Le sang et la sueur de l'IA : des millions de travailleurs cachés derrière chaque requête à ChatGPT

Derrière chaque réponse de ChatGPT, de Gemini ou de Claude se tient une armée invisible : des centaines de milliers d'annotateurs et de modérateurs de pays en développement, sans lesquels l'IA actuelle ne fonctionnerait tout simplement pas. Leur travail est soigneusement dissimulé.

Qui se cache derrière l'IA

Les grands modèles de langage n'apprennent pas tout seuls. Il faut des humains pour étiqueter les données, évaluer la qualité des réponses, retirer les contenus toxiques et apprendre au modèle à distinguer une bonne réponse d'une mauvaise. Sans ce travail manuel, le RLHF (apprentissage par renforcement à partir de retours humains, la technique clé qui rend les modèles utiles) est impossible.

Ce travail est assuré par des millions de sous-traitants via des plateformes comme Scale AI, Remotasks, Appen et Clickworker. La plupart se trouvent au Kenya, au Pakistan, en Inde, au Venezuela, aux Philippines et dans d'autres pays où l'on peut embaucher pour quelques dollars de l'heure.

• Étiquetage de données : identifier des objets sur une image, catégoriser du texte, poser des étiquettes
• Évaluation pour le RLHF : comparer deux réponses du modèle et choisir la meilleure, en expliquant pourquoi
• Modération : examiner des flux de contenus générés et supprimer ce qui est nocif
• Red-teaming : chercher volontairement à faire échouer le modèle pour trouver des failles de sécurité
• Transcription et traduction : préparer des jeux de données d'entraînement pour des modèles multilingues

Combien ils gagnent

Les tarifs vont de 1 à 5 dollars de l'heure, ce qui reste peu, même dans des pays où le niveau de vie est bas. La plupart des travailleurs n'ont aucune garantie : ni contrat de travail, ni protection sociale, ni protection contre la rupture soudaine d'un contrat. Aujourd'hui il y a des tâches, demain il n'y en a plus.

Scale AI, valorisée 13,8 milliards de dollars, bâtit son activité précisément sur cette main-d'œuvre. Son directeur général, Alexandr Wang, a parlé ouvertement de créer « la plus grande armée d'annotateurs au monde », mais les conditions de travail de cette armée ne figurent, par principe, dans aucun communiqué de presse de l'entreprise.

En 2023, des journalistes de Time ont établi que des travailleurs au Kenya, recrutés via le sous-traitant Sama pour modérer des contenus pour OpenAI, touchaient environ 2 dollars de l'heure. Ils passaient des heures à lire des descriptions de violences, ce qui a provoqué des traumatismes psychologiques.

«

Nous sommes le secret que les entreprises préfèrent ne pas révéler », dit un annotateur de Nairobi, qui travaille en même temps pour trois plateformes différentes.

Pourquoi on le cache

Les entreprises d'IA vendent le récit de systèmes autonomes qui apprennent seuls. Reconnaître l'énorme travail humain derrière chaque modèle brise cette image et pose des questions gênantes sur la responsabilité.

Sur le plan juridique, le montage est conçu pour qu'il n'existe aucun lien direct entre OpenAI et tel annotateur de Lagos : il y a une chaîne de sous-traitants à plusieurs niveaux. Cela permet de ne pas intégrer ces travailleurs aux statistiques officielles de l'emploi et de ne pas assumer d'obligations de respect des normes du travail.

Des chercheurs de l'Oxford Internet Institute ont qualifié ce phénomène de ghost work, le travail fantôme. Il est absolument indispensable au fonctionnement des systèmes d'IA actuels, invisible pour l'utilisateur final et délibérément placé hors du champ de la responsabilité des entreprises.

Ce que cela signifie

Le boom de l'IA a créé une nouvelle classe de précariat numérique dans le monde entier. Pendant que les investisseurs injectent des milliards dans des systèmes autonomes, des centaines de milliers de personnes payées 2 à 3 dollars de l'heure rendent ces systèmes possibles chaque jour.

Sans transparence dans les chaînes d'approvisionnement en données, le secteur technologique risque de reproduire dans l'économie numérique les mêmes problèmes que l'on critique depuis longtemps dans la production physique, avec une différence : les usines se voient, les centres de données non.