Chaque jour, une jeune pousse de la Silicon Valley reverse plus de 4 millions de dollars à 30 000 travailleurs indépendants pour une mission singulière : apprendre à des algorithmes à réaliser leurs propres tâches, et à terme, les rendre superflus. Mercor, spécialisée dans la vente de données d’entraînement aux entreprises d’intelligence artificielle, illustre une mutation profonde du marché du travail pour les cols blancs.
L’entreprise propose des rémunérations très attractives. Une récente annonce offrait 225 dollars de l’heure à un comédien de doublage capable d’incarner un personnage de service client en hébreu courant. Une autre recherchait un physicien titulaire d’un doctorat spécialisé en relativité générale, astrophysique ou cosmologie. Une troisième visait un médecin ayant plus de trois ans d’expérience dans le système de soins primaires rwandais. Ces profils pointus sont désormais sollicités pour annoter, corriger ou évaluer des réponses générées par des modèles d’IA.
Une chaîne de valeur qui monte en gamme
Mercor et une poignée de concurrentes se sont imposées comme les intermédiaires clés d’une filière dite de « données humaines ». Alors qu’OpenAI, Anthropic et d’autres grands laboratoires se livrent une course à la plateforme dominante, la demande pour des données de haute qualité, validées par des experts, explose. L’époque où il suffisait de mobiliser des armées de travailleurs faiblement rémunérés pour étiqueter des images ou transcrire de l’audio est révolue. Désormais, les maisons d’IA ont besoin de mathématiciens pour vérifier des démonstrations, d’avocats pour annoter des mémoires et de professeurs pour noter des dissertations.
Ce mouvement a propulsé les start-ups de ce secteur parmi les plus dynamiques de la vallée. En octobre dernier, Mercor a bouclé une levée de fonds qui l’a valorisée 10 milliards de dollars. Peu après, Meta a injecté plus de 14 milliards de dollars dans un autre acteur, Scale AI, en partie pour s’attacher les services de son directeur général. Handshake, une plateforme de recrutement qui a pivoté vers l’entraînement de données en 2025 seulement, a vu son chiffre d’affaires annualisé franchir le cap du milliard de dollars en avril, contre 550 millions en début d’année.
Un équilibre délicat
Ces intermédiaires exploitent une opportunité de marché évidente : fournir à des laboratoires bien financés un produit dont la demande est quasi illimitée. Mais la situation est fragile. Ils ont besoin que les modèles de ChatGPT, Claude et autres s’améliorent continuellement pour justifier leur utilité. En même temps, ils ont tout intérêt à ce que ces modèles restent imparfaits, afin que leurs clients continuent d’acheter des données toujours plus spécifiques.
Ce paradoxe – rémunérer des professionnels pour accélérer l’obsolescence de leur propre métier – soulève des questions sur l’avenir du travail intellectuel. Si la tendance se confirme, les cols blancs pourraient connaître une précarisation inédite, même si les tarifs horaires sont encore élevés. Les observateurs s’interrogent sur la durabilité d’un modèle où une poignée de start-ups tire profit de l’automatisation qu’elles alimentent.
