Travail d'annotation et micro-travail

Les millions de travailleurs de l'ombre chargés d'étiqueter, de classer et de modérer les textes pour entraîner et aligner les algorithmes d'IA.

6 min de lecture

#éthique
#société
#RLHF
#données d'entraînement

En une phrase

Le travail d’annotation désigne les tâches humaines minutieuses, répétitives et souvent invisibilisées (étiqueter des images, comparer des réponses de modèles ou modérer des contenus violents) indispensables pour fabriquer et éduquer les intelligences artificielles.

L’analogie

Imagine que tu visites une usine de restauration gastronomique automatique ultramoderne.

À travers de grandes baies vitrées étincelantes, les visiteurs émerveillés admirent un bras robotisé chromé qui dresse des assiettes d’une beauté parfaite en quelques fractions de seconde. Le directeur de la communication affirme avec fierté : « Regardez la magie de la robotique autonome, aucun cuisinier humain n’a touché à ce plat ! ».

Mais si tu pousses la petite porte dérobée au fond du couloir et que tu descends à la cave, le décor change du tout au tout. Là, dans une pièce sans fenêtre mal éclairée, des dizaines de commis payés au centime travaillent à un rythme infernal : ils épluchent des sacs entiers de pommes de terre, retirent les cailloux des lentilles, découpent chaque légume à la taille exacte demandée par la machine et jettent les morceaux avariés. Sans ces éplucheurs de l’ombre, le robot du rez-de-chaussée se bloquerait dès la première seconde.

Le travail d’annotation est exactement cette cuisine de l’ombre : derrière la vitrine high-tech et désincarnée de l’intelligence artificielle se cache une gigantesque armée de travailleurs humains sans lesquels les algorithmes ne comprendraient pas un seul mot.

Comment ça marche

L’idée populaire selon laquelle un grand modèle de langage apprend tout seul en aspirant le Web comme par magie est une illusion. Les ordinateurs ne comprennent ni le sens des mots, ni le bien, ni le mal : ils ne voient que des vecteurs de nombres. Pour qu’un modèle devienne poli, utile et inoffensif, chaque étape de sa formation exige une intervention humaine continue.

Les quatre grandes étapes du labeur de données

Le micro-travail d’annotation intervient tout au long de la chaîne de fabrication d’une IA :

L’annotation brute de surface : Avant le pré-entraînement, il faut apprendre aux machines à reconnaître ce que contient un document. Des humains cliquent pendant des heures pour tracer des cadres autour de visages sur des photos, transcrire des enregistrements audio déformés, ou surligner les noms de personnes et de médicaments dans des dossiers administratifs.
La rédaction de dialogues parfaits (SFT) : Pour transformer un modèle de base (qui ne sait que continuer des phrases au hasard) en un assistant serviable, il faut lui montrer l’exemple. Des milliers de rédacteurs écrivent manuellement des questions et des réponses modèles de haute volée : résumés impeccables, explications bienveillantes, programmes informatiques commentés ligne par ligne.
Le classement de préférences (RLHF) : Pour régler l’apprentissage par renforcement, les ingénieurs ont besoin d’entraîner un modèle de récompense. Sur des plateformes dédiées, des micro-travailleurs voient s’afficher deux réponses alternatives générées par l’IA pour une même consigne, et doivent cliquer sur la meilleure selon des critères stricts d’exactitude, de politesse et de clarté.
La modération de sécurité et le nettoyage des traumatismes : C’est la tâche la plus éprouvante. Pour qu’un modèle apprenne à refuser d’aider des criminels, il faut d’abord lui apprendre à reconnaître les pires horreurs du Web : incitations au suicide, tortures, violences sexuelles et propagandes haineuses. Ce tri toxique est accompli par des êtres humains qui lisent et étiquettent ces contenus afin que les filtres de sécurité de l’IA soient calibrés.

L’économie des plateformes et la fracture géographique

Pour réduire les coûts exorbitants de cette main-d’œuvre, les géants de la Silicon Valley ne salarient pas directement ces travailleurs. Ils sous-traitent l’activité à des sociétés d’intermédiation spécialisées (comme Scale AI, Sama, Appen ou Mechanical Turk) qui externalisent massivement les tâches vers des pays émergents ou du Sud global :

Des pays d’Afrique anglophone (Kenya, Ouganda, Nigeria) pour les textes en anglais ;
Madagascar et des pays du Maghreb pour les données francophones ;
Les Philippines, l’Inde et des pays d’Amérique latine (Venezuela) pour le reste du globe.

Ces micro-travailleurs, souvent appelés les « forçats du clic » par les sociologues (notamment Antonio Casilli en France), sont rémunérés à la tâche, quelques centimes par clic ou quelques dollars de l’heure, sans contrat de travail durable, sans congés payés ni protection sociale.

En 2023, une enquête retentissante du magazine Time a révélé que les modérateurs kényans employés par un sous-traitant pour assainir les données de ChatGPT étaient payés moins de deux dollars de l’heure pour lire des descriptions de sévices psychologiques d’une violence inouïe, plongeant plusieurs d’entre eux dans des états de stress post-traumatique sévères sans accompagnement psychologique adapté.

Dans la vraie vie

Le travail d’annotation structure l’ensemble de l’écosystème numérique contemporain :

L’essor de la caste des annotateurs experts : Avec l’avènement des modèles de raisonnement logique (comme OpenAI o1 ou DeepSeek-R1), le simple clic non qualifié ne suffit plus. Les entreprises recrutent désormais des titulaires de doctorats en mathématiques, des juristes et des ingénieurs en informatique pour rédiger des démonstrations formelles et vérifier les lignes de code des modèles les plus avancés.
La directive européenne sur le travail des plateformes : L’Union européenne renforce la réglementation pour requalifier les faux travailleurs indépendants des plateformes numériques en salariés afin de leur garantir un salaire minimum décent et une couverture maladie.
L’automatisation partielle par l’IA elle-même (RLAIF) : Pour contourner ces dilemmes éthiques et financiers, les laboratoires cherchent à remplacer les annotateurs humains par des modèles d’IA jugeant d’autres modèles d’IA, même si une supervision humaine experte reste indispensable pour éviter que le système ne dérive.

Idées reçues

« L’intelligence artificielle fonctionne toute seule grâce à des algorithmes mathématiques purs qui n’ont rien d’humain. » C’est une fiction marketing : chaque modèle de langage dépend de millions d’heures d’étiquetage, de correction et de modération accomplies par des personnes réelles.
« Tous les emplois de modération et d’annotation vont disparaître demain avec les données synthétiques. » Plus les modèles deviennent intelligents et complexes, plus le besoin d’évaluateurs humains hautement qualifiés (médecins, universitaires, chercheurs) grandit pour arbitrer les cas limites et les raisonnements pointus.

Pour aller plus loin

En attendant les robots : Enquête sur le travail du clic — Antonio Casilli, Seuil, 2019 (FR) : L’ouvrage de référence du sociologue français sur l’invisibilisation du travail humain derrière l’intelligence artificielle.
Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass — Mary L. Gray et Siddharth Suri, Harvard / Microsoft Research, 2019 (EN) : L’enquête anthropologique fondatrice sur l’économie planétaire des micro-travailleurs à la demande.
OpenAI Used Kenyan Workers on Less Than $2 Per Hour — Billy Perrigo, Time Magazine, janvier 2023 (EN) : L’investigation journalistique documentant les conditions de travail des sous-traitants chargés du nettoyage des données de ChatGPT.