Le géant de la livraison DoorDash étend son modèle commercial au-delà de l’alimentation et de l’épicerie. L’entreprise a lancé « Tasks », une nouvelle application qui rémunère ses chauffeurs – rebaptisés « Taskers » – pour qu’ils effectuent des actions simples et quotidiennes dans le but de former des modèles d’intelligence artificielle (IA). Cette décision, qui fait suite à une initiative similaire d’Uber, soulève des questions sur l’avenir du travail à la demande, la confidentialité des données et le déplacement potentiel des travailleurs par l’IA même qu’ils contribuent à construire.
La nature du travail
L’application Tâches attribue de petites activités, souvent banales, qui fournissent des données visuelles et conversationnelles pour la formation en IA. Il s’agit notamment de filmer les routines quotidiennes (comme faire la vaisselle ou faire le lit), de s’enregistrer en train de parler dans une autre langue et même de scanner les étagères des magasins. DoorDash affirme que ces données aident les systèmes d’IA à « comprendre le monde physique », une étape cruciale dans le développement de capacités d’apprentissage automatique plus sophistiquées.
Les paiements varient en fonction de l’effort perçu et de la complexité de la tâche : 16 $ pour scanner les étagères, 20 $ pour une conversation espagnole “spontanée” mise en scène et plus pour des tâches impliquant la cuisine. L’ambiguïté des taux de rémunération ajoute une autre couche d’incertitude pour les travailleurs à la demande, qui sont déjà confrontés à des flux de revenus imprévisibles.
Pourquoi c’est important : la soif de données de l’IA
Les algorithmes d’IA modernes s’appuient sur de vastes ensembles de données pour apprendre et s’améliorer. Les entreprises exploitent désormais directement l’économie des petits boulots pour acquérir ces données de manière efficace et à moindre coût. Les tâches assignées par DoorDash correspondent précisément au type d’images et d’audio du monde réel dont les modèles d’IA ont besoin pour affiner leur compréhension des actions humaines, des environnements et même des nuances culturelles.
Cette tendance met en évidence la demande croissante de données de « vérité terrain », c’est-à-dire les informations précises et étiquetées dont dépend l’apprentissage automatique. À mesure que l’IA se développe dans la robotique, l’automatisation de la vente au détail et d’autres secteurs, le besoin de ce type de données de formation ne fera qu’augmenter.
Problèmes de confidentialité et question d’automatisation
DoorDash affirme maintenir « de solides garanties de confidentialité », mais n’offre aucun détail. Le fait que les Taskeurs doivent éviter le « contenu politique » et les « informations identifiables » suggère que l’entreprise est consciente des risques éthiques et juridiques potentiels.
Une question plus fondamentale se pose : que se passe-t-il lorsque ces modèles d’IA sont entièrement entraînés ? Seront-ils utilisés pour automatiser les tâches actuellement occupées par des humains, y compris celles des travailleurs mêmes qui fournissent les données de formation ? Le silence de l’industrie sur cette question est troublant, car il suggère un décalage délibéré entre l’exploitation actuelle des travailleurs à la demande et la future automatisation de leurs rôles.
Disponibilité limitée, implications étendues
L’application Tasks est actuellement déployée dans certaines régions des États-Unis, avec DoorDash en partenariat avec des entreprises des secteurs de la vente au détail, de l’assurance, de l’hôtellerie et de la technologie pour la formation. Bien que le déploiement soit limité pour l’instant, le modèle présente un potentiel d’évolutivité évident. L’entreprise transforme efficacement son réseau de chauffeurs en un pipeline de collecte de données, monétisant ainsi l’activité humaine au profit du développement de l’IA.
Cette expérience ne concerne pas seulement DoorDash ; c’est le signe d’un changement plus large. L’économie des petits boulots, déjà connue pour ses conditions de travail précaires, est désormais utilisée comme arme pour nourrir la faim insatiable de systèmes d’IA.
