DoorDash rémunère désormais les livreurs pour des données d'entraînement d'IA et robotique

DoorDash a commencé à payer certains livreurs non seulement pour les livraisons, mais aussi pour des tâches numériques : par exemple, pour télécharger des vidéos courtes et d'autres contenus afin d'améliorer les modèles d'IA. De cette manière, la plateforme transforme son réseau de travail de terrain en source de données pour l'apprentissage automatique et la robotique.

Comment Cela Fonctionne

Selon Bloomberg, dans certaines régions, DoorDash propose aux livreurs des tâches rémunérées qui ne sont pas directement liées à la livraison d'une commande au client. Il s'agit de courtes vidéos et d'autres actions numériques qui aident à améliorer les modèles d'IA et de robotique. C'est un changement important : auparavant, les plateformes comme DoorDash monétisaient principalement la logistique, mais maintenant elles commencent également à monétiser l'accès à un réseau distribué de personnes qui sont constamment « sur le terrain » et qui peuvent collecter des données utiles à partir d'environnements réels.

Cette approche s'adapte bien à l'économie des plateformes de travail flexible. DoorDash possède déjà une application, un système de micropaiements, une géographie d'exécutants et un mécanisme de distribution de tâches. Ajouter une autre couche de travail au-dessus de la livraison—les tâches numériques—est plus simple pour l'entreprise que de construire un réseau distinct de sous-traitants pour la collecte de données.

Pour les livreurs, cela ressemble à un moyen supplémentaire de gagner entre les commandes, et pour la plateforme elle-même, c'est une expansion de l'activité vers l'infrastructure d'IA sans restructuration radicale de son service principal.

Pourquoi DoorDash a Besoin de Données

Les modèles d'IA et de robotique font face à des contraintes non seulement en termes de puissance de calcul mais aussi de qualité des données. Ils ont besoin d'exemples frais du monde réel : à quoi ressemblent les environnements urbains, comment les conditions d'éclairage changent, comment les objets se comportent dans des scénarios quotidiens. Les vidéos et autres tâches numériques effectuées par les livreurs peuvent fournir exactement ce type de matériel—pas des données stériles de laboratoire, mais vivantes et variées. Pour les systèmes qui doivent naviguer dans le monde physique, ces informations sont particulièrement précieuses.

Pour DoorDash, ce schéma offre plusieurs avantages :

• l'entreprise reçoit un flux de nouvelles données sans créer une équipe de terrain distincte ;
• la collecte peut être rapidement mise à l'échelle grâce au réseau d'exécutants déjà existant ;
• on peut proposer aux livreurs des micro-tâches supplémentaires entre les livraisons ;
• la plateforme logistique gagne un autre chemin de croissance dans la direction de l'IA.

Au niveau du marché, c'est aussi un mouvement révélateur. L'article de Bloomberg affirme directement que DoorDash suit les concurrents qui ont déjà trouvé de nouveaux moyens d'utiliser les travailleurs de plateforme dans le boom de l'IA. Cela suggère que la demande de travail humain flexible dans l'industrie de l'IA ne disparaît pas même face à l'automatisation. Au contraire : plus les entreprises développent activement des modèles, plus elles ont besoin de personnes pour collecter, vérifier et reconstituer les ensembles de données.

Nouvelle Économie du Travail Flexible

L'histoire de DoorDash montre comment le rôle même du travail de plateforme change. Un livreur ne se contente plus de transporter un colis du point A au point B. Il peut devenir un participant à un pipeline numérique qui soutient l'entraînement des modèles. Dans un tel schéma, le travail physique et le travail sur les données se fusionnent progressivement : le même exécutant livre de la nourriture aujourd'hui et demain en parallèle aide à améliorer les algorithmes de vision par ordinateur ou les systèmes robotisés.

Ce tournant pose des questions pratiques. Si un tel modèle commence à s'étendre, le marché devra discuter de la façon de rémunérer ces tâches, de l'endroit où se situe la ligne entre la livraison et le travail supplémentaire numérique, des exigences en matière de qualité du contenu et de la transparence avec laquelle les plateformes expliquent exactement à quoi les matériaux collectés sont utilisés. Pour l'entreprise, c'est une façon peu coûteuse de développer son pipeline de données, mais pour les travailleurs, c'est une forme encore plus fragmentée et atomisée du travail, où chaque étape supplémentaire devient une micro-tâche distincte.

Ce Que Cela Signifie

DoorDash démontre que la prochaine étape de l'économie de l'IA ne se construit pas seulement autour des modèles et des puces, mais aussi autour de l'accès aux personnes réelles et aux données hors ligne. Les entreprises disposant de grands réseaux d'exécutants acquièrent un nouvel atout : la capacité à collecter rapidement du matériel pour entraîner l'IA. Pour le marché du travail, c'est un signal que le travail de plateforme s'intègre de plus en plus non seulement dans la livraison, mais dans le service de l'industrie de l'IA elle-même.