DoorDash Tasks: Wie ein Lieferdienst zum KI-Datenlieferanten wird

DoorDash hat seine über 8 Millionen Dashers in den USA zu einer neuen Einnahmequelle gemacht: Mit der App Tasks sammeln Gig-Worker Alltagsvideos, Audioaufnahmen und Navigationssequenzen – nicht für Restaurantkunden, sondern für KI- und Robotik-Entwickler. Seit 2024 wurden laut DoorDash bereits über 2 Millionen Tasks abgeschlossen. Das Modell zeigt, wohin sich die Plattformökonomie entwickelt: weg vom reinen Logistik-Dienstleister, hin zum skalierbaren Datenlieferanten für die KI-Industrie.

Was auf den ersten Blick nach einer Nischenlösung aussieht, ist strukturell interessant. DoorDash besitzt bereits Infrastruktur, Compliance-Prozesse und eine riesige, geografisch verteilte Workforce. Diese Assets lassen sich auf ein völlig anderes Produkt umlegen: die Beschaffung von Real-World-Trainingsdaten in einem Markt, der chronisch unterversorgt ist. Synthetische Daten lösen das Problem nur teilweise – für physische Szenarien wie Roboterhandling oder Navigationsentscheidungen braucht man echte Bewegungen in echten Räumen.

Das Geschäftsmodell: Plattform als Datenpipeline

Der Kern von Tasks ist eine klassische Zwei-Seiten-Marktplatz-Logik. Auf der Nachfrageseite stehen Unternehmen aus Robotik, Computer Vision und generativer KI – darunter laut DoorDash-Pressemitteilung Anwendungsfälle aus Einzelhandel, Gastronomie, Versicherung und Tech. Sie kaufen strukturierte Datenpakete: Videos von Alltagshandlungen mit sichtbaren Händen, Audioaufnahmen in Zielsprachen, Navigationssequenzen durch definierte Umgebungen.

Auf der Angebotsseite stehen Dashers, die Tasks direkt in der bestehenden Dasher-App oder einer separaten Tasks-App sehen. Die Vergütung ist aufgabengebunden und wird vorab angezeigt – fest pro Task, berechnet nach Aufwand und Komplexität. Das unterscheidet das Modell von klassischem Akkordlohn: Es gibt keine versteckten Abzüge, aber auch keine Mindestgarantie pro Stunde über die einzelne Task hinaus.

Konkret: Eine Wäschelade-Session zahlt 15 USD (~14 EUR) pro Stunde, bei einer Maximalzeit von 20 Minuten – also maximal 5 USD (~4,65 EUR) pro Durchlauf. Ein Eier-Koch-Task liegt beim gleichen Stundensatz, mit einem Deckel von 5 USD. Wer drei Tasks hintereinander erledigt, kommt auf unter 10 USD (~9,30 EUR). Das ist kein Ersatzeinkommen, aber ein realistischer Zusatzverdienst für jemanden, der ohnehin zu Hause ist.

Die Datentypen und ihre technische Verwendung

Für jeden, der schon mal ein Computer-Vision-Modell auf reale Umgebungen trainiert hat, ist die Logik sofort klar: Ego-Perspektive-Videos mit sichtbaren Händen sind Gold wert für Imitation-Learning-Ansätze in der Robotik. Ein Roboter, der Wäsche falten soll, lernt das nicht aus 3D-Simulationen allein – er braucht Tausende echter Varianten: verschiedene Stofftypen, Beleuchtungssituationen, Grifftechniken.

Die aktuellen Task-Kategorien im Überblick:

• Haushaltsaufgaben: Wäsche laden, Geschirrspüler einräumen, Pflanzen umtopfen, Müll rausbringen
• Handwerkliche Aufgaben: Glühbirnen wechseln, Zement gießen, einfache Reparaturen
• Kochen: Eier braten, pochieren, rühren – jeweils mit sichtbaren Händen und durchgehendem Recording
• Navigation: Museen erkunden, Wohnanlagen abgehen, Parkwege aufzeichnen
• Fremdsprachen: Natürliche Konversationen auf Russisch, Mandarin und anderen Sprachen

Jeder Task hat spezifische technische Constraints: Hände müssen permanent im Frame sein, Recording darf nicht unterbrochen werden, bestimmte Locations sind gesperrt (Krankenhäuser, Schulen, Flughäfen, Militärbasen). DoorDash liefert beim Onboarding eine Körperhalterung für das Smartphone – das ist kein Goodie, das ist ein technisches Requirement für standardisierte Aufnahmewinkel.

Praxistest: Was funktioniert, was nicht

Wired-Autor Reece Rogers hat die App in Kansas getestet – einem der wenigen Bundesstaaten, in dem Tasks zum Launch verfügbar war. Kalifornien, New York City, Seattle und Colorado sind explizit gesperrt, vermutlich aus regulatorischen Gründen rund um Datenschutz und Arbeitsrecht.

Das Onboarding ist niedrigschwellig: Drei Objekte über einen Tisch schieben, Kamera dabei an. Belohnung: keine Bargeldzahlung, sondern die Körperhalterung für spätere Tasks. Das ist ein cleverer UX-Move – der Nutzer wird mit Equipment ausgestattet, bevor er bezahlt wird, was die Datenqualität nachfolgender Tasks erhöht.

Die Navigation-Tasks zeigen das strukturelle Problem des Modells am deutlichsten. DoorDash schreibt vor, keine Personen ohne Einwilligung aufzuzeichnen. In einem fast leeren Park ist das bereits kaum durchführbar – Rogers bricht den Task ab, als eine Joggerin auf ihn zuläuft. In einem Hotellobbying oder Museum ist die Regel faktisch nicht einhaltbar. Hier klafft eine erhebliche Lücke zwischen Policy und Realität, die DoorDash bislang nicht öffentlich adressiert hat.

Wettbewerb und Marktkontext: Wer liefert sonst KI-Trainingsdaten?

DoorDash betritt einen Markt, der bislang von spezialisierten Anbietern dominiert wird. Scale AI (gegründet 2016, zuletzt mit einer Bewertung von 29 Mrd. USD im Juni 2025 durch ein Meta-Investment bewertet) ist der bekannteste Akteur für Human-in-the-Loop-Datenannotation. Appen, Lionbridge und Sama bedienen ähnliche Segmente. Der entscheidende Unterschied: Diese Anbieter haben keine eigene Workforce-Infrastruktur im physischen Raum. DoorDash hat sie.

Das Plattform-Flywheel ist die eigentliche Stärke: Jeder neue Dasher, der sich für Lebensmittellieferung anmeldet, ist potenziell auch ein Tasks-Contributor. Die Akquisitionskosten pro Datenlieferant sind damit strukturell niedriger als bei reinen Datenannotations-Plattformen. Für Robotik-Unternehmen wie Waymo – das bereits in einem Pilotprojekt mit DoorDash kooperiert, bei dem Dashers Roboter-Türen schließen – ist das attraktiv: skalierbare Daten aus echten Wohnräumen ohne eigenes Recruitement.

Parallel dazu hat RentAHuman 2025 versucht, KI-Agenten als Auftraggeber für menschliche Tasks zu etablieren. Der Ansatz war konzeptuell interessant, in der Praxis jedoch kaum funktionsfähig – Wired-Tests zeigten, dass die Plattform mehr Marketing als Substanz war. DoorDash liefert hier tatsächlich funktionierende Infrastruktur.

DSGVO und EU AI Act: Was das für europäische Nutzer bedeutet

Tasks ist aktuell ausschließlich in den USA verfügbar. Sollte DoorDash das Modell nach Europa ausdehnen – und das ist bei über 8 Millionen Dashers weltweit eine naheliegende Wachstumsoption –, greifen erhebliche regulatorische Anforderungen.

Unter der DSGVO (Art. 35) wäre für die systematische Erfassung von Bewegungsvideos in öffentlichen und halböffentlichen Räumen eine Datenschutz-Folgenabschätzung verpflichtend. Die Navigationstasks, bei denen zwangsläufig unbeteiligte Dritte im Frame erscheinen können, erzeugen besondere Verarbeitungsrisiken. Ein Drittlandtransfer in die USA – ohne angemessene Schutzmaßnahmen nach Art. 46 DSGVO – wäre nicht ohne weiteres zulässig.

Der EU AI Act verschärft das ab August 2026 weiter: Wenn die gesammelten Daten zum Training von Hochrisiko-KI-Systemen verwendet werden – etwa Biometrie-Anwendungen oder autonome Fahrzeugsysteme – gelten dann umfassende Transparenz- und Dokumentationspflichten. Verstöße können mit bis zu 15 Mio. EUR oder 3 Prozent des globalen Jahresumsatzes geahndet werden. Für ein Unternehmen mit DoorDashs Größenordnung ist das ein nicht-trivialer Compliance-Aufwand, der einen EU-Launch von Tasks deutlich komplizierter macht als den US-Rollout.

So What? Der ROI für Dashers ist marginal – der für DoorDash ist strategisch

Wer Tasks als Einkommensquelle betrachtet, wird enttäuscht sein. Drei erledigte Tasks in einem halben Tag bringen unter 10 USD (~9,30 EUR) – das liegt unter dem Mindestlohn in den meisten US-Bundesstaaten, wenn man die Gesamtzeit inklusive Setup und Onboarding einrechnet. Tasks ist kein Haupt-Gig, es ist ein opportunistischer Zusatz für Dashers, die ohnehin zu Hause sind und ohnehin Aufgaben erledigen, die sich zufällig mit den Task-Kategorien überschneiden.

Für DoorDash selbst ist die Rechnung anders. Das Unternehmen monetarisiert eine bestehende Ressource – die Workforce und deren Alltagsumgebungen – in einem Markt, der laut verschiedenen Marktanalysten ein Volumen von mehreren Milliarden USD jährlich hat. Die Grenzkosten für jede zusätzliche Task sind minimal: Die Infrastruktur steht, die Compliance-Prozesse sind etabliert, die Dashers sind rekrutiert. Was DoorDash hier aufbaut, ist eine proprietäre Datenpipeline, die mit keiner anderen Plattform replizierbar ist – weil keine andere Plattform gleichzeitig Millionen physisch aktiver Gig-Worker und ein etabliertes Vertrauensverhältnis zu ihnen besitzt.

Für KI-Entwickler, die an physischen Modellen arbeiten – Computer Vision, Robotersteuerung, Sprachmodelle mit Embodied-AI-Kontext – ist DoorDash Tasks ein potenziell valider Datenkanal. Die Qualität der Daten hängt direkt von der Präzision der Task-Spezifikation ab: Schlecht formulierte Constraints produzieren unbrauchbares Footage. Wer Tasks als Datenbeschaffungsweg evaluiert, sollte die Task-Design-Qualität als kritischen Faktor einkalkulieren.

Fazit: Datenplattform mit strukturellen Grenzen

DoorDash Tasks ist kein Gig-Work-Modell der Zukunft – es ist ein pragmatischer Versuch, eine bestehende Infrastruktur auf einen neuen Markt zu heben. Das funktioniert für bestimmte Datentypen gut: Haushaltsvideos aus echten Wohnräumen, Kochsequenzen, einfache Handwerksaufgaben. Es scheitert dort, wo Datenschutz und Logistik kollidieren: Navigation in öffentlichen Räumen ist unter den aktuellen DoorDash-Regeln kaum sauber durchführbar.

Für Entwickler, die Trainingsdaten für physische KI-Systeme suchen, ist Tasks eine option neben Scale AI und Appen – mit dem Vorteil echter Wohnraumdaten und dem Nachteil eingeschränkter geografischer Verfügbarkeit und noch unklarer Datenqualitäts-SLAs. Für Dashers selbst bleibt Tasks ein Mikroverdienst ohne Substanz als Haupteinkommensquelle. Die eigentliche Wette läuft auf DoorDashs Unternehmensseite: Ob sich der Aufbau einer proprietären Trainingsdaten-Pipeline in einem Markt, der von Scale AI dominiert wird, auf lange Sicht auszahlt – das entscheidet sich in den nächsten zwei bis drei Jahren.