini menunjukkan bahwa data lapangan kini menjadi aset penting, bukan hanya untuk layanan antar makanan, tetapi juga untuk pengembangan AI dan otomasi.
Perusahaan asal Amerika Serikat itu memperkenalkan fitur bernama Tasks di aplikasi Dasher. Melalui fitur ini, pengemudi bisa menerima pekerjaan singkat seperti memotret rak toko, mengecek ketersediaan produk, merekam video, atau memverifikasi menu restoran.
DoorDash ubah pengemudi jadi pengumpul data dunia nyata
Menurut penjelasan resmi DoorDash, fitur Tasks merupakan bagian dari upaya perusahaan memperluas bisnis di luar pengantaran makanan. Fokus baru itu mencakup logistik, otomasi, dan layanan data dunia nyata yang dinilai makin dibutuhkan banyak industri.
Tugas-tugas tersebut muncul di aplikasi Dasher seperti permintaan pengantaran biasa. Pengemudi dapat mengambilnya di sela-sela pengiriman atau menyelesaikannya secara terpisah, dengan bayaran yang ditampilkan lebih dulu sebelum tugas diterima.
DoorDash menyatakan besaran bayaran ditentukan oleh tingkat usaha dan kompleksitas aktivitas. Skema ini memberi kepastian awal bagi pengemudi, sekaligus membuka peluang pendapatan tambahan saat tidak sedang mengambil order utama.
Dalam blog resminya, DoorDash menegaskan bahwa sebagian data dari tugas itu dipakai langsung untuk meningkatkan model AI. Perusahaan menyebut, “Data ini membantu sistem AI dan robotika memahami dunia fisik. Bayaran ditampilkan di awal dan ditentukan berdasarkan usaha serta kompleksitas aktivitas.”
Jenis tugas yang diminta ke pengemudi
Aktivitas yang diminta tidak selalu berupa pengambilan foto sederhana. Dalam beberapa pengujian, pekerja juga dapat diminta merekam percakapan, mendokumentasikan kegiatan sehari-hari, atau membuat video yang berguna untuk pelatihan sistem AI dan robotika.
Secara umum, bentuk tugas yang disebut dalam laporan dan keterangan perusahaan meliputi:
- Memotret rak toko.
- Mengecek stok atau ketersediaan barang.
- Memverifikasi menu restoran.
- Merekam video lokasi atau aktivitas tertentu.
- Mengirim klip suara atau sampel percakapan.
Data semacam ini dianggap berharga karena memberikan gambaran kondisi lapangan secara real-time. Bagi perusahaan, informasi seperti susunan produk, perubahan menu, atau ketersediaan barang sering sulit dipantau secara cepat dalam skala besar tanpa bantuan jaringan pekerja lapangan.
Mengapa data dunia nyata penting bagi AI
Model AI membutuhkan data yang beragam agar bisa bekerja lebih akurat di situasi nyata. Foto rak toko, audio percakapan, dan video aktivitas harian membantu sistem memahami objek, perilaku manusia, lingkungan fisik, serta perubahan kondisi di lapangan.
DoorDash menyebut data yang terkumpul bisa dipakai bukan hanya untuk kebutuhan internal. Mitra perusahaan di sektor ritel, asuransi, perhotelan, dan teknologi juga berpotensi memanfaatkannya untuk melatih model AI dan meningkatkan alat otomasi.
Bagi bisnis ritel, misalnya, foto rak bisa membantu memantau penempatan produk atau stok kosong. Untuk restoran, verifikasi menu dapat memperbaiki akurasi informasi yang tampil di aplikasi dan mengurangi kesalahan saat pelanggan memesan.
Tren ini juga dilakukan perusahaan besar lain
DoorDash bukan satu-satunya perusahaan yang memanfaatkan jaringan pengemudi untuk pengumpulan data AI. Uber sebelumnya menjalankan program uji coba Digital Tasks di 12 kota di India, termasuk Delhi, Mumbai, dan Bengaluru, serta di Amerika Serikat.
Melalui program itu, Uber memberi peluang tambahan penghasilan bagi pengemudi dan kurir saat sedang senggang. Tugas yang diberikan antara lain memberi label gambar, mengklasifikasikan teks, menghitung objek, mendigitalkan struk, merekam sampel audio, serta mengunggah foto barang tertentu atau menu restoran.
Menurut keterangan perusahaan, data tersebut masuk ke Uber AI Solutions. Sistem itu dipakai untuk meningkatkan layanan internal sekaligus menyediakan data pelatihan bagi klien perusahaan.
Amazon juga bergerak di jalur serupa lewat teknologi seperti kacamata pintar berbasis AI untuk pengemudi pengiriman. Perangkat itu dapat menangkap data dunia nyata saat pengemudi menavigasi lingkungan, memindai paket, dan mengidentifikasi potensi bahaya.
Informasi yang terkumpul kemudian bisa digunakan untuk melatih sistem pengiriman otonom dan meningkatkan algoritma optimasi rute. Arah ini memperlihatkan bahwa armada pengiriman kini tidak hanya berfungsi mengantar barang, tetapi juga menjadi sumber data untuk membangun sistem otomatis yang lebih canggih.
Peluang baru, tetapi juga memunculkan perhatian
Bagi pengemudi, model seperti ini membuka sumber pendapatan tambahan yang fleksibel. Tugas bisa dipilih sesuai waktu luang, dan rincian kompensasi disebut tersedia sebelum pekerjaan diterima.
Namun, pemanfaatan pekerja lapangan untuk melatih AI juga dapat memicu pertanyaan soal privasi, penggunaan data, dan transparansi tujuan pengumpulan informasi. Karena itu, kejelasan jenis data yang diambil, pihak yang menggunakannya, dan cara penyimpanannya akan menjadi faktor penting dalam penerapan model semacam ini.
Perkembangan ini menandai perubahan besar dalam ekonomi platform. Jaringan pengemudi yang sebelumnya identik dengan layanan antar kini mulai berperan sebagai pengumpul data lapangan yang membantu AI memahami dunia fisik dengan cara yang lebih rinci dan aktual.