Micro1 contrata pessoas em todo o mundo para treinar humanoides enquanto mercado de IA demanda novos testes

O mercado de IA incorporada está esbarrando não apenas em limitações de hardware, mas também em dados humanos: milhares de pessoas em todo o mundo estão filmando a si mesmas fazendo lavar roupa, passando ferro e limpando suas casas para treinar humanoides. Neste contexto, pesquisadores estão cada vez mais dizendo que os testes tradicionais de IA revelam pouco sobre como esses sistemas funcionarão realmente no trabalho real.

Como os humanoides são treinados

Uma das empresas mais proeminentes nessa nova camada do mercado é a Micro1. Ela contrata prestadores em mais de 50 países, incluindo Nigéria, Índia e Argentina, para gravar ações cotidianas do ponto de vista em primeira pessoa: dobrar roupas, lavar louça, limpar mesas, despejar água, abrir geladeiras. Para isso, as pessoas prendem um iPhone na cabeça e filmam vídeos curtos com as mãos em quadro. Os vídeos então passam por verificação, anotação e terminam em conjuntos de dados que as empresas de robótica compram.

A lógica é simples: grandes modelos de linguagem tinham a internet, mas robôs humanoides precisam do mundo físico real. As simulações ajudam a trabalhar os movimentos, mas capturam mal o caos de um apartamento típico: iluminação diferente, cozinhas apertadas, superfícies escorregadias, dezenas de tipos de objetos e formas de interagir com eles. É por isso que não apenas Micro1 e Scale AI, que coletou mais de 100 mil horas desse material, mas também novos canais como DoorDash Tasks estão surgindo no mercado.

Em 19 de março de 2026, a DoorDash lançou oficialmente um piloto em que os trabalhadores são pagos por filmar ações cotidianas e gravações de voz para IA e robótica. Até centenas de milhares de horas de vídeo ainda não parecem ser o limite do mercado.

"Isso vai levar mais tempo do que muitos pensam", — o robótica

Ken Goldberg.

O custo desses dados

Para muitos prestadores, este é um trabalho adicional decente: taxas de cerca de $15 por hora em vários países parecem competitivas. Mas o trabalho rapidamente se torna monótono. Os participantes precisam filmar repetidamente ações semelhantes, inventar novos cenários dentro de um apartamento pequeno e garantir que a gravação corresponda às instruções. Um trabalhador em Délhi descreveu gastar quase uma hora em um vídeo utilizável de 15 minutos — simplesmente porque não há tantas tarefas diferentes para filmar em sua casa.

• Prenda um iPhone ou outro smartphone compatível no nível da cabeça
• Grave vídeos do ponto de vista em primeira pessoa, geralmente de 1–2 minutos cada
• Mãos e o objeto devem permanecer em quadro quase o tempo todo
• Variações em iluminação, salas, superfícies e objetos são necessárias
• Rostos, nomes e outros dados pessoais são evitados quando possível

A questão principal aqui não é realmente a rotina, mas sim a privacidade. Mesmo que um rosto não apareça em quadro, o vídeo contém design de interiores, medicamentos de cozinha, pertences das crianças, rotinas diárias e vizinhos acidentalmente capturados no fundo. Enquanto isso, os próprios prestadores muitas vezes não sabem exatamente para quem suas gravações são vendidas, por quanto tempo são armazenadas ou se podem solicitar exclusão.

A pesquisadora Yasmin Kotturi afirma diretamente que as empresas devem explicar antecipadamente às pessoas para onde essa tecnologia pode chegar e como isso as afetará no futuro.

Por que os testes falham

Paralelamente à corrida de dados, outra disputa se intensifica: como medimos a qualidade da IA afinal. A pesquisadora Angela Aristidou acredita que a indústria viveu por muito tempo na lógica de um exame escolar, onde um modelo é comparado a um humano em uma tarefa isolada com uma resposta certa ou errada. Na vida real, isso raramente acontece.

A IA é incorporada em equipes, regulamentações e processos longos, onde importa não apenas quão preciso e rápido o sistema é, mas também como ele afeta a coordenação das pessoas, carga de trabalho, confiança e taxas de erro nas etapas subsequentes.

Em vez disso, Aristidou propõe a abordagem HAIC — Human–AI, Context-Specific Evaluation. A ideia é testar não um modelo no vácuo, mas como o sistema funciona dentro de uma organização em um horizonte longo.

Em seus exemplos, AIs médicos podem parecer bons em testes, mas desacelerar o trabalho em hospitais porque os médicos precisavam ajustar suas conclusões aos padrões de relatório locais e requisitos regulatórios.

Esta abordagem muda o foco em várias linhas:

• de tarefa individual para trabalho em equipe e fluxo de trabalho
• de teste único para efeito de longo prazo
• de precisão bruta para qualidade de coordenação e detecção de erros
• de uma única resposta para consequências antes e depois de seu uso

Para os negócios, essa é uma ideia incômoda, mas útil. Uma pontuação alta em um benchmark ainda não significa que a ferramenta acelerará um hospital, armazém, serviço de suporte ou organização humanitária.

Em um caso que Aristidou descreve, um sistema foi avaliado por 18 meses dentro de processos reais, com rastreamento separado de quão facilmente as pessoas percebiam e corrigiam seus erros. Apenas tal teste revelou que salvaguardas eram necessárias antes da implantação em larga escala.

O que isso significa

Tanto na história sobre treinadores domésticos para robôs quanto no debate sobre novos benchmarks, há uma conclusão comum: a indústria de IA depende cada vez menos de demos chamativas e cada vez mais da qualidade da infraestrutura oculta. Os vencedores não serão apenas aqueles com os robôs mais impressionantes ou as pontuações de teste mais altas, mas aqueles que conseguem coletar dados reais eticamente, explicar claramente as regras para trabalhar com eles e provar o valor do sistema dentro de processos reais, não apenas no palco.