Introduction
En 1770, l’ingénieur Wolfgang von Kempelen présentait à la cour de Vienne un automate joueur d’échecs, « le Turc mécanique », capable de battre des adversaires humains. La supercherie ne fut révélée que des décennies plus tard : un joueur d’échecs en chair et en os se cachait dans le meuble. Près de deux siècles et demi plus tard, Amazon a baptisé sa plateforme de micro-tâches « Mechanical Turk » – un hommage involontairement lucide à une vérité que l’industrie de l’IA préfère taire : derrière la machine « intelligente », il y a presque toujours des humains.
On parle d’intelligence « artificielle », d’« automatisation », d’algorithmes qui « apprennent seuls ». Mais ces systèmes reposent sur un travail humain massif, dispersé et largement invisible : étiqueter des données, corriger des réponses, filtrer l’horreur. C’est ce que les chercheurs Mary Gray et Siddharth Suri ont nommé le « ghost work », le travail fantôme².
Le mythe de l’automatisation intégrale
L’imaginaire de l’IA est celui d’une autonomie totale. La réalité est celle d’une « dernière étape » que la machine ne sait pas franchir seule et qu’on confie discrètement à des personnes². La critique Astra Taylor a forgé le terme de fauxtomation pour désigner ces systèmes présentés comme automatiques mais en réalité tenus à bout de bras par du travail humain sous-payé. Des chercheurs parlent d’« heteromation » : faire exécuter par des humains, pour un coût marginal, ce que les machines ne peuvent pas faire – tout en laissant croire le contraire⁷.
Ce n’est pas un détail technique. C’est un choix de présentation : montrer le produit fini (un chatbot fluide, une voiture qui « se conduit ») et masquer la chaîne de travail qui le rend possible.
Qui sont les travailleurs de la donnée ?
Ils sont des millions, souvent dans les Suds – Kenya, Inde, Philippines, Venezuela – mais aussi aux États-Unis et en Europe. On les appelle data workers, annotateurs, raters, modérateurs. Ils travaillent via des plateformes de micro-tâches ou pour des sous-traitants spécialisés. Leur travail est fragmenté, chronométré, souvent payé à la tâche, et structurellement invisible : cascades de sous-traitance, clauses de confidentialité, absence de mention dans les publications des entreprises⁴.
Un symptôme de cette précarité : une enquête de 2025 auprès de data workers américains révèle que 66 % passent au moins trois heures par semaine à attendre des tâches, sans être payés pour ce temps, et que seulement 23 % bénéficient d’une assurance santé via leur employeur⁵.
Annotation, RLHF, modération : trois métiers de l’ombre
Étiqueter le monde
Pour qu’une IA « voie », des humains doivent d’abord lui montrer. Des annotateurs encadrent des piétons, des panneaux ou des cellules sur des millions d’images : c’est ce qui apprend à une voiture autonome à reconnaître un cycliste, ou à un modèle médical à repérer une tumeur². Sans ces données étiquetées, pas d’« apprentissage ».
Aligner les modèles (RLHF)
Les grands modèles de langage sont affinés par apprentissage par renforcement à partir de retours humains (RLHF) : des personnes comparent, notent et corrigent les réponses du modèle pour le rendre utile et « poli ». La fluidité d’un assistant tient en grande partie à ce jugement humain répété des milliers de fois. Selon les pays, ces annotateurs sont payés 10 à 25 $/h aux États-Unis, mais parfois 1 à 2 $/h ailleurs pour un travail identique⁶.
Filtrer l’horreur
Pour qu’un chatbot refuse de produire des contenus odieux, il faut d’abord lui apprendre à les reconnaître – donc les lui faire lire et étiqueter par des humains. C’est la face la plus sombre du métier : exposition prolongée à des descriptions de violences, d’abus et de contenus pédocriminels.
Le coût humain
En janvier 2023, une enquête du magazine TIME a révélé qu’OpenAI avait eu recours, via le sous-traitant Sama, à des travailleurs kenyans payés entre 1,32 et 2 dollars de l’heure pour étiqueter des contenus toxiques destinés à rendre ChatGPT moins nocif¹. Les textes décrivaient meurtres, tortures, suicides, automutilations, zoophilie et abus sur mineurs. Un travailleur a confié souffrir de visions récurrentes après avoir lu certains passages¹. Sama a mis fin à ce contrat quelques jours après la publication de l’enquête¹.
Ce cas n’est pas isolé : il illustre un transfert du fardeau psychique vers des personnes éloignées, peu protégées et facilement remplaçables – pour que l’expérience reste « propre » côté utilisateur.
Une industrie qui pèse des milliards
Le contraste est saisissant. L’étiquetage de données est devenu un marché stratégique : la société Scale AI, leader du secteur, a vu Meta y investir environ 14,3 milliards de dollars pour 49 % en juin 2025, la valorisant près de 29 milliards – son cofondateur rejoignant dans la foulée Meta³. D’un côté, des valorisations vertigineuses et des salaires d’ingénieurs à plusieurs millions ; de l’autre, des annotateurs payés quelques dollars de l’heure. La valeur remonte la chaîne ; la pénibilité descend.
L’invisibilité comme modèle
Cette invisibilité n’est pas accidentelle : elle est fonctionnelle. Elle entretient le récit de l’automatisation (et donc la valorisation des entreprises), elle dilue les responsabilités à travers des chaînes de sous-traitance, et elle maintient les coûts au plus bas. « Rendre la donnée lisible par la machine » suppose un travail humain – mais ce travail est tenu hors-champ, comme le joueur caché du Turc mécanique⁴.
Le paradoxe : plus c’est « autonome », plus c’est habité
Voici la subtilité centrale : plus un système paraît autonome, plus il a souvent fallu de travail humain pour produire cette illusion. Et le paradoxe se redouble – une partie de ce travail d’annotation est elle-même progressivement automatisée par l’IA, sans pour autant supprimer le besoin de jugement humain : on déplace la frontière, on ne l’efface pas. L’« IA » n’est pas le contraire du travail humain : c’en est une réorganisation, mondialisée et invisibilisée.
Réveils, syndicats et régulation
Les travailleurs s’organisent. Dès 2023, d’anciens modérateurs de ChatGPT ont saisi des parlementaires pour dénoncer leurs conditions⁶. En 2025, une première alliance syndicale mondiale des modérateurs de contenu a été lancée à Nairobi, réunissant des travailleurs de plusieurs pays⁶. Côté régulation, l’AI Act européen introduit des exigences de transparence sur les chaînes de données, et la directive européenne sur le travail via plateformes (2024) vise à améliorer ces conditions. Le débat rejoint celui des impacts sociétaux et de l’éthique de l’IA.
Conclusion
Reconnaître le travail fantôme, ce n’est pas nier les prouesses de l’IA : c’est refuser une fiction confortable. Derrière chaque réponse fluide et chaque image générée, il y a des décisions humaines, parfois des traumatismes, presque toujours une rémunération sans rapport avec la valeur créée. Une IA véritablement responsable commence peut-être par là : rendre visible ce qui la fait fonctionner, et traiter dignement celles et ceux qui, dans l’ombre, l’alimentent.
Pour aller plus loin
- Éthique de l’IA : biais, transparence et responsabilité
- Impacts sociétaux de l’IA
- IA et emploi : automatisation et nouveaux métiers
- Opportunités et limites de l’IA
Sources
¹ TIME, « OpenAI Used Kenyan Workers on Less Than $2 Per Hour » (2023) : time.com
² Mary L. Gray & Siddharth Suri, Ghost Work (2019) : ghostwork.info
³ TechCrunch, « Scale AI confirms ‘significant’ investment from Meta » (2025) : techcrunch.com
⁴ SSRC Just Tech, « Data Work and its Layers of (In)visibility » : just-tech.ssrc.org
⁵ WageIndicator / Gigpedia, enquête sur le travail de la donnée (2025) : gigpedia.org
⁶ TechCrunch, « Workers that made ChatGPT less harmful ask lawmakers… » (2023) : techcrunch.com
⁷ « AI as heteromation: the human infrastructure behind the machine », AI & Society (2025) : link.springer.com
Catégorie : Découvrir l’IA > Enjeux et impacts – Niveau : Intermédiaire. Données arrêtées à juin 2026.