Les entreprises d’IA proposent jusqu’à 2 millions de dollars pour des archives d’e-mails et de documents professionnels

Les e-mails, tickets, documents et transcriptions d’appels sont soudain devenus des actifs susceptibles d’être vendus aux développeurs d’IA. Des intermédiaires adressent aux entreprises des offres de plusieurs centaines de milliers, voire de plusieurs millions de dollars, pour obtenir une copie de leurs anciennes archives professionnelles. La raison est simple : l’Internet public apprend efficacement à un modèle à poursuivre un texte, mais montre mal comment les décisions sont réellement prises, comment les erreurs sont corrigées et comment les projets sont menés à leur terme.

Voici un exemple simple. Un jeu de données pédagogique peut contenir une procédure soigneusement rédigée pour retourner un produit. Une archive d’entreprise révélera toute la chaîne : la plainte du client, le différend entre le support et la comptabilité, la dérogation aux règles, l’approbation d’une remise et la réponse finale. Pour un modèle destiné à effectuer du travail de bureau, le second ensemble est beaucoup plus utile. Il contient du contexte, de l’incertitude et les conséquences des décisions.

Pourquoi les archives sont devenues si chères

Selon WIRED, des intermédiaires ont proposé entre 350 000 et 2 millions de dollars pour des archives d’entreprise. De son côté, Handshake achète des documents professionnels et des travaux d’étudiants. Mercor et Micro1 collectent des données sur de véritables processus de travail afin d’entraîner et d’évaluer des modèles.

La taille du marché reste difficile à estimer. Le dirigeant de Micro1 affirme que les entreprises dépensent entre 40 et 50 milliards de dollars par an dans les données, mais l’auteur de WIRED n’a pas pu confirmer ce chiffre de manière indépendante. La prévision selon laquelle ce marché atteindrait 1 000 milliards de dollars par an demeure également l’affirmation d’un acteur du secteur, et non un fait établi.

Un cas révélateur est apparu lors de la faillite de Spirit Airlines. Une archive numérique comprenant 80 000 comptes de messagerie, 500 millions de messages internes, 20,6 millions de fichiers SharePoint et un million de relevés d’heures de travail a été mise en vente. Micro1 en a proposé 12,5 millions de dollars. La transaction a été suspendue après les objections du syndicat du personnel navigant commercial : les employés craignent que l’acheteur n’obtienne leurs informations personnelles en même temps que les documents professionnels.

L’anonymisation ne résout pas tout

Les vendeurs de données assurent supprimer les informations personnelles avant de transférer les archives. Avec un tableau où le nom figure dans une colonne séparée, la tâche est relativement claire. Avec des e-mails et des messages, elle est plus complexe. Une personne peut décrire un diagnostic, un problème familial ou un conflit avec son supérieur sans jamais indiquer son nom complet. La combinaison de son poste, du projet, de la date et des détails de la conversation peut néanmoins permettre de l’identifier.

Une autre question se pose : à qui appartient la trace professionnelle d’un employé ? L’entreprise possède le système de messagerie et les documents, mais cela ne signifie pas qu’elle a obtenu le consentement éclairé des personnes concernées pour entraîner un modèle. La situation est particulièrement problématique lorsque les archives servent à automatiser les professions mêmes dont les représentants les ont créées.

Pour les développeurs, cela signifie qu’une simple promesse du type « nous avons supprimé les PII » ne suffit pas. Il faut des règles vérifiables sur la provenance des données, une liste des usages autorisés, des durées de conservation et un mécanisme permettant de supprimer les contenus d’une personne précise. Un audit indépendant de l’anonymisation, des tests de mémorisation de fragments et un journal des accès aux archives originales sont également utiles.

Ce que doit faire une équipe produit

Avant d’acheter ou de vendre des données professionnelles, établissez une cartographie : qui a créé chaque type de contenu, quels contrats étaient en vigueur à ce moment-là et si les archives contiennent des informations sur des clients, la santé, les finances ou des conflits du travail. Vérifiez séparément les pièces jointes, les sauvegardes et les citations provenant d’anciens e-mails : elles survivent souvent aux procédures automatiques de nettoyage.

Ne versez pas directement une telle archive dans le processus d’entraînement. Commencez par constituer un échantillon limité, supprimez les champs superflus, effectuez une vérification manuelle et tentez de réidentifier les personnes à partir du contexte restant. Si votre équipe y parvient, une personne extérieure le pourra probablement aussi.

La principale conclusion pour les fondateurs est simple : une archive d’entreprise peut effectivement devenir une nouvelle source de revenus, mais elle crée en même temps une dette juridique, réputationnelle et produit. Sa valeur ne peut pas être évaluée uniquement à l’aune du montant du chèque. Le consentement des employés, le droit de refus, un audit technique et une limitation précise des finalités d’utilisation doivent être établis avant la transaction. Sinon, l’entreprise ne vend pas des fichiers inutilisés, mais la vie professionnelle d’autrui.