AI-selskaper konkurrerer om å automatisere alt, fra å skrive kode, generere bilder, planlegge annonser, oppsummere møter og mer. Men ettersom disse systemene blir bedre, blir det vanskeligere å overse deres innvirkning på menneskelig arbeidskraft. Noen eksperter advarer nå om at generativ AI kan utløse en bølge av massiv jobbfortrengning som vil skje raskere og dypere enn de fleste økonomier er forberedt på.
I stedet for å motsette seg fremtiden, satser én krypto-basert plattform på en annen tilnærming. Hvis automatisering er uunngåelig, bør eierskap være det også.
Action Model har i dag lansert en innbydelsesbasert Chrome-utvidelse som lar brukere trene et AI-system ved å dele ekte nettleseraktivitet som klikk, navigasjonsstier, inntasting og arbeidsflyter. Plattformen kaller det en Large Action Model (LAM), i stand til å lære hvordan man utfører digitalt arbeid, ikke bare generere innhold. I retur mottar bidragsytere poeng som kan konverteres til $LAM-styringstokens, ment å representere rettigheter til å delta i hvordan systemet utvikler seg.
“Hvis AI skal erstatte digital arbeidskraft, bør arbeiderne eie maskinene som gjør jobben,” sier Action Model-grunnlegger Sina Yamani.
Opplæring av AI-en som gjør jobben
I motsetning til chatbot-modeller som genererer innhold, er LAM-er designet for å operere programvare direkte. Ideen er enkel: Hvis et menneske kan utføre en digital oppgave med mus og tastatur, bør en trent AI-agent kunne gjøre det samme.
“De siste årene handlet det om chatboter. Nå er det automatisering,” sier Yamani. “Det er rundt én milliard mennesker ansatt for å bruke en datamaskin. Hvis et selskap får tilbud om et verktøy som gjør det samme arbeidet kontinuerlig til en brøkdel av kostnaden, vil de bruke det.”
Action Models utvidelse samler inn bruker-godkjent atferdsdata for å trene AI-en. Oppgaver som å sende inn lønn, administrere CRM-oppføringer eller utføre enkle operasjoner kan registreres én gang og gjentas av modellen. Bidragsytere kan publisere automasjoner til en offentlig markedsplass, der bruk kan spores og belønnes gjennom plattformens insentivmodell.
Fremveksten av agentiske AI-systemer har vært godt dokumentert i bransjen, da modellene i økende grad går fra å generere innhold til å utføre autonome oppgaver. Disse systemene, som forklart i denne guiden, samler inn og handler på ekte brukerdata, og lærer å navigere i digitale miljøer på egen hånd.
Plattformen har allerede tiltrukket over 40 000 brukere gjennom ventelister, henvisningssystemer og partnerfellesskap. Tilgangen forblir kun på invitasjon for å opprettholde kvaliteten på bidragsyterne og belønne tidlige deltakere.
Hvordan er dette forskjellig fra eksisterende automasjonsverktøy?
De fleste eksisterende automasjonsverktøy er avhengig av API-er eller stive integrasjoner. Men mye av det digitale arbeidet i virkeligheten skjer i eldre systemer, interne dashbord og verktøy som aldri var ment å bli automatisert.
“Zapier automatiserer programvare. Vi automatiserer arbeid,” sier Yamani. “Bare rundt 2 % av internett er tilgjengelig via API-er. De andre 98 % krever fortsatt menneskelig interaksjon.”
Med Action Model trenger ikke brukerne å skrive kode eller håndtere integrasjoner. De bare registrerer hvordan de utfører en oppgave. AI-en lærer av disse ekte brukerflytene og kan deretter gjenta dem uavhengig.
Dette gjør Action Model fleksibelt nok til å fange opp spesialtilfeller og udokumenterte arbeidsflyter som tradisjonelle systemer ikke kan nå.
Hva med personvern?
All trening er valgfritt, og brukerne kontrollerer hva som deles. Sensitive sider som e-post, helsetjenester eller bank blokkeres som standard. Brukere kan pause treningen, blokkere bestemte domener eller slette bidrag helt.
“Første prinsipp er enkelt. Vi trenger ikke dine data. Vi trenger bare mønstre,” sier Yamani. “Treningsdata behandles lokalt og anonymiseres før det bidrar til modellen.”
Slettede data fjernes permanent og kan ikke gjenopprettes, selv ikke av selskapet. Bidragene aggregeres med data fra andre brukere, og bruker k-anonymitet for å hindre individuell reidentifisering. Et dashbord lar bidragsytere se og administrere treningshistorikk og belønninger når som helst.
“Mens Big Tech samler inn denne typen data uten ekte samtykke, er vi åpne, bruker-kontrollerte og belønner de som faktisk trener AI-en,” sier Yamani.
Kan roboter manipulere systemet?
For å unngå problemene som har plaget tidligere krypto-belønningssystemer, bruker Action Model atferdsanalyse for å verifisere ekte brukerinput. Systemet ser etter struktur, tidspunkter, variasjon og beslutningssignaler – ting som roboter eller klikkfarmer ikke lett kan forfalske.
“Tankeløs klikking er nesten verdiløst,” sier Yamani. “Ekte arbeidsflyter inneholder hensikt, pauser, rettelser, forsøk på nytt og beslutninger. Du kan ikke forfalske det i stor skala.”
Andre prosjekter som belønnet sosialt engasjement eller innlegg ble nylig utestengt fra store plattformer etter å ha generert store mengder AI-spam, svarroboter og falske interaksjoner. Tilgangen til API-er ble da fjernet, og token-økosystemene kollapset under vekten av lavkvalitetsaktivitet.
ActionFi, plattformens belønningsmotor, er utviklet for å unngå den fellen fullstendig. Den betaler ikke for tweets eller klikk. Den belønner verifiserte arbeidsflyter som reflekterer ekte, strukturert digitalt arbeid.
“Vi betaler ikke for støy. Vi betaler for nyttige stier,” legger Yamani til.
Hvem eier egentlig systemet?
I dag kontrollerer Action Model utvidelsen, treningslogikken og belønningssystemene. Men prosjektet har forpliktet seg til å overføre eierskap til $LAM-tokenholdere over tid. En DAO-struktur vil etter hvert la bidragsytere styre plattformbeslutninger, insentivmekanismer og modellutrulling.
“Tidlige systemer trenger koordinering. Det som betyr noe er om de er sentralisert av design,” sier Yamani.
Hvis dette implementeres som beskrevet, vil eierskap gi tokenholdere innflytelse over infrastrukturbeslutninger knyttet til dataene de har bidratt til å generere.
Hvis AI er uunngåelig, kan eierskap også være det
Neste generasjons AI bygges nå ikke bare på språk, men på arbeid. Fra kontorarbeid til operasjoner er mange oppgaver som skjer bak en skjerm nå innen rekkevidde for intelligente agenter.
“Du har hørt at millioner av skjermbaserte jobber vil bli automatisert. Det er ikke flere tiår unna – det skjer nå,” sier Yamani. “Hvis dine data er med på å trene AI, bør du eie det som bygges.”
Om Action Model kan skalere, forbli transparent og bygge en bærekraftig økonomi er noe vi vil følge nøye med på de kommende månedene. Men innsatsen er veldig tydelig. Den avgjørende kampen innen AI handler ikke bare om hva teknologien kan gjøre, men også om hvem den arbeider for.
Etter hvert som AI endrer arbeidslivet, vil fremtiden eies av plattformer, eller av folket?
