Olga Megorskaya, grunnlegger og CEO av Toloka – Intervju-serie

Olga Megorskaya, grunnlegger og CEO av Toloka, har ledet selskapet siden 2020 og styrt det fra sine opprinnelige crowd-labeling-røtter til en stor spiller i AI-data-tjenester. Før hun grunnla og ledet Toloka, tilbrakte hun mer enn et tiår i Yandex, hvor hun kulminerte i en stilling som sjef for crowdsourcing og plattformer, hvor hun bygget og skalert crowdsourced data-merking-infrastruktur for maskinlæringsprodukter, inkludert søk, tale, tale, selvkjørende, innholdsmoderasjon og mer. Under hennes ledelse i Toloka, har selskapet posisjonert seg som en global data-partner for AI — kombinert maskinlærings-teknologi med menneskelig ekspertise for å støtte opplæring, evaluering og sikkerhet for store AI-modeller og -agenter.

Toloka er et nederlandsk selskap med hovedkontor i Amsterdam som tilbyr høykvalitets, ekspertkurerte data for AI-utvikling, fra annotering og merking til tilpassede datasett for overvåket finjustering (SFT) og forsterkingslæring fra menneskelig tilbakemelding (RLHF). Selskapet støtter en rekke modaliteter — tekst, bilde, lyd, video — og engasjerer domene-eksperter sammen med en global crowd for å levere skalerbare, nøyaktige datasett for opplæring og evaluering av avanserte AI-agenter og store språkmodeller. Deres tjenester hjelper med å forbedre evner som resonnering, flerspråklig forståelse, bilde/lyd-generering og AI-sikkerhet over industrier og applikasjoner.

Du tilbrakte år med å bygge menneske-i-løkkesystemer i Yandex før du grunnla Toloka i 2020. Hva var øyeblikket som overbeviste deg om at dette måtte bli et eget selskap, og hvordan har denne erfaringen formet din visjon for Tolokas rolle i AI-utvikling?

På et visst tidspunkt innser vi at Toloka hadde vokst ut av sitt opphavselskap. AI-forskere fra hele verden brukte plattformen, og vi erkjente at selskapet kunne oppnå mer som en uavhengig enhet. Derfor kunne Toloka basere seg på den kumulative erfaringen fra hundrevis av AI-team som samlet inn opplæringsdata for hele spekteret av AI-løsninger — fra nett-søk og tale-assistenter til GenAI-chatbots og AI-agenter. Vi har siden kombinert vår ekspertise i å håndtere menneskelig innsats med å bygge og trene AI-agenter for å skape vårt nye produkt, Tendem.

Du har sagt at den virkelige forstyrrelsen fremover ikke kommer fra fullstendig autonome agenter. Hva ledet deg til å konkludere at hybrid-agenter — som kombinerer AI-automatisering med menneskelig dømmekraft — er modellen som vil til slutt vinne?

Mens jeg tror at AI-kun-løsninger i mange områder snart vil nå et fantastisk nivå av kvalitet for å tilfredsstille kundernes behov, vil det alltid være en lang hale av brukstilfeller som grunnmodellene aldri vil være optimalisert for. Dette er der hybrid-tilnærmingen vil overgå både AI-kun- og menneske-kun-løsninger for den nærmeste fremtid. Vi har sett samme mønster spille ut gjentatte ganger over det siste tiåret: AI kan skale oppgaver vakkert, men det sliter med nyanser, kontekst og de typene dømmekraft som betyr noe i virkelige forretnings-sammenhenger. Profesjonelle ønsker hastighet, men de trenger også pålitelighet — fullstendig autonome agenter kan ikke garantere det i dag. Hybrid-systemer vinner fordi de løser begge sider av ligningen. AI håndterer det det er best på: hastighet, struktur og gjentakelighet. Menneskelig ekspertise fyller hullene: tvetydighet, kant-tilfeller og tolkning. Når du kombinerer de to naturlig, får du en arbeidsflyt som er både rask og pålitelig. Det er modellen profesjonelle vil til slutt stole på.

Du har bemerket at AI bryter sammen på tvetydighet og fler-dokument-begrepsforståelse. Hva slags oppgaver avslører disse begrensningene mest tydelig?

Lang-horisont-oppgaver — de som krever syntese av flere kilder, forsoning av motstridende informasjon eller tolkning av kontekst, og som ville ta timer eller sogar dager for mennesker å fullføre — tenderer til å avsløre de nåværende grensene for AI. Eksempler inkluderer markedundersøkelser, konkurranse-analyse, sammenfatting av lang-form-dokumenter, utkast til originalt innhold fra blandede inndata eller trekke ut innsikter som henger på menneskelig nyanser versus mønster-gjenkjenning. AI er utmerket til å produsere en første utkast. Men øyeblikket en oppgave krever prioritering, dømmekraft eller forsoning av tvetydighet, synker påliteligheten skarpt. Det er der menneskelig ekspertise er essensiell.

Mange profesjonelle bruker AI, men stoler fortsatt ikke fullstendig på det. Hvordan bygger din tilnærming tillit opp i å delegere virkelig arbeid til AI-assisterte systemer?

Tillit forbedres når mennesker slipper å fikse AI-utdata. Vår tilnærming bygger tillit opp ved å integrere mennesker i arbeidsflyten fra starten, ikke som en eskalasjonsvei når AI feiler. Hver oppgave i Tendem flyter gjennom en AI-prosjektleder som bestemmer hva som bør automatiseres og hva som krever menneskelig ekspertise. Deretter sikrer både automatiserte sjekker og menneskelig QA at den endelige utdataen er nøyaktig, fullstendig og forretnings-klar. For profesjonelle betyr det at de kan delegere arbeid og faktisk forvente en verifisert resultat, ikke et utkast de må reparere.

Hva mekanismer sikrer at menneskelig ekspertise i løkken opprettholder høykvalitets-utdata uten å sakke ned arbeidsflyten?

To ting gjør dette mulig:

• Spesialisering i skala. Eksperter i Tendems nettverk er forhåndsgodkjent, trent og matchet basert på domene-ekspertise. De er ikke generelle frilansere som prøver å tilpasse seg på fly — de er allerede kvalifisert for bestemte typer oppgaver.
• Lagdelt QA og smart routing. AI håndterer brød-og-smør-stegene så menneskelig ekspertise bare fokuserer på delene som krever dømmekraft. Deretter er det et andre lag av automatisert QA og menneskelig-verifisering hvor nødvendig. Dette holder mennesker engasjert der de legger til mest verdi, ikke der de skaper flaskenakker.

Resultatet er hastighet som rivaliserer automatisering, med nøyaktighet som rivaliserer ekspert-gjennomgang.

I industrier som krever nøyaktighet og overholdelse, hvordan kan hybrid-systemer tilby verifiserbarhet og overholdelse som bedrifter kan stole på?

Hybrid-systemer tillater naturlig overholdelse fordi hver steg i arbeidsflyten er sporet, tilskrevet og kvalitets-sjekket. Du vet hvilke deler som ble automatisert, hvilke som ble utført av godkjente eksperter og hvilke QA-steg validerer utdataen. I høyt regulerte industrier blir denne prosessen essensiell. Du er ikke lenger avhengig av en black-box AI-beslutning; du har en verifiserbar kjede av dømmekraft, korreksjoner og godkjenninger. Det er hva gjør hybrid-systemer egnet for domener hvor nøyaktighet og overholdelse ikke kan være valgfrie.

Hvilke kategorier av kunnskapsarbeid forventer du vil skifte til hybrid-agenter først, og hvilke vil være slowest til å adoptere denne modellen?

Generelt tror jeg at hybrid-tilnærmingen er mye enklere å adoptere enn en AI-kun-tilnærming, så vi forventer at nesten alle domener kan dekkers med denne modellen — forskjellen vil bare være i forholdet mellom AI og menneskelig innsats. De tidligste adoptererne er roller hvor hastighet og nøyaktighet begge betyr noe, men arbeidet er fortsatt høyt repetitivt. Vi ser allerede sterk trekk fra konsulenter, markedsføring, salgsoperasjoner, forskning og innholdsskaping. De mest komplekse (og kanskje de mest interessante) områdene å løse er de nærmest den fysiske verden, som arkitektur og konstruksjon. Men jeg ser en klar teknologisk vei til å komme dit også.

Fra et operasjonelt ståsted, hvordan nyter organisasjoner godt av å skifte fra frilanser-styrt arbeid til hybrid-agenter?

Hybrid-agenter eliminerer to av de største ineffisiensene i frilanser-styrt arbeid: ledelses-overhod og inkonsistent kvalitet. Organisasjoner og profesjonelle trenger ikke lenger å rekruttere, godkjenne, instruere, lede eller korrigere frilansere. Hybrid-agenten håndterer arbeidsflyt-orkestrasjon automatisk, tilordner riktig kombinasjon av AI og menneskelig ekspertise for hver steg. Dette reduserer omgangstid, standardiserer utgangskvalitet og skalerer arbeid uten å skalerer ansatte. Kort sagt: du får hastigheten til automatisering med påliteligheten til en ekspert-team, uten å måtte lede noen av dem.

Når hybrid-systemer får stor gjennomslag, hva slags innvirkning forventer du dette skiftet vil ha på den bredere frilans- og gig-økonomien?

Vi tror det vil omforme frilans-økonomien, ikke erstatte den. I stedet for at frilansere tilbringer tid på lav-nivå, repetitive oppgaver, kan de plugge inn i hybrid-systemer som spesialister i bestemte domener. Arbeidet blir mer strukturert: høyere verdi, mer forutsigbar og mer stabilt. I stedet for å jage ujevne prosjekter, kan eksperter bidra i skala gjennom plattformer som Tendem, hvor deres ferdigheter er matchet til riktige oppgaver og støttet av AI-systemer som fjerner busywork.

Seende fremover noen år, hva ser “delegering til AI” ut som når hybrid-agenter blir standard over hele digitalt arbeid?

Delegering vil føles mindre som “å bruke et verktøy” og mer som å gi arbeid til et kompetent team. Du vil beskrive resultatet du ønsker, og hybrid-agenten vil bryte det ned, routere underoppgaver, anvende riktig blanding av AI og menneskelig ekspertise, verifisere resultater og levere et ferdig produkt — alt innen timer. Skiftet vil være fra å bruke AI som et utkast-assistent til å stole på AI som en prosjektleder som overvåker en hel arbeidsflyt. Det er da sanne delegering skjer: når profesjonelle kan stole på systemet til å levere den endelige utdataen, ikke bare et startpunkt.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Toloka.