AI labs membeli data startup yang gulung tikar untuk melatih model

AI labs membeli data startup yang gulung tikar untuk melatih model

Kebanyakan startup gagal. Kini, satu industri baru sedang memberi 'hidup kedua' kepada sisa digital mereka—sebagai data latihan untuk model AI.

Ketika Keelan Miskell mula menutup startup kripto miliknya pada tahun ini, dia menyangka data syarikat itu tidak bernilai memandangkan penggunanya tanpa nama dan syarikat itu masih baru. Namun, dia berjaya menjual kod sumber syarikat itu dengan harga kira-kira $25,000, dan masih menunggu bayaran sekitar $15,000 untuk data kerja dari Google, Notion, Figma dan Slack. "Sekurang-kurangnya semua kerja selama dua setengah tahun itu ada nilai untuk seseorang di suatu tempat," katanya seperti yang dilaporkan oleh MIT Technology Review.

Jual beli itu diuruskan oleh SimpleClosure, salah satu syarikat yang kini pakar dalam pengakhiran operasi startup. Berdasarkan data dari Carta dan AngelList, kadar penutupan startup meningkat antara 26% hingga 56% setiap tahun. Ini telah melahirkan ekosistem baru yang terdiri daripada coach, "death doula" dan firma penutupan yang kini menambah perkhidmatan baharu: menjual emel, chat, dokumen dan kod sumber syarikat yang gagal kepada AI labs.

Apabila data penutupan jadi bahan latihan

SimpleClosure melancarkan platform jualan data Asset Hub pada April lalu. Setakat ini, platform itu telah menguruskan lebih 150 transaksi dan dijangka mengembalikan lebih $10 juta kepada startup menjelang akhir 2026. CEO Dori Yona berkata transaksi yang dulunya dianggap "agak tabu" kini menjadi perkara biasa—47% daripada transaksi SimpleClosure kini melibatkan penjualan kod atau data. Firma pesaing Sunset turut mencatatkan pertumbuhan yang sama.

Permintaan melonjak sejak tahun lepas apabila AI labs mula kehabisan data awam dan menghadapi kelemahan dataset sintetik semata-mata. Nick Heiner dari Surge AI menjelaskan bahawa syarikatnya membeli arkib kerja untuk membina "reinforcement-learning gym" di mana agen AI boleh berlatih tugasan realistik seperti menyelesaikan masalah seni bina IT yang kompleks atau menulis draf surat undang-undang. Perbualan kerja sebenar mengandungi perbezaan pendapat, pertimbangan sukar dan konteks yang bercampur aduk—sesuatu yang jarang ditemui dalam dunia sintetik, termasuk ralat asas seperti rujukan tarikh yang tidak wujud.

Namun, sejauh mana peningkatan prestasi ini masih belum terbukti. Tiada syarikat yang telah menerbitkan ujian perbandingan antara model yang dilatih menggunakan arkib startup yang gagal dengan model yang dilatih menggunakan data sintetik. Harga penjualan pula ditentukan berdasarkan andaian penyelidik. "Pembeli memberi harga yang sangat berbeza," kata Heiner, kerana penilaian bergantung kepada anggaran berapa banyak tugasan latihan berguna yang boleh diekstrak daripada, contohnya, 100,000 baris kod.

Jual beli berjuta dolar

Ketidakpastian ini tidak menghalang transaksi besar. Pada Ogos lalu, semasa proses kebankrapan Spirit Airlines, Google mengatasi Mercor (firma data AI) untuk membeli data dekad-dekad syarikat penerbangan itu—termasuk 100 juta emel, 500 juta mesej Teams dan 176,000 rekod pekerja—dengan harga $10 juta. Bloomberg turut melaporkan pada September bahawa unit AI SpaceX sedang mempertimbangkan untuk membeli data daripada startup yang sedang menuju penutupan.

Bagi founder startup, jualan ini boleh mengubah sisa digital yang dianggap tidak berguna menjadi pulangan akhir yang bermakna. Bagi AI labs pula, ia merupakan cara untuk mendapatkan data interaksi dunia sebenar yang khusus mengikut bidang, pada masa di mana korpus latihan berlesen semakin sukar diperoleh.

Sempadan undang-undang yang kabur

Pasaran ini menimbulkan persoalan serius berkaitan privasi dan persetujuan. Kesatuan pramugari Spirit Airlines membantah penjualan itu atas alasan privasi. Peguam Greg Ewing menyifatkan data sebegini sebagai "sangat berisiko dari segi undang-undang" (legally radioactive), kerana ia boleh mengandungi maklumat peribadi sensitif seperti temujanji doktor, masa mengambil anak dari sekolah atau rancangan peribadi.

Broker dan pembeli mendakwa mereka membersihkan data peribadi (PII) dan mengecualikan rekod HR sebelum pemindahan. Namun, pembersihan arkib tidak berstruktur berskala besar jauh dari sempurna. Seperti yang dinyatakan Ewing, industri ini masih berada dalam fasa "Wild West" untuk latihan AI dan hanya perlahan-lahan beralih ke arah perjanjian pelesenan yang betul dan penggunaan yang lebih teliti.

Persoalan siapa yang untung juga menjadi tumpuan. Hasil jualan lazimnya mengalir kepada pemiutang kanan dan pelabur, bukan pekerja yang perbualan dan kerja mereka dijual. Profesor undang-undang di Emory University, Ifeoma Ajunwa, berpendapat ini merupakan satu bentuk "modal yang dirampas" (captured capital). Walaupun pemantauan tempat kerja mungkin dibenarkan semasa syarikat beroperasi, justifikasi itu hilang sebaik sahaja syarikat tutup. "Majikan sepatutnya mendapatkan persetujuan jelas sebelum menjual data pekerja," katanya—walaupun tiada undang-undang persekutuan di AS yang secara khusus melarangnya.

Penapis PII ringkas

Bagi pasukan teknikal yang menilai pelesenan data, penapisan asas sering menjadi langkah pertama. Heuristik ringkas boleh mengesan emel dan nombor telefon yang jelas sebelum menggunakan teknik pengecaman entiti yang lebih mahal:

import re

PII_PATTERNS = [
    r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}",
    r"\b(?:\+?1[-.\s]?)?\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4}\b",
]

def scrub_pii(text: str) -> str:
    for pattern in PII_PATTERNS:
        text = re.sub(pattern, "[REDACTED]", text)
    return text

Ini jauh dari mencukupi untuk pembersihan sebenar, tetapi ia menunjukkan jenis pra-pemprosesan yang biasa dilakukan sebelum data latihan bertukar tangan.

Apa yang akan datang

Founder yang menjual arkib mereka selalunya tidak tahu siapa pembeli data itu atau bagaimana ia akan digunakan, dan juga kurang pasti sama ada harga yang ditawarkan adalah adil. Harga mungkin akan stabil dalam tahun depan—kecuali gelembung AI meletup terlebih dahulu. Namun, selagi kadar penutupan startup kekal tinggi, "pengurus akhir" (tech undertakers) yang menilai sisa startup yang gagal tidak akan hilang. Persoalannya kini ialah sama ada persetujuan pekerja dan perlindungan privasi yang lebih kukuh akan dapat mengejar pasaran yang sudah pun terbentuk.

Sumber

• MIT Technology Review: AI labs are buying data from dead startups to train their models

---