ロボットに家事を教えるための「生の教材」として、一般ユーザーの生活動画が注目を集めている。米国とマレーシアを拠点とするスタートアップ Kleda（クレッド） と Luel（ルエル） は、ユーザーが自宅で行う調理や掃除、ゴミ出しといった日常動作の映像データに対し報酬を支払うユニークなギグワークプラットフォームを運営している。本稿では、実際に1週間にわたってデータ提供を体験した記者の報告をもとに、AIロボット開発の最前線で起きている「データ収集」の実態と、その課題を詳報する。
ロボット訓練用データの需要と急成長するスタートアップ
AIロボット開発における最大の課題のひとつは、現実世界の多様なシチュエーションをカバーする高品質な学習データの不足にある。この課題を解決するため、クラウドソーシング型でユーザーから直接データを購入するビジネスモデルが台頭してきた。
その代表格が Kled だ。同社が一躍注目されるきっかけとなったのは、創業者パテルが2026年初めにX（旧Twitter）に投稿した1本の動画である。同社が保有する多岐にわたる映像アーカイブの一部を紹介したその投稿は、瞬く間に400万回以上の再生を記録した。パテルは「あらゆる主要な基盤モデル開発企業や研究機関が、データを求めてきました」と振り返る。
Kledは現在、30万人以上のユーザーからデータを収集しており、主にAIのトレーニングデータとしてカメラロールのデータを丸ごとアップロードする人々に報酬を支払っている。この種のギグワークには マレーシア のアーリーアダプターが積極的に参加しており、同社は現地でのコミュニティ形成に成功している。
記者が体験した家事データ提供の1週間
「ゴミ出し」タスクに挑戦
Kledのアプリには「スペシャルタスク」というコーナーが設けられており、ユーザーは一覧から撮影したい家事を選び、アプリ内で直接動画を撮影する仕組みだ。時給制ではなく、各タスクの報酬は「低・中・高」の3段階に分類されている（同社によると、近い将来、多くのタスクに具体的な金額が表示される予定）。
記者が最初に選んだタスクは「ゴミ出し」だった。報酬ランクは「中」。アプリが録画内容を指示してくれるため、始めるのは簡単だった。タスク要件には「家庭のゴミを出す様子を録画して、ロボットの作業学習に活用する。ゴミ袋を取り出し、口を結び、新しいゴミ袋をセットし、ゴミを出すまでの一連の工程を1本の連続動画で記録する。カメラを安定させ、顔は映さないこと」とある。
記者はスマートフォンのストラップを頭部に装着し、台所のゴミ袋の口を結んでアパート裏のゴミ箱まで運ぶ様子を録画した。しかし、録画は新しい袋をセットする前に、約2分で自動終了してしまった。アプリには「上限に達した」と表示されたという。
最低100ファイルの壁と不正検出の実情
週末の家事をこなしながら9つのタスクを撮影し終えた記者は、報酬を受け取るためには 最低100個のメディアファイル をアップロードしなければならないという条件に気づいた。やむを得ず、過去の休暇写真で不足分を補填したというエピソードは、このプラットフォームの課題を象徴している。
パテルによると、Kledがこの1年で最も注力したのは不正の検出だった。ユーザーがインターネットからダウンロードした動画や、真っ黒な画面だけの動画をアップロードする事例が後を絶たないという。また、プライバシー保護の観点から、データがすべて匿名化され、個人を特定できる情報が除去されていることも、ラボがデータを購入する絶対条件となっている。
こうした厳格な管理体制の結果、同社は ナイジェリア から撤退している。この地域ではユーザーが送信する映像のおよそ95％が、役に立たない重複データか不正なものだったというから驚きだ。
Luelの台頭と競合激化
Kledと類似したビジネスモデルを展開する Luel も急成長を遂げている。創業者のウィリアム・ナムギャルは2026年初め、わずか 18歳 の若さで名門アクセラレーターである Yコンビネーター に参加した。
Luelの特徴は、タスク要件の細かさにある。ユーザーが撮影する動画の95％以上に手を映すことが必須条件とされており、ロボットが実際の操作スキルを学習するためのデータ品質に重点を置いている点で差別化を図っている。世界各国のユーザーにデータ提供の対価を支払うグローバルなネットワークを構築しており、今後の市場競争はさらに激化しそうだ。
「データ提供の労働」が抱える構造的な課題
一連の報道から浮かび上がるのは、ロボット訓練データ市場の大きな可能性と、同時に無視できない構造的な問題である。
まず、報酬体系の透明性が低いという点だ。タスクの難易度による報酬ランクの具体的な金額が不明瞭であり、「最低100ファイル」のようなハードルが設定されていることで、提供者にとっての実質的な時給は極めて低くなる可能性がある。また、AIやロボット開発の中核を担うデータが、このような不安定なギグワークに依存している現状は、データ品質の持続可能性という観点からもリスクをはらんでいる。
一方で、技術的な進歩も著しい。プライバシー保護のための自動匿名化や不正データのフィルタリングは、こうしたプラットフォームが成熟するにつれて急速に改善されていくと見られる。
家事ロボットの未来は、単にハードウェアの進化だけでなく、こうした「データエコシステム」の健全性にかかっていると言っても過言ではない。KledやLuelのようなプレイヤーが、提供者と開発者、そしてエンドユーザーである社会全体にとっての持続可能なバランスをどのように築いていくのか。引き続き注視する必要がある。
