DoorDash Tasks: Datenarbeit als neues Standbein für KI- und Robotik-Training

DoorDash startet mit Tasks ein zweites Geschäft: standardisierte, bezahlte Datenerhebung für KI- und Robotiktraining. Der Schritt ist strategisch relevant, weil originale, geolokalisierte Video- und Audiodaten heute der knappste Rohstoff für robuste Roboter- und Agentensysteme sind – und DoorDash mit seiner bestehenden Gig-Infrastruktur sofort skaliert liefern kann (Pressemitteilung vom 19. März 2026).

Im Marktumfeld explodiert die Nachfrage nach realweltlichen Demonstrationsdaten: Haushaltsgriffe, Objektmanipulation, Navigation, Sprache. Parallel zeigen Erfahrungsberichte, dass die Bezahlung je Task aktuell niedrig bleibt. Laut Wired zahlte die App etwa 15 US‑Dollar pro Stunde (max. 20 Minuten pro Clip) bei Aufgaben wie Wäsche einräumen oder Ei braten; konkret fielen für einen Wäsche‑Clip nur 0,37 US‑Dollar an, mit Deckelung von 5 US‑Dollar für den Ei‑Task (≈ 13,80 €, 0,34 €, 4,60 €).

Geschäftsmodell: Von Logistik zu Datenernte

Tasks ist als eigenständige App und in der Dasher-App verfügbar. Gig-Worker befestigen das Smartphone am Körper und filmen klar definierte Abläufe: Geschirr spülen, Bett machen, leichte Handwerksarbeiten, Navigation an Weggabelungen, „natürliche Gespräche“ in Fremdsprachen. DoorDash setzt strikte Protokolle für Bildausschnitt (Hände sichtbar), Sequenzen (z. B. „vom Cracken bis zum finalen Garzustand“), Orte (Verbotszonen wie Krankenhäuser, Schulen) und Einwilligungen. Die Vergütung wird laut DoorDash vorab angezeigt und am Aufwand ausgerichtet.

Strategisch entsteht damit eine „menschliche Sensor-Schicht“: Millionen potenzieller Datensammler, die zeit‑ und ortsnah genau jene Szenarien liefern, die synthetische Daten nicht abdecken. Die Daten dienen laut DoorDash internen KI‑Systemen und Partnerbranchen wie Handel, Hospitality und Tech.

Preisgestaltung und Worker-Ökonomie

Transparenz ist gegeben – die Bezahlung je Task wird vorab angezeigt. Die Praxis zeigt aber aktuell schmale Erträge. Wired dokumentiert für drei erledigte Tasks eine Gesamtsumme unter 10 US‑Dollar. Aufgaben sind häufig mit Maximalzeiten gedeckelt (z. B. 20 Minuten), wodurch die effektive Auszahlung pro Clip gering ausfallen kann. Gleichzeitig minimiert DoorDash mit Standardisierung und Qualitätsregeln Ausschussraten – ein wichtiger Hebel für die Marge im Datengeschäft.

Für dich als Entscheider ist das Preisgefüge doppelt relevant: Es setzt den „Marktpreis“ für feinkörnige Demonstrationsdaten und gibt einen Benchmark für eigene Data‑Ops‑Programme. Wer beispielsweise komplexere Manipulationssequenzen (mehrstufige Handgriffe, Edge‑Cases, variable Beleuchtung) benötigt, muss höhere Stückpreise einkalkulieren – oder mit aktiver Nachannotierung und QA planen.

Skalierung, Abdeckung und Wettbewerb

Verfügbarkeit: Wired berichtet von einem Start in ausgewählten US-Regionen; Kalifornien, New York City, Seattle und Colorado seien zum Launch gesperrt. Der Ausbau auf weitere Task‑Typen und Regionen ist angekündigt.

Der strukturelle Vorteil liegt in DoorDashs bestehender On‑Demand‑Maschinerie: Dispatch, Verifizierung, Payment, Qualitätssicherung – alles ist vorhanden und millionenfach erprobt. Reine Datendienstleister müssen diese Infrastruktur erst aufbauen; Marktplätze ohne Feldlogistik erreichen die gleiche Abdeckung nicht. Für Robotik und Agentensysteme zählt jedoch Breite und Varianz: Küchen, Wohnungen, Supermärkte, Gehwege – jeweils mit echten Unwägbarkeiten. Genau hier kann DoorDash liefern, sobald die rechtlichen Leitplanken je Region klar sind.

Regulierung: EU AI Act und DSGVO im Blick

Die Datenerhebung ist regulierungsnah. Das betrifft zwei Ebenen: produktrechtliche Pflichten für KI‑Systeme (EU AI Act) und Datenschutz (DSGVO) bei der Video‑/Audioaufnahme in halböffentlichen Räumen.

Was bedeutet das für den EU AI Act?

Für europäische Unternehmen, die solche Daten nutzen oder ähnliche Programme planen, greifen gestaffelt die Pflichten des EU AI Act: Verbote und KI‑Literacy‑Pflichten seit Februar 2025, Governance‑Regeln und GPAI‑Transparenz seit August 2025, der Hauptteil (u. a. Hochrisiko‑Systeme) ab August 2026, gefolgt von Übergangsfristen bis 2027. Verstöße können mit bis zu 35 Mio. € oder 7 % des weltweiten Umsatzes sanktioniert werden (verbotene Praktiken) bzw. bis zu 15 Mio. € oder 3 % bei Hochrisiko‑Pflichten (Quelle: Europäische Kommission, AI‑Act‑Dossier, offizielle Info‑Seiten wie digital‑strategy.ec.europa.eu).

Konsequenz: Wer Demonstrationsdaten in sicherheitsrelevanten Domänen (z. B. Robotik in Lager/Produktion) nutzt, sollte bereits heute die Dokumentations‑ und Daten‑Governance‑Anforderungen entlang der Lieferkette definieren (Datenherkunft, Einwilligungen, Bias‑Kontrollen, Qualitätsmetriken).

DSGVO‑Implikationen

Bei personenbezogenen Daten sind Rechtsgrundlage, Transparenz und Zweckbindung Pflicht. Unternehmen, die vergleichbare Datenerhebungen in DACH planen, sollten je nach Szenario eine Datenschutz‑Folgenabschätzung (Art. 35 DSGVO) durchführen, klare Opt‑in‑Mechanismen etablieren und Restrisiken (z. B. Beifang unbeteiligter Personen in Parks, Lobbys oder Museen) technisch minimieren. Automatisierte Entscheidungen mit Rechtswirkung (Art. 22 DSGVO) sind zu vermeiden oder besonders zu begründen.

So What? Daten als Moat – aber nur mit Qualität, Governance und Unit Economics

Für C‑Level ergibt sich ein klares Bild: First‑party‑Demonstrationsdaten werden zum Verteidigungsgraben. Wer skalierte, variantenreiche Videodaten kontrolliert, beschleunigt Lernkurven für Robotik und Agenten – insbesondere bei feinmotorischen Handlungsfolgen. DoorDash zeigt, wie Feldlogistik in ein Datengeschäft überführt wird. Für deutsche Industrieunternehmen kann ein ähnlicher Ansatz in Instandhaltung, Fulfillment oder Retail‑Operations funktionieren – jedoch nur, wenn drei Bedingungen erfüllt sind: belastbare Vergütungssysteme (sonst driftet das Angebot weg), stringente QA‑Pipelines (sonst steigt Ausschuss) und saubere Compliance (sonst drohen Verzögerungen und Strafen). Für Einkäufer heißt das: Daten wie ein Rohstoff mit SLAs, Audits und klaren Metriken sourcen.

Fazit: Jetzt Data‑Ops professionalisieren – Make‑or‑Buy bewusst entscheiden

DoorDash Tasks ist mehr als Nebenerwerb: Es ist ein skalierbarer Datenlieferdienst für KI‑ und Robotikmodelle – mit noch unreifen, aber schnell iterierbaren Unit Economics. Für dich als Entscheider in DACH gilt: 1) Plane dedizierte Budgets für reale Demonstrationsdaten ein; 2) kläre früh die DSGVO‑ und AI‑Act‑Vorgaben samt DSFA; 3) entscheide Make‑or‑Buy – entweder eigene Datenernte‑Programme mit Werksbelegschaft/Partnern, oder Einkauf bei Anbietern, die Feldlogistik, QA und Rechteklauseln beherrschen. Wer 2026/27 skalierfähige Robotik‑/Agenten‑Use‑Cases liefern will, braucht heute eine robuste, rechtskonforme Datenlieferkette.