Professionnels sud-africains entraînent une IA qui pourrait les remplacer

Après un doctorat sur l’impact de l’intelligence artificielle sur l’agriculture en Afrique du Sud, l’auteur a reçu une offre de 600 rand (≈ 37 $) de l’heure pour former une IA à concevoir des évaluations, enseigner et corriger des dissertations. Cette rémunération contraste avec le salaire minimum national de 30,23 rand (≈ 2 $) et un taux de chômage des jeunes de 47,4 % au deuxième trimestre 2026, illustrant la pression économique qui pousse des experts à contribuer à la technologie qui menace leurs propres fonctions.

Contexte socio‑économique

Le marché du travail sud‑africain montre une disparité salariale extrême : le poste de formation d’IA paie 20 fois le salaire minimum, tandis que des travailleurs informels comme les trieurs de déchets perçoivent 250 roupies (≈ 2,60 $) de l’heure en Inde pour enregistrer leurs gestes. En Afrique, le taux d’adoption de l’IA parmi la population active est de 23 % contre une moyenne mondiale de 18 %, ce qui place le continent parmi les plus faibles adopteurs malgré une population jeune et un vivier de diplômés. Cette combinaison crée un environnement où les entreprises d’IA peuvent externaliser la capture de connaissances à moindre coût.

Mécanismes d’entraînement de l’IA

Le processus décrit implique la transmission de « jugement pédagogique » – la capacité à distinguer mémorisation et compréhension, à attribuer des notes différenciées (ex. 75 % vs 60 %). Contrairement aux tâches de labellisation de données classiques, ce type de supervision requiert la collecte de décisions contextuelles, souvent sous forme de annotations de texte ou de scénarios d’évaluation. Les plateformes Outlier, Mercor et Surge utilisent ces annotations pour affiner des modèles de langage ou de génération de contenu via fine‑tuning supervisé, où chaque décision humaine devient un poids d’apprentissage. L’entretien de 45 minutes mené par une IA, suivi d’un courriel de feedback, montre l’automatisation du recrutement et la capacité du modèle à générer des évaluations de compétences à partir de réponses textuelles.

Implications pour le marché du travail et les biais

En capturant le jugement humain, les modèles reproduisent les critères de sélection du formateur. Si le formateur privilégie certains critères (ex. style d’écriture, logique argumentative), le modèle les internalisera, créant un biais de conformité qui peut marginaliser des approches alternatives. De plus, la rémunération élevée pour la formation d’IA crée un effet d’attraction qui pourrait vider les universités de talents, aggravant le déficit de professeurs. L’usage de travailleurs à bas salaire pour générer les données d’entraînement (trieurs de déchets, rédacteurs) augmente le risque de déséquilibre de pouvoir : les profits restent concentrés dans les entreprises occidentales tandis que la valeur ajoutée est extraite en Afrique.

Limites et perspectives

Le récit ne fournit pas de métriques de performance du modèle entraîné (précision, taux d’erreur), ce qui empêche d’évaluer l’efficacité réelle du transfert de jugement. De plus, l’absence de transparence sur les algorithmes de décision (ex. architecture du modèle, critères de pondération) rend difficile l’audit éthique. Pour limiter les externalités négatives, il serait nécessaire de mettre en place des cadres de rémunération équitables, de publier les protocoles d’entraînement et d’assurer une gouvernance locale des données. Sans ces garde‑fous, la dynamique décrite risque de renforcer une dépendance technologique où les experts africains continuent à former les systèmes qui finiront par les supplanter.