Mercor atteint 10 milliards de dollars en recrutant des experts pour apprendre à l'IA le travail de bureau

Mercor, basée à San Francisco, a bâti son activité sur un paradoxe : l'entreprise recrute des professionnels qualifiés pour qu'ils apprennent à l'IA à faire leur propre travail. Grâce à cette approche, la start-up, fondée par des entrepreneurs qui ont abandonné l'université, a atteint une valorisation de 10 milliards de dollars et s'est imposée comme un acteur notable de la course à l'automatisation du travail de bureau.

Comment fonctionne l'approche

Pour automatiser des tâches en col blanc, il ne suffit pas de donner au modèle un accès à internet, aux documents et aux échanges internes de l'entreprise. Il faut des exemples concrets de la manière dont les spécialistes prennent des décisions, fixent des priorités, corrigent leurs erreurs et mènent une tâche jusqu'à son résultat.

Dans ce schéma, Mercor sert de pont entre l'humain et la machine : l'entreprise paie des travailleurs hautement qualifiés pour transmettre des compétences pratiques qui restaient jusqu'ici au sein de la profession et n'étaient presque pas formalisées.

En somme, la start-up transforme l'expertise humaine en boucle d'entraînement pour l'IA. Si un modèle doit accomplir du travail de bureau dans des processus réels, et non lors de démonstrations, il lui faut non seulement des réponses justes, mais aussi la bonne logique d'action. La valeur ne tient donc pas à un « entraînement de réseau de neurones » abstrait, mais à la collecte massive de schémas professionnels de qualité : comment analyser une tâche, quelles exceptions repérer, où revérifier les conclusions et comment mettre en forme le résultat pour qu'il soit exploitable dans l'entreprise. Cette couche de connaissances peut être mise à l'échelle, mise à jour et réentraînée sur de nouveaux cas.

Pourquoi Mercor a décollé

Pour les investisseurs, ce modèle paraît lisible et scalable. Mercor ne vend pas simplement un assistant IA de plus : elle opère à un niveau plus coûteux et plus ambitieux, en tentant de transformer le travail d'expert en système reproductible pour automatiser des postes en col blanc.

L'histoire des fondateurs nourrit aussi l'intérêt : la start-up a été créée par d'anciens étudiants qui ont abandonné l'université et, en peu de temps, ils ont porté l'entreprise à une valorisation de 10 milliards de dollars. Sur ce marché, cela se lit comme un signal : la demande d'automatisation du travail intellectuel est déjà assez forte pour justifier des paris énormes. De fait, Mercor ne vend pas la promesse d'un futur lointain, mais l'infrastructure pour l'accélérer dès maintenant.

• L'accès aux professionnels devient la matière première pour entraîner les modèles
• Les scénarios de travail réels peuvent être transformés en données, et les données en produit
• Se concentrer sur les tâches de bureau ouvre un marché plus vaste que celui des chatbots grand public
• Plus l'IA copie fidèlement l'expertise d'un spécialiste, plus l'effet économique est visible pour l'entreprise

Qui cela inquiète

Le point le plus gênant de l'histoire, c'est que des personnes aident de fait à créer des outils qui, avec le temps, peuvent réduire la demande pour leurs propres compétences. Pour l'employeur, cela paraît rationnel : d'abord payer un expert pour qu'il transmette son savoir, puis utiliser le modèle là où il fallait auparavant un humain.

Pour les spécialistes eux-mêmes, le tableau est plus complexe. Pour l'instant, ces projets procurent des revenus et de la demande pour leurs compétences, mais ils poussent en même temps le marché à standardiser et à rendre mesurable une partie du travail intellectuel, et donc plus facile à automatiser.

Tout le travail de bureau ne disparaîtra pas pour autant à la même vitesse. Là où il faut de la responsabilité, du contexte, la confiance du client, de la négociation ou des décisions hors norme, l'humain conserve une position solide. Mais les pans routiniers du travail en col blanc — préparation de documents types, analyse préliminaire, structuration de l'information, opérations répétitives au sein des processus — sont de plus en plus considérés comme un terrain adapté à l'IA. Mercor mise précisément sur cette couche de transition entre l'expert humain et la machine qui apprend à reproduire ses actions utiles.

Ce que cela signifie

Mercor montre où se déplace le centre de la course à l'IA : des démonstrations spectaculaires vers la capture systématique du savoir professionnel. Si cette approche fonctionne à grande échelle, la principale valeur ne sera pas les modèles eux-mêmes, mais l'accès à des personnes capables de transformer leur travail en un ensemble de décisions, de règles et d'actions compréhensible par l'IA.