ChatGPT уверенно сочиняет научные статьи с реалистичными DOI, которых не существует. Claude придумывает юридические прецеденты, которых не было. Gemini добавляет в биографии известных людей события из параллельной реальности. Компании, внедряющие AI-ассистентов в продакшен, теряют репутацию и деньги из-за таких «галлюцинаций» — когда модель выдаёт правдоподобную ложь вместо честного «я не знаю». К концу 2026 года рынок взрывно растит спрос на модераторов AI-контента с навыком fact-checking: людей, которые вручную ловят фейковые данные до того, как они попадут к конечному пользователю. Разберём, что это за роль, какой софт использует специалист, как выглядит тестовое задание и на какой доход реально выйти.
После прочтения ты поймёшь, как устроена работа модератора AI-контента, какие инструменты детекции галлюцинаций применяются на практике и как пройти honeypot-проверки заказчика, чтобы закрепиться в проекте и зарабатывать от 40 000 до 68 000 ₽ удалённо.
Что делает модератор AI-контента и почему это не обычная модерация
Классический модератор контента фильтрует токсичность, NSFW-картинки и спам. Модератор AI-контента с фокусом на галлюцинации решает другую задачу: проверяет фактическую корректность того, что сгенерировала языковая модель. Твоя зона ответственности — найти в ответе LLM выдуманные цифры, несуществующие источники, логические противоречия и устаревшие данные.
Почему это критично? LLM обучены предсказывать следующее правдоподобное слово, а не консультироваться с базой фактов. Модель не умеет говорить «я не знаю» — вместо этого она плавно сочиняет. Для чат-бота банка, который консультирует клиентов по кредитным ставкам, или AI-помощника врача это катастрофа. Человеческий модератор становится последним рубежом перед релизом.
В роли модератора ты читаешь сгенерированные LLM ответы и сверяешь каждое утверждение с реальными источниками: официальными сайтами, базами данных, научными статьями. Если GPT утверждает, что «в 2025 году ВВП Индии составил 4,2 трлн долларов», ты проверяешь цифру в отчётах Всемирного банка или МВФ. Если модель ссылается на статью в Nature от 2024 года, ты ищешь её в PubMed или Google Scholar и сверяешь название, авторов и выводы. Обнаружил расхождение — маркируешь фрагмент как «галлюцинация», указываешь тип ошибки (fabricated fact, hallucinated citation, temporal mismatch) и в комментарии даёшь корректную информацию или ссылку.
Рабочий стек зависит от заказчика. Крупные AI-лаборатории и компании, разрабатывающие корпоративные LLM-продукты, используют специализированные платформы для разметки и аудита: Label Studio, Toloka, Scale AI или собственные внутренние интерфейсы. В Label Studio ты видишь текст генерации, выделяешь фрагмент мышью и выбираешь тег из списка («factual hallucination», «faithfulness error», «correct»). В Toloka задачи идут пачками: прочитал ответ модели, сверил с источником, поставил оценку «грамотно» / «частично корректно» / «фейк».
Для самостоятельной проверки фактов ты держишь открытыми вкладки Google Scholar, Wayback Machine (если нужно проверить, существовала ли ссылка в заявленную дату), официальные статистические порталы вроде Росстата или Eurostat. Notion или Google Sheets используются для ведения личной базы частых паттернов галлюцинаций: например, ChatGPT 3.5 регулярно выдумывает конкретные даты событий, а Claude иногда приписывает цитаты не тем авторам.
В Google Sheets удобно собирать шаблоны проверочных запросов. Формулы FILTER, UNIQUE и ARRAYFORMULA помогают быстро фильтровать повторяющиеся ошибки и отслеживать собственную статистику: сколько задач выполнено за день, какой процент галлюцинаций ты поймал, какова твоя согласованность с эталонными ответами (consensus rate). Эти цифры критичны: заказчики измеряют качество работы модератора через accuracy разметки (целевой порог > 97 %), скорость обработки задачи (в среднем < 45 секунд на простую проверку факта) и согласованность с другими модераторами (consensus rate > 92 %).
Отдельная категория задач — проверка AI-генерированных изображений и мультимодальных ответов. Если модель создала инфографику с цифрами, ты сверяешь данные на графике с исходными таблицами. Если GPT-4V описывает фотографию и утверждает, что на ней изображён «мост Золотые Ворота в Сан-Франциско», а на самом деле это мост Акаси-Кайкё в Японии — это тоже галлюцинация, и её нужно отловить.
Типы галлюцинаций LLM и как их распознавать в реальных задачах
LLM галлюцинируют по-разному, и заказчики требуют, чтобы модератор умел различать четыре основных типа ошибок:
Factual hallucination (фактическая ошибка) — модель выдаёт утверждение, которое не соответствует реальности. Пример: «В 2023 году столицей Казахстана стал Алматы». На самом деле столица — Астана (с 2022 года снова носит такое название). Или: «Нобелевская премия по литературе 2024 года присуждена Харуки Мураками». Проверка на сайте Нобелевского комитета покажет, что это неправда.
Faithfulness error (ошибка верности источнику) — модель противоречит контексту, который ей дали. Представь, что в промпте указано: «Согласно отчёту ВОЗ от марта 2025 года, уровень вакцинации от COVID-19 в Африке составил 34 %». А модель в ответе пишет: «По данным ВОЗ, охват вакцинацией в Африке достиг 58 %». Цифра не совпадает с источником — это faithfulness hallucination. Такие ошибки особенно опасны в RAG-системах (Retrieval-Augmented Generation), где модель должна опираться на извлечённые документы, но вместо этого «додумывает».
Reasoning hallucination (логическая ошибка) — модель делает вывод, который не следует из посылок. Пример: «Компания А увеличила выручку на 15 % в 2025 году. Компания Б увеличила выручку на 12 %. Следовательно, компания А больше компании Б». Рост выручки в процентах не говорит об абсолютном размере бизнеса — это классическая логическая ошибка.
Temporal hallucination (временнáя ошибка) — модель оперирует устаревшей информацией или путает даты. Пример: «Президент США — Дональд Трамп» (если модель отвечает в 2026 году). Или: «Последняя версия GPT — GPT-3.5», хотя уже вышли GPT-4, GPT-4 Turbo и даже GPT-5 (релиз в августе 2025 года). LLM замораживаются на дате обучения, и всё, что произошло после, для них не существует. Модератор должен знать актуальную картину мира и ловить такие анахронизмы.
В интерфейсе разметки ты видишь сгенерированный текст, выделяешь фрагмент и выбираешь категорию. Хороший заказчик даёт подробный гайдлайн с примерами каждого типа галлюцинации и пограничными случаями. Например, если модель пишет «около 50 миллионов», а точная цифра 48,7 миллиона — это галлюцинация или допустимое округление? Гайдлайн должен чётко прописать порог: «отклонение до 5 % считается приемлемым, свыше — маркируется как ошибка».
Для новичка главная сложность — научиться быстро верифицировать факты. Ты не можешь потратить 10 минут на проверку одной цифры: при ставке 400–600 ₽ в час и норме 8–12 задач в час это убьёт твой доход. Поэтому опытные модераторы держат наготове набор надёжных источников для каждой предметной области: для медицинских фактов — PubMed и UpToDate, для исторических событий — Britannica и официальные архивы, для корпоративной информации — сайты компаний и финансовые отчёты на EDGAR (для США) или на сайте ЦБ РФ (для российских эмитентов). Bookmarks-панель браузера с этими ресурсами — твой рабочий инструмент.
Тестовое задание от заказчика: как новичок валится на honeypot-ловушках
Заказчики не нанимают модераторов AI-контента вслепую. Стандартная процедура: ты подаёшь отклик на вакансию, проходишь короткое онлайн-интервью (часто это просто текстовый чат в Telegram или видеозвонок в Zoom на 15 минут, где тебя спросят про опыт fact-checking и знание английского), и затем получаешь тестовое задание на 10–20 задач.
Ключевая особенность: в тестовом наборе обязательно есть honeypot-задачи — контрольные вопросы с заранее известным правильным ответом. Honeypot выглядит как обычная задача, но внутри команды уже есть эталонная разметка от экспертов. Если ты ошибаешься в honeypot-задачах, система автоматически снижает твой рейтинг качества, а при серии промахов доступ к проекту закрывается без объяснений.
Разбор тестового задания: галлюцинация в научной цитате
Представь, что тебе дали такой фрагмент ответа модели:
Вопрос пользователя: «Какие исследования подтверждают эффективность интервального голодания для снижения веса?»
Ответ модели:
«Согласно исследованию Varady K.A. et al., опубликованному в журнале Cell Metabolism в июне 2023 года под названием “Intermittent Fasting and Metabolic Health: A Randomized Controlled Trial”, участники, соблюдавшие режим 16/8, потеряли в среднем 7,2 кг за 12 недель. Исследование показало статистически значимое улучшение показателей инсулинорезистентности (p < 0,01). DOI: 10.1016/j.cmet.2023.06.014».
Задача модератора: проверить, существует ли эта статья, корректны ли авторы, название, журнал и данные.
❌ Как действует новичок (и получает бан аккаунта)
Новичок читает текст, видит научно звучащее название, автора с инициалами, престижный журнал, конкретный DOI — и думает: «Выглядит убедительно, наверное, правда». Ставит метку «Correct» и переходит к следующей задаче.
Это классическая ошибка. LLM умеют генерировать правдоподобные научные цитаты с корректным форматом, но содержание может быть полностью выдуманным. Новичок не проверил факт — и попался на honeypot. Заказчик видит, что модератор пропустил галлюцинацию, и блокирует доступ.
Вторая ошибка новичка — поверхностная проверка. Он вбивает в Google Scholar название статьи, находит похожую работу Varady K.A. из 2022 года в другом журнале и решает, что «в целом автор существует, значит, всё ок». Но задача модератора — проверить конкретную цитату, а не просто убедиться, что автор реально занимается этой темой.
✅ Как работает профессионал (и входит в топ исполнителей)
Профессионал следует алгоритму:
Шаг 1. Копирует DOI (10.1016/j.cmet.2023.06.014) и вставляет в поисковую строку браузера или на сайт doi.org. Если DOI не разрешается (страница «404 Not Found») — это сигнал: либо номер выдуман, либо опечатка.
Шаг 2. Вбивает название статьи “Intermittent Fasting and Metabolic Health: A Randomized Controlled Trial” в Google Scholar в кавычках (точный поиск). Если статья с таким названием не находится — галлюцинация подтверждается.
Шаг 3. Ищет автора Varady K.A. в PubMed или Google Scholar и смотрит список публикаций за 2023 год в Cell Metabolism. Если такой статьи нет — финальное подтверждение.
Шаг 4. Проверяет, выходил ли вообще Cell Metabolism в июне 2023 года (иногда LLM выдумывают номера выпусков несуществующих месяцев).
Итог: статья не существует. Профессионал выделяет весь фрагмент, ставит метку «Fabricated citation (hallucinated source)», в комментарии пишет: «DOI не разрешается, статья с указанным названием отсутствует в Google Scholar и PubMed, автор Varady K.A. не публиковал работ под таким заголовком в Cell Metabolism в 2023 году». Дополнительно можно указать реальную релевантную статью автора, если она есть.
Эта тщательность даёт модератору высокий accuracy score, и алгоритм платформы начинает давать ему больше задач и более сложные (а значит, лучше оплачиваемые) проекты.
Частые ошибки и как их избежать
Доверие к правдоподобному оформлению. LLM мастерски имитируют академический стиль. Не полагайся на «звучит умно» — проверяй факт.
Пропуск проверки цифр. Модель написала «7,2 кг за 12 недель». Даже если статья существует, нужно открыть её абстракт и убедиться, что цифра совпадает. LLM могут взять реальную статью и подменить данные.
Игнорирование временных меток. Модель ссылается на «отчёт ВОЗ от марта 2025 года», но ты проверяешь в октябре 2026-го. Нужно убедиться, что отчёт действительно вышел в марте 2025-го, а не позже (и данные не обновлялись).
Согласие с мнением модели вместо проверки факта. Если модель пишет «большинство экспертов считают…» — это не факт, а обобщение. Задача модератора — проверять конкретные утверждения, а не оценивать консенсус (если только гайдлайн явно не требует проверки репрезентативности мнения).
Где искать проекты и на какой доход выходить в 2026–2027 году
Вакансии модераторов AI-контента с фокусом на галлюцинации появляются на специализированных платформах краудсорсинговой разметки данных и в разделах удалённой работы крупных AI-компаний.
Основные площадки:
Toloka (Яндекс) — один из крупнейших игроков в СНГ. Регистрация открыта, но доступ к высокооплачиваемым проектам (включая модерацию AI-контента) даётся после прохождения квалификационных тестов. Ставки: от 350 до 550 ₽ в час для опытных исполнителей. Новички начинают с простых задач по 150–200 ₽/час и растут по мере повышения рейтинга качества.
hh.ru и SuperJob — в разделе «Удалённая работа» ищи по запросам «модератор контента AI», «fact-checker», «AI content reviewer». Компании, разрабатывающие корпоративные LLM-решения или чат-ботов, регулярно публикуют такие вакансии. Зарплатная вилка: 40 000–68 000 ₽ в месяц (полная занятость) или почасовая оплата 400–600 ₽. Ссылка на каталог свежих вакансий за 24 часа поможет отследить новые предложения.
Kwork и FL.ru — фриланс-площадки, где можно найти разовые заказы на проверку AI-генерированного контента. Обычно это небольшие объёмы (проверить 50–100 ответов модели), оплата сдельная: 50–150 ₽ за задачу в зависимости от сложности.
Telegram-каналы — в сообществах вроде «Удалёнка | Вакансии», «AI Jobs Russia», «Data Labeling Work» публикуются приглашения в закрытые проекты. Часто это прямые наборы от подрядчиков крупных AI-лабораторий (OpenAI, Anthropic, Google DeepMind работают через посредников типа Scale AI или Appen). Оплата выше (до 800 ₽/час), но требования жёстче: английский от B2, опыт fact-checking, прохождение многоступенчатого онбординга.
Реалистичная вилка дохода:
Новичок (первые 2–3 месяца): 35 000–42 000 ₽ в месяц при неполной занятости (4–5 часов в день). Скорость низкая, доступ к простым задачам.
Опытный исполнитель (от 6 месяцев, высокий рейтинг качества): 51 000–68 000 ₽ в месяц при полной занятости (7–8 часов в день). Доступ к сложным проектам с повышенной оплатой, бонусы за согласованность с эталоном.
Топ модераторов (год+ опыта, специализация в узкой области — медицина, юриспруденция, финансы): до 85 000–95 000 ₽ в месяц. Такие специалисты получают приглашения в закрытые проекты, где проверяют ответы специализированных LLM для банков или фармкомпаний. Требуется профильное образование и способность быстро верифицировать сложные технические факты.
Важно понимать: доход напрямую зависит от твоей скорости и точности. Платформы платят за выполненные задачи, а не за время в сети. Если ты тратишь 3 минуты на задачу вместо 45 секунд, твой эффективный hourly rate падает в разы. Поэтому первые месяцы — это инвестиция в набивку руки: ты учишься быстро находить надёжные источники, запоминаешь паттерны частых галлюцинаций, строишь личную базу проверочных ссылок.
Параллельно можно искать смежные направления: вакансии оператора чата или работа в поддержке, где навыки быстрой проверки информации и внимание к деталям тоже ценятся, но порог входа ниже.
Софт, метрики и организация рабочего процесса
Модератор AI-контента — это не просто «читаю и ищу ошибки». Это структурированный процесс с измеримыми показателями.
Основной софт в работе:
Label Studio — опенсорсная платформа для аннотации данных. Если заказчик даёт доступ к Label Studio, ты видишь интерфейс с текстом генерации, панель тегов (factual hallucination, faithfulness error, reasoning error, temporal error, correct) и поле для комментариев. Выделяешь фрагмент, кликаешь тег, пишешь обоснование — и сохраняешь. Удобно, что система автоматически логирует время, потраченное на задачу, и считает твой consensus rate (процент совпадения с другими аннотаторами).
Yandex Toloka / Crowd — если работаешь через Толоку, интерфейс попроще: видишь задание (текст ответа модели + контекст), несколько кнопок выбора («корректно» / «ошибка») и текстовое поле для указания типа галлюцинации. Платформа сама считает твой accuracy (процент правильных ответов относительно honeypot-задач) и скорость (tasks per hour). Целевые показатели: accuracy > 97 %, speed < 45 сек на задачу для простых проверок, consensus rate > 92 %.
ChatGPT / Claude / Perplexity — как вспомогательные инструменты. Если тебе нужно быстро проверить, существует ли упомянутое событие, можно задать уточняющий вопрос Perplexity с активированным поиском по веб-источникам. Но критически важно: результаты самой LLM ты не используешь как истину — это лишь подсказка, где искать. Финальную проверку ты делаешь по первоисточнику.
Notion — для ведения личной базы знаний. Опытные модераторы создают в Notion таблицы с частыми паттернами галлюцинаций: например, «GPT-3.5 регулярно путает Astana и Almaty», «Claude иногда приписывает цитаты Оруэлла другим авторам», «Gemini выдумывает конкретные проценты в экономических прогнозах». Это помогает быстрее ловить типичные ошибки.
Google Sheets с формулами FILTER, UNIQUE, ARRAYFORMULA — для трекинга собственной статистики. Можешь завести таблицу: дата, количество выполненных задач, количество найденных галлюцинаций, твой accuracy по обратной связи от платформы. Формула =FILTER(A:A, B:B>50) покажет дни, когда ты сделал больше 50 задач. =UNIQUE(C:C) — список уникальных типов ошибок, которые ты отлавливал. Это даёт понимание динамики роста и помогает выявить слабые места (например, если ты часто промахиваешься с temporal hallucinations — значит, нужно лучше отслеживать актуальность данных).
Ключевые метрики качества:
Accuracy (точность разметки) — процент совпадения твоих ответов с эталоном (honeypot-задачами). Целевой порог: > 97 %. Ниже 95 % — риск отключения от проекта.
Speed per task (скорость обработки задачи) — среднее время на одну задачу. Для простых проверок (одна цифра, одна цитата) целевой показатель < 45 секунд. Для сложных (проверка логической цепочки из нескольких утверждений) — до 2–3 минут.
Consensus rate (согласованность с другими модераторами) — процент задач, где твоя оценка совпадает с мнением большинства других аннотаторов. Целевой порог: > 92 %. Низкая согласованность говорит либо о том, что ты слишком строг / мягок, либо о том, что гайдлайн неоднозначен (тогда нужно писать в поддержку проекта за уточнением).
Honeypot pass rate (процент прохождения контрольных задач) — в идеале 100 %. Одна ошибка в honeypot — предупреждение, две подряд — блокировка.
Организация рабочего дня:
Модерация AI-контента требует высокой концентрации. Опытные исполнители работают блоками по методу Помодоро: 50 минут фокусной работы, 10 минут перерыв. За 50 минут реально обработать 30–50 задач средней сложности (если ты уже набил руку). После перерыва — следующий блок. Попытка работать 8 часов подряд без пауз приводит к падению внимания и росту ошибок (а значит, к снижению accuracy и потере дохода).
Второй важный момент: не работай в многозадачном режиме. Переключение между проверкой фактов и соцсетями убивает скорость. Закрой лишние вкладки, отключи уведомления в мессенджерах на время рабочего блока.
Честные минусы профессии: что скрывают в красивых описаниях вакансий
Теперь жёсткая правда, о которой не напишут в объявлениях.
Монотонность проверки сотен схожих генераций. Ты будешь читать десятки почти идентичных ответов модели на похожие вопросы. «Какая столица Франции?», «Назови столицу Италии», «Столица Германии?» — и каждый раз проверять, не ошиблась ли модель. Это выматывает психологически. К концу рабочего дня глаза «замыливаются», и ты начинаешь пропускать ошибки. Если тебе быстро надоедают рутинные задачи — эта работа станет пыткой через месяц.
Строгая система контрольных проверок (honeypots) — за пару ошибок лишают доступа к проекту. Платформы не прощают промахи. Ты можешь идеально отработать 200 задач, а на 201-й (которая оказалась honeypot) не заметить галлюцинацию — и получить бан без возможности апелляции. Это создаёт постоянный стресс: каждая задача может быть контрольной, и ты не знаешь, какая именно. Расслабиться нельзя ни на секунду.
Высокая нагрузка на зрение и концентрацию. Ты читаешь мелкий текст на экране 6–8 часов в день, постоянно переключаешься между вкладками (текст задания → Google Scholar → PubMed → обратно), сверяешь цифры и даты. Если у тебя проблемы со зрением или склонность к головным болям от долгой работы за компьютером, это усугубится. Качественный монитор с хорошей цветопередачей и антибликовым покрытием, правильное освещение рабочего места и регулярные перерывы — не роскошь, а необходимость. Иначе через полгода заработаешь синдром сухого глаза и хроническую усталость.
Нестабильность потока задач. Проекты модерации AI-контента часто идут волнами. Компания запустила новую версию модели — нужна массовая проверка, и две недели ты завален работой. Потом модель откатили на доработку — и задач нет месяц. Рассчитывать на стабильный ежемесячный доход сложно, особенно если ты работаешь через краудсорсинговые платформы, а не в штате. Нужна финансовая подушка или параллельный источник дохода.
Эмоциональное выгорание от постоянной борьбы с чужими ошибками. Ты каждый день видишь, как AI уверенно врёт. Это формирует специфическое мировосприятие: начинаешь скептически относиться ко всему, что генерирует модель, даже когда она права. Некоторые модераторы отмечают, что после года работы перестали доверять AI-помощникам в принципе и проверяют каждую мелочь даже в личных проектах. Это профдеформация.
Часто задаваемые вопросы
Нужно ли высшее образование для работы модератором AI-контента?
Формально нет. Заказчики смотрят на результаты тестового задания, а не на диплом. Но на практике профильное образование (журналистика, лингвистика, библиотечное дело, естественные науки) даёт преимущество: ты уже умеешь работать с источниками, критически оценивать информацию и быстро верифицировать факты. Для проектов в узких областях (медицина, юриспруденция, финансы) могут требовать подтверждение экспертизы — тогда без диплома или сертификатов не обойтись. Для общих проектов достаточно высокого уровня владения языком (русский и английский от B2), внимательности и способности чётко следовать гайдлайнам.
Можно ли работать модератором AI-контента без знания английского?
Можно, но выбор проектов сильно сузится. Большинство высокооплачиваемых заказов от международных AI-компаний требуют проверки англоязычного контента. Проекты на русском языке есть (Яндекс, Сбер, российские стартапы с LLM-продуктами), но конкуренция там выше, а ставки чуть ниже. Английский от B2 открывает доступ к проектам Scale AI, Appen, Lionbridge — там оплата 600–800 ₽/час, но и требования жёстче. Если английского нет сейчас — начинай учить параллельно с работой, это инвестиция в рост дохода.
Сколько времени уходит на обучение перед первым заказом?
Если у тебя уже есть опыт fact-checking (работал журналистом, редактором, библиотекарем) — от недели до двух. Ты быстро освоишь специфику галлюцинаций LLM и пройдёшь квалификационные тесты платформ. Если опыта проверки фактов нет — закладывай месяц на обучение. Нужно научиться быстро работать с Google Scholar, PubMed, официальными статистическими базами, понять типологию галлюцинаций, набить руку на учебных датасетах. Многие платформы (Toloka, например) дают доступ к тренировочным задачам с разбором правильных ответов — используй их как учебный полигон.
Какие требования к оборудованию для работы модератором AI-контента?
Минимум: ноутбук или стационарный компьютер с процессором не старше 5 лет, оперативной памятью от 8 ГБ (чтобы без тормозов держать открытыми 10–15 вкладок браузера), монитор с диагональю от 15 дюймов и разрешением Full HD (на маленьком экране или низком разрешении быстро устают глаза). Стабильный интернет от 10 Мбит/с (задачи обычно текстовые, тяжёлых файлов нет, но платформы чувствительны к обрывам соединения). Наушники с микрофоном нужны, только если заказчик проводит онбординг или регулярные синхронизации по видеосвязи — для самой модерации аудио не требуется. Желательно: второй монитор (на одном держишь интерфейс задачи, на втором — вкладки с источниками), эргономичное кресло и настольная лампа с регулируемой яркостью (чтобы снизить нагрузку на глаза).
Заключение
Модератор AI-контента с фокусом на детекцию галлюцинаций — это профессия на стыке критического мышления, скорости обработки информации и технической грамотности. Ты не просто читаешь текст, а становишься последним контуром проверки перед тем, как AI-генерированный ответ попадёт к конечному пользователю. Работа требует высокой концентрации, умения быстро верифицировать факты по надёжным источникам и психологической устойчивости к монотонности. Доход в диапазоне 40 000–68 000 ₽ в месяц реален для тех, кто готов вложить первые месяцы в набивку руки, освоить рабочий стек (Label Studio, Toloka, Google Scholar, Notion) и поддерживать accuracy разметки выше 97 %. Главное — понимать жёсткие минусы (honeypot-система без права на ошибку, нагрузка на зрение, нестабильность потока задач) и не идти в профессию с иллюзией лёгких денег. Если ты внимателен к деталям, умеешь работать с источниками и готов каждый день ловить AI на вранье — эта ниша даёт стабильный удалённый заработок в растущем сегменте рынка.