Het was de oorspronkelijke "artificial artificial intelligence": een leger van honderdduizenden thuiswerkers die tegen een paar cent per taak afbeeldingen labelden, teksten categoriseerden en data opschoonden. Amazon Mechanical Turk (MTurk) was sinds 2005 de stille motor achter talloze AI-projecten. Maar afgelopen weekend maakte Amazon bekend dat het geen nieuwe klanten meer accepteert voor het platform. Het tijdperk van menselijke data-labeling op industriële schaal loopt ten einde.
Waarom Amazon de stekker eruit trekt
Amazon heeft geen officiële reden gegeven, maar de signalen zijn duidelijk. De afgelopen twee jaar hebben AI-modellen de kwaliteit van menselijke labelaars eerst geëvenaard en inmiddels ruimschoots overtroffen. GPT-5, Claude Sonnet 5 en Gemini 3 kunnen afbeeldingen classificeren, teksten annoteren en sentiment analyseren met een nauwkeurigheid die menselijke MTurk-workers niet halen — en dat 24/7, zonder koffiepauzes.
Tegelijkertijd is de kritiek op MTurk de afgelopen jaren toegenomen. Onderzoekers van de University of Southern California toonden in 2024 aan dat het mediane uurloon van MTurk-workers onder de $3 lag. De combinatie van ethische druk, betere AI-alternatieven en afnemende vraag maakt het platform economisch én moreel onhoudbaar.
De Nederlandse realiteit
In Nederland draaiden tientallen AI-startups en onderzoeksgroepen op MTurk-data. Denk aan de Radboud Universiteit die taalmodellen trainde met Nederlandse tekstclassificaties, of Utrechtse medische AI-onderzoekers die röntgenfoto's lieten labelen. Voor hen is het wegvallen van MTurk een direct probleem.
Maar ook buiten de academische wereld voelen MKB'ers de gevolgen. Een Nederlands e-commercebedrijf met 20 medewerkers dat productbeschrijvingen automatisch wil categoriseren, kon tot vorige week voor €200 aan MTurk-taken een dataset van 5.000 gelabelde producten krijgen. Dat alternatief is nu weg. De goedkoopste concurrent — Scale AI — begint bij €8.000 per project.
Wat dit betekent voor jouw MKB
Verrassend genoeg is het einde van MTurk niet alleen slecht nieuws. De verschuiving dwingt bedrijven om slimmer met data om te gaan — en dat levert op termijn betere AI op.
Drie gevolgen voor MKB Nederland:
-
Data-labeling wordt duurder, maar beter. Alternatieven zoals Scale AI en Labelbox richten zich op enterprise-klanten met budgetten vanaf €10.000 per maand. De budget-optie verdwijnt, maar de kwaliteit van professionele labeling is significant hoger.
-
Synthetische data wordt de standaard. AI-modellen die zelf trainingsdata genereren — "synthetic data" — zijn in 2026 volwassen genoeg voor de meeste MKB-toepassingen. Denk aan het genereren van 1.000 voorbeeld-facturen om je factuurherkenning te trainen, of 500 gesimuleerde klantgesprekken voor je chatbot.
-
Kwaliteit gaat omhoog. Menselijke labelaars maken fouten — tot 15% bij complexe taken. AI-gelabelde data is consistenter, en de nieuwste modellen halen 99%+ nauwkeurigheid op standaard classificatietaken.
De grotere trend: AI eet zijn eigen staart
Het einde van MTurk past in een breder patroon. AI wordt steeds vaker getraind op data die door andere AI-systemen is gegenereerd. OpenAI gebruikt GPT-5 om trainingsdata te genereren voor GPT-6. Anthropic's Claude Science draait volledig op synthetische onderzoeksdata. Dit klinkt als een oneindige spiegel — maar in de praktijk werkt het verrassend goed, zolang er voldoende menselijke validatie in de loop zit.
Voor MKB'ers betekent dit: de drempel om AI te trainen op jouw specifieke bedrijfsdata wordt lager, niet hoger. Je hebt geen leger labelaars meer nodig — je hebt een goed prompt nodig en een paar dozijn voorbeelden van wat je wél en niet wilt.
Wat je nu moet doen
Check je AI-leveranciers. Vraag je chatbot-bouwer of CRM-partij waar hun trainingsdata vandaan komt. Als het antwoord "MTurk" is, heb je een migratieplan nodig — het platform stopt niet morgen, maar nieuwe projecten kun je er niet meer starten.
Experimenteer met synthetic data. Tools als OpenAI's GPT-5 API en Claude kunnen met een paar voorbeelden honderden realistische varianten genereren. Begin klein: genereer 50 voorbeeld-klantvragen en test of je AI-systeem ze correct classificeert. De kosten? Een paar euro aan API-credits.
Heroverweeg je data-strategie. De dagen van "we kopen wel even een dataset" zijn voorbij. Bouw een eigen data-pijplijn: verzamel echte klantinteracties, anonimiseer ze, en gebruik ze als trainingsmateriaal. Dat is werk, maar het levert een concurrentievoordeel op dat je niet bij Amazon kunt bestellen.
Het einde van Mechanical Turk is geen verlies — het is een signaal dat AI volwassen is geworden. De vraag is niet langer of je AI kunt trainen, maar of je de data hebt om 'm te voeden.