Sang et sueur de l'IA : des millions de travailleurs cachés derrière chaque requête ChatGPT

Derrière chaque réponse de ChatGPT, Gemini ou Claude se cache une armée invisible de personnes — des centaines de milliers d'annotateurs et de modérateurs issus de pays en développement, sans lesquels l'IA moderne ne fonctionnerait tout simplement pas. Leur travail est soigneusement caché.

Qui Se Cache Derrière l'IA

Les grands modèles de langage n'apprennent pas par eux-mêmes. Ils ont besoin de personnes — pour étiqueter les données, évaluer la qualité des réponses, supprimer le contenu toxique et enseigner au modèle à distinguir une bonne réponse d'une mauvaise. Sans ce travail manuel, RLHF — apprentissage par renforcement à partir de retours humains, une technique clé qui rend les modèles utiles — serait impossible. Ce travail est effectué par des millions de prestataires externalisés via des plateformes comme Scale AI, Remotasks, Appen et Clickworker. La plupart proviennent du Kenya, du Pakistan, de l'Inde, du Venezuela, des Philippines et d'autres pays où les gens peuvent être embauchés pour quelques dollars de l'heure.

• Étiquetage des données — identifier les objets dans les images, catégoriser le texte, assigner des étiquettes
• Évaluation RLHF — comparer deux réponses du modèle et choisir la meilleure, en expliquant pourquoi
• Modération — examiner les flux de contenu généré et supprimer le contenu nuisible
• Red-teaming — tenter intentionnellement de casser le modèle pour trouver des vulnérabilités de sécurité
• Transcription et traduction — préparer les ensembles de données d'entraînement pour les modèles multilingues

Combien Gagnent-Ils

Les tarifs varient de $1 à $5 de l'heure — dans les pays ayant un faible niveau de vie, c'est toujours peu. La plupart des travailleurs n'ont aucune garantie : ni contrat de travail, ni ensemble d'avantages sociaux, ni protection contre la résiliation soudaine du contrat. Aujourd'hui il y a des tâches — demain il n'y en a pas.

Scale AI, valorisée à $13,8 milliards, construit son activité précisément sur cette main-d'œuvre. Le PDG Alexander Wang a ouvertement parlé de créer « la plus grande armée d'annotateurs au monde », mais les conditions de travail de cette armée ne figurent pas dans les communiqués de presse corporatifs. Les journalistes de Time en 2023 ont découvert que les travailleurs au Kenya, embauchés par l'intermédiaire du sous-traitant Sama pour modérer le contenu d'OpenAI, gagnaient environ $2 de l'heure — et passaient des heures à regarder des descriptions de violence, ce qui causait des traumatismes psychologiques.

«

Nous sommes le secret que les entreprises préfèrent ne pas révéler », dit l'un des annotateurs de Nairobi, travaillant simultanément pour trois plateformes différentes.

Pourquoi Cela Est Caché

Les entreprises d'IA vendent un récit de systèmes autonomes qui apprennent par eux-mêmes. Reconnaître le travail humain colossal derrière chaque modèle détruit cette image et soulève des questions inconfortables sur la responsabilité. Légalement, le schéma est organisé de manière qu'il n'existe aucun lien direct entre OpenAI et un annotateur spécifique de Lagos — il existe une chaîne à plusieurs niveaux de sous-traitants. Cela leur permet de ne pas inclure les travailleurs dans les statistiques officielles de l'emploi et de ne pas assumer les obligations de respecter les normes du travail.

Les chercheurs de l'Oxford Internet Institute ont appelé ce phénomène « ghost work » — travail absolument nécessaire au fonctionnement des systèmes d'IA modernes, invisible pour l'utilisateur final et délibérément placé en dehors du champ de la responsabilité corporative.

Ce Que Cela Signifie

Le boom de l'IA a créé une nouvelle classe de précariat numérique dans le monde entier. Tandis que les investisseurs versent des milliards dans les systèmes autonomes, des centaines de milliers de personnes à $2–3 de l'heure rendent quotidiennement ces systèmes possibles. Sans transparence dans les chaînes d'approvisionnement des données, le secteur technologique risque de reproduire dans l'économie numérique les mêmes problèmes depuis longtemps critiqués dans la production physique — avec la différence que les usines sont visibles et les centres de données ne le sont pas.