Un travail de recherche mené par une étudiante de l'université Brown s'attache à rendre visible une réalité souvent ignorée du grand public : derrière les modèles d'IA generative se cache une chaîne logistique humaine composée de milliers de travailleurs chargés d'étiqueter des données, de modérer des contenus ou d'évaluer des réponses de modèles. Ce travail, essentiel à l'entraînement et à l'affinage des systèmes d'intelligence artificielle, est largement sous-traité à des prestataires opérant dans des pays à bas coût de main-d'œuvre, notamment aux Philippines, au Kenya ou à Madagascar.
Le projet s'inscrit dans une lignée d'enquêtes journalistiques et académiques ayant déjà mis en lumière les conditions de travail difficiles de ces annotateurs, parfois exposés à des contenus violents ou traumatisants dans le cadre de la modération, et rémunérés à des tarifs bien inférieurs à ceux pratiqués dans les pays occidentaux. La recherche de Brown cherche à systématiser cette documentation en cartographiant les différentes étapes de la chaîne d'approvisionnement des données, des entreprises de labellisation aux grands laboratoires d'IA qui utilisent leurs services.
Cette initiative s'inscrit dans un contexte où la question du travail invisible derrière l'IA gagne en attention académique et médiatique, à mesure que les grands modèles de langage nécessitent des volumes toujours plus importants de données annotées par des humains, notamment pour l'apprentissage par renforcement à partir de retours humains (RLHF). Les entreprises technologiques font face à des pressions croissantes pour divulguer davantage d'informations sur leurs pratiques d'approvisionnement en données et les conditions de travail de leurs sous-traitants.
Au-delà de son intérêt documentaire, ce type de recherche pose une question structurelle pour l'industrie de l'IA : la dépendance à une main-d'œuvre peu rémunérée et largement invisibilisée constitue un angle mort persistant dans les discours sur l'innovation technologique, qui mériterait davantage de transparence et de régulation.