Un reportage de Fast Company décrit une main-d’œuvre que personne n’attendait : des médecins, des juristes, des mathématiciens et des chercheurs payés à l’heure pour entraîner les modèles des grands laboratoires d’IA.
Leur intermédiaire le plus connu, Mercor, verse en moyenne environ 125 dollars de l’heure à plus de 100 000 experts, selon son cofondateur Brendan Foody. Le métier d’entraîneur IA, longtemps réservé aux travailleurs du clic, recrute désormais au sommet de la pyramide des compétences.
La lecture dominante de ce phénomène tient en une image, que le reportage reprend : des dindes qui voteraient pour Thanksgiving. Chaque faille que l’expert aide à combler rendrait la machine un peu plus capable de se passer de lui. La critique la plus répandue répond que ces experts deviennent des enseignants, et qu’un élève brillant ne prend jamais la place de son professeur.
Les deux lectures discutent du remplacement, et elles ratent toutes les deux l’objet réel de la transaction. Un entraîneur IA vend moins son temps qu’un stock de questions que le modèle rate encore, et chaque question cédée perd sa valeur à la version suivante. Pour un dirigeant, un DRH ou un responsable de l’innovation, ce déplacement change à la fois l’objet à protéger dans une équipe et son unité de mesure.
| La lecture courante | Ce que le marché achète | Le capital d’échec |
|---|---|---|
| Former son remplaçantLe métier d’entraîneur IA est lu comme un pacte perdant : l’expert transmet son savoir à une machine qui finira par le rendre inutile. La critique opposée fait de lui un enseignant que son élève ne dépassera jamais. | Les failles du modèleLes plateformes d’entraînement rémunèrent la capacité à concevoir des cas que les modèles les plus avancés ratent encore. Le savoir encyclopédique pèse peu face à cette expertise adversariale, qui consiste à piéger la machine puis à corriger sa réponse. | Un stock qui se consumeLe capital d’échec désigne le stock de cas qu’un professionnel sait poser et que les modèles ratent encore. Vendu à l’heure à un laboratoire d’IA, chaque cas perd sa valeur à la version suivante du modèle, ce qui transforme un revenu en liquidation d’actif. |
Ce que fait réellement un entraîneur IA
Un entraîneur IA conçoit des questions, des cas ou des problèmes que les modèles d’IA échouent à résoudre, puis il évalue et corrige leurs réponses. Le métier existait déjà sous la forme de l’annotation de données (le data labeling). Sa version experte recrute désormais médecins, juristes et chercheurs, avec une rémunération horaire sans rapport avec le travail du clic.
Du travail du clic à l’expertise facturée à l’heure
L’entraînement des modèles a longtemps reposé sur des millions de micro-tâches mal payées : entourer un panneau, étiqueter une photo et retranscrire un ticket de caisse. La France a ses propres travailleurs du clic, documentés par la recherche. Le déplacement récent porte sur le niveau de qualification acheté par les laboratoires, et sur le prix qui l’accompagne.
Le sociologue Antonio Casilli, professeur à Télécom Paris (Institut polytechnique de Paris), a consacré une grande partie de ses travaux à cette main-d’œuvre invisible. L’enquête DiPLab qu’il a codirigée estimait à environ 260 000 le nombre de personnes qui micro-travaillaient au moins occasionnellement en France en 2019, pour une rémunération mensuelle moyenne de 21 euros.
Le profil de ces travailleurs contredisait déjà l’image d’un travail sans qualification : 43,5 % d’entre eux avaient suivi au moins deux années d’études supérieures. Casilli défend une idée qui éclaire la suite de cet article : l’automatisation multiplie le travail humain qui la rend possible, tout en le rendant invisible.
Le reportage de Fast Company décrit la même chaîne quelques années plus tard, avec une différence de taille. Les tâches d’hier consistaient à tracer des rectangles autour de panneaux de signalisation ou à trier des photos de chats et de chiens, confiées à des sous-traitants en Afrique et en Asie. Les tâches d’aujourd’hui demandent un doctorat, une spécialité médicale ou une longue pratique du droit.
Ce glissement change la question posée aux organisations françaises. Le travail du clic concernait des personnes extérieures aux entreprises, payées quelques centimes par tâche. L’entraînement expert recrute des cadres qui ont déjà un employeur, et qui vendent le soir ce qu’ils ont appris le jour.
Le cœur du métier consiste à faire échouer le modèle
Le travail d’un entraîneur IA expert commence par la recherche d’une faille : il imagine un problème que le modèle le plus récent ne sait pas résoudre. Il rédige ensuite la bonne réponse et la grille qui permet de noter celles de la machine. Sans échec du modèle, la tâche ne présente aucun intérêt pour le laboratoire qui la paie.
Fast Company décrit ces experts comme des sondeurs : ils interrogent les modèles les plus avancés, repèrent l’endroit où ils échouent et leur apprennent à mieux faire. Le mathématicien Bogdan Grechuk, de l’université de Leicester, entraîne des systèmes pour Surge AI. Il raconte concevoir des problèmes qu’il croit hors de portée des modèles pendant deux ans, puis voir la dernière version de ChatGPT les résoudre en une demi-heure.
Un marché tiré par la demande des laboratoires
Les plateformes d’entraînement expert se multiplient parce que les laboratoires d’IA paient cher un savoir que leurs modèles n’ont pas trouvé dans les textes. Mercor, Scale AI avec son réseau Outlier, Surge AI et Turing se disputent les mêmes profils. Les chiffres publiés restent déclaratifs, et ils portent sur le marché américain.
Selon Brendan Foody, cofondateur et dirigeant de Mercor, l’entreprise verse jusqu’à 5 millions de dollars par jour aux experts inscrits, et la demande des laboratoires dépasse de 3 à 4 fois ce qu’elle peut fournir. La société est valorisée 10 milliards de dollars, et ses trois fondateurs sont devenus milliardaires à 22 ans.
Ces chiffres déclaratifs, qu’aucun organisme indépendant n’a vérifiés à ma connaissance, décrivent un marché américain : ils ne se transposent pas aux grilles françaises.
Le reportage signale aussi l’envers du décor pour les profils généralistes. Les forums de travail à distance rapportent des évaluations non rémunérées qui ressemblent à du travail gratuit, des entretiens sans suite et des comptes désactivés avant le paiement des sommes dues.
Pourquoi la question du remplacement est mal posée
Se demander si l’entraîneur IA forme son remplaçant suppose que le modèle apprend un métier. Il apprend en réalité des cas, un par un, à partir des échecs que l’expert lui montre. La bonne question porte donc sur la capacité d’un professionnel à produire encore des échecs, et sur la durée de vie de chacun d’eux.
La dinde, l’enseignant et ce que les deux images oublient
Les deux lectures courantes du phénomène s’opposent sur l’issue et partagent la même prémisse. La première voit un expert qui creuse sa propre tombe, la seconde un professeur que son élève ne dépassera pas. Toutes deux raisonnent à l’échelle du métier entier, alors que le laboratoire achète des cas isolés, au moment précis où ils lui servent.
La lecture pessimiste s’appuie sur les projections d’exposition des métiers menacés par l’IA. Le FMI estime que près de 40 % des emplois dans le monde sont exposés à l’IA, une proportion qui monte à environ 60 % dans les économies avancées.
Les estimations les plus récentes sur les métiers de bureau vont dans le même sens. Le centre de recherche Digital Planet de la Fletcher School (université Tufts) place les écrivains et auteurs en tête des métiers les plus exposés aux pertes d’emplois, à 57 %, devant les programmeurs et les concepteurs d’interfaces numériques à 55 %.
Ces données portent sur les États-Unis, selon un scénario médian d’adoption, et l’indice exclut délibérément les créations d’emplois : elles ne se transposent pas directement au marché du travail français.
La lecture optimiste vient des plateformes elles-mêmes. Brendan Foody compare la peur de l’automatisation à celle des luddites, et prédit qu’à un horizon de 5 à 10 ans l’économie comptera davantage d’emplois qu’aujourd’hui.
Ce que Mercor achète vraiment : l’échec du modèle
Mercor et ses concurrents achètent l’échec du modèle, documenté et corrigé. Un expert qui connaît parfaitement son domaine mais ne sait pas fabriquer une question qui piège la machine n’a rien à vendre à un laboratoire. Les tests d’entrée des plateformes mesurent cette capacité adversariale avant de mesurer quoi que ce soit d’autre.
Cette capacité se distingue du volume de connaissances. Un médecin qui a vu des milliers de patients connaît les cas typiques, et ce sont justement ceux que le modèle a appris dans les manuels. Sa valeur pour le laboratoire se loge dans les cas atypiques, ambigus ou contradictoires, que les textes décrivent mal.
Yann Ferguson, sociologue et responsable scientifique du LaborIA (le laboratoire de recherche-action sur l’IA et le travail porté par Inria et le ministère du Travail), avait anticipé ce basculement. Il expliquait que la valeur d’une réponse se dégrade, et que la différence se joue désormais dans la qualité des questions. L’entraînement expert transforme cette intuition en marché, avec un prix horaire.
Voilà la vérité la plus désagréable pour les experts. Des années d’expérience ne garantissent pas la capacité de piéger une machine, puisque cette expérience s’est construite sur des situations que les modèles ont absorbées. Le professionnel qui a passé sa carrière à appliquer des procédures éprouvées découvre que son savoir le plus solide est aussi le premier à perdre sa rareté.
L’expertise de volume perd sa rareté avant l’expertise adversariale
L’expertise de volume repose sur l’accumulation de situations typiques, et les modèles l’absorbent en premier. L’expertise adversariale repose sur la capacité à identifier le cas qui résiste, et elle garde sa valeur plus longtemps. Les premiers signes de ce tri apparaissent déjà dans les recrutements français, à l’entrée des carrières.
L’économiste Antonin Bergeaud, professeur à HEC Paris, a mesuré cet effet sur les embauches avec ses coauteurs et en collaboration avec la Banque de France. Entre novembre 2022 et mars 2026, les embauches en CDI des 21 à 29 ans ont reculé de 28,3 % dans les métiers les plus exposés à l’IA, contre 7,5 % dans les métiers les moins exposés.
Les auteurs restent prudents sur la causalité, puisque d’autres facteurs pèsent sur ces recrutements. Bergeaud propose pourtant un mécanisme plausible : une entreprise qui confie à l’IA une partie des tâches des débutants recrute moins et ne remplace pas certains départs.
Ferguson avait identifié le risque voisin dès 2022 : les tâches répétitives que les experts jugent pénibles structurent aussi la courbe d’apprentissage, et leur suppression creuse l’écart entre le profane et l’expert. Les juniors perdent l’escalier qui menait à l’expertise de volume, au moment même où cette expertise perd sa valeur marchande.
J’ai détaillé ce phénomène dans mon article sur la disparition des emplois juniors face à l’IA. Le marché de l’entraînement expert en ajoute une lecture : les seniors qui vendent leurs cas difficiles aux laboratoires accélèrent l’automatisation des tâches qui formaient leurs successeurs.
Le capital d’échec, un actif que le tarif horaire masque
Le capital d’échec désigne le stock de cas qu’un professionnel sait poser et que les modèles actuels ratent, multiplié par la durée pendant laquelle chacun résiste aux versions suivantes. L’entraînement rémunéré convertit ce stock en revenu horaire. Le tarif affiché ressemble à un salaire, alors que la transaction présente toutes les propriétés d’une cession d’actif.
Définition et mécanisme du capital d’échec
Le capital d’échec se compose de cas : des questions, des situations ou des problèmes que l’expert sait formuler et que la machine ne résout pas encore. Il a deux dimensions mesurables, le nombre de cas disponibles et leur durée de résistance. Sa valeur baisse chaque fois qu’un modèle apprend l’un d’eux, que ce cas ait été vendu ou non.
La chaîne causale tient en une phrase : un cas vendu à un laboratoire entre dans les données d’entraînement, la version suivante du modèle le résout, et le cas cesse de faire échouer qui que ce soit, y compris chez les clients de l’expert qui l’a cédé.
La durée de résistance compte autant que le nombre de cas. L’expérience de Grechuk montre que cette durée raccourcit à mesure que les modèles progressent, et qu’un expert de haut niveau peut se tromper lourdement sur l’avance de la machine. Le stock se déprécie donc même sans vente, parce que les modèles apprennent aussi ailleurs.
Le capital d’échec se reconstitue par une seule voie : l’exposition à des situations nouvelles, que personne n’a encore décrites. Carissa Véliz, philosophe à l’Institut d’éthique de l’IA de l’université d’Oxford, rappelle dans le reportage de Fast Company qu’une technologie fondée sur la prédiction ressasse le passé et réduit la place de l’innovation réelle. Le terrain nouveau reste donc la seule mine où se forment les échecs de demain.
Pourquoi le prix de l’heure trompe l’entraîneur IA
Un tarif horaire rémunère un temps de travail renouvelable : l’heure vendue aujourd’hui revient demain. Le cas d’échec cédé à un laboratoire ne revient pas. L’entraîneur IA qui compare son tarif à celui de son métier principal compare donc un revenu à une vente de patrimoine, et ce calcul flatteur sous-évalue l’actif cédé.
Prenons un juriste spécialisé qui consacre 10 heures par mois à une plateforme. Ces 10 heures servent à produire une poignée de cas que le modèle rate, tirés des situations les plus délicates qu’il a rencontrées. Ce sont précisément ces situations qui justifient ses honoraires auprès de ses propres clients.
Le jour où le modèle sait traiter ces situations, les clients de ce juriste obtiennent une première réponse correcte sans lui. Il a été payé une fois pour un avantage qui lui rapportait chaque année. L’heure facturée à la plateforme masque la cession à prix fixe d’un actif à revenu récurrent.
Ce raisonnement laisse l’entraînement rémunéré parfaitement légitime, à une condition : savoir ce qui est vendu. Trois situations rendent la vente rationnelle :
- Le cas cédé appartient à un domaine où l’expert ne facture plus, ou qu’il s’apprête à quitter.
- Le modèle était sur le point de résoudre ce cas sans aide, et la vente encaisse une valeur qui allait disparaître de toute façon.
- L’expert renouvelle son stock plus vite que les modèles ne le consomment, grâce à une exposition continue à des situations inédites.
D’où vient ce cadre et ce qu’il ajoute
Le capital d’échec prolonge les travaux d’Antonio Casilli sur le travail humain qui rend l’automatisation possible. Casilli décrit ce travail invisible et sa précarité. Le cadre ajoute deux éléments : une unité de mesure, le stock de cas multiplié par leur durée de résistance, et une condition d’usage, la vente à un laboratoire plutôt qu’à un client.
Il se distingue aussi du dernier kilomètre de l’expertise, que j’ai décrit dans un autre article de cette série. Le dernier kilomètre mesure ce qu’un cadre publié laisse à faire à son lecteur, et il gagne à être connu, puisque la publication qualifie son auteur. Le capital d’échec mesure l’inverse : ce que l’expert perd quand un cas quitte son usage exclusif pour entrer dans un modèle.
Mesurez ce que vos méthodes publiées laissent à faire
Vous hésitez entre garder votre méthode pour vous et la rendre publique ? Découvrez dans l’article dédié comment mesurer le dernier kilomètre de votre expertise face à l’IA, et publiez sans perdre ce qui fait votre valeur.
Vendre, garder ou réinvestir son capital d’échec : comment arbitrer
Trois options s’offrent à un expert ou à une organisation : vendre ses cas d’échec à une plateforme, les garder pour ses propres clients, ou les réinvestir dans la formation de ses équipes et dans ses outils internes. Le choix dépend de la durée de résistance des cas et de la vitesse à laquelle l’organisation renouvelle son stock.
Trois options comparées selon quatre critères
Le tableau ci-dessous compare la vente à une plateforme, la conservation pour ses clients et le réinvestissement interne selon quatre critères opérationnels. Il sert d’aide à la décision plutôt que de classement, et une organisation mûre combinera les trois options sur des domaines différents de son expertise, selon la maturité de chacun.
| Critère | Vendre à une plateforme | Garder pour ses clients | Réinvestir en interne |
|---|---|---|---|
| Revenu immédiat | Élevé et rapide | Inchangé | Nul à court terme |
| Durée de l’avantage | Close à la version suivante du modèle | Tant que les modèles ne trouvent pas le cas seuls | Prolongée par l’apprentissage des équipes |
| Effet sur l’organisation | Aucun bénéfice direct, risque de fuite de savoir-faire | Préserve les honoraires des cas difficiles | Accélère la montée en compétence des juniors |
| Risque principal | Céder un actif récurrent à prix fixe | Voir le stock se déprécier sans aucune vente | Investir du temps sans revenu visible |
La troisième option mérite l’attention d’une direction, parce qu’elle répond aussi au problème des juniors : les cas d’échec qu’un senior sait poser deviennent un matériau de formation que les modèles ne fournissent pas.
Cette logique complète les trois niveaux d’exposition de votre expertise aux systèmes génératifs, du retrait complet à l’exposition totale.
Les signaux qui doivent alerter une direction
Une direction générale ou une DRH dispose de signaux simples pour savoir si le capital d’échec de ses équipes circule déjà vers des plateformes. Ces signaux se relèvent sans enquête lourde. Ils concernent les sollicitations reçues par les collaborateurs, les cumuls d’activités et la nature des cas utilisés dans les tâches d’entraînement :
- Des experts de l’entreprise reçoivent des messages de recruteurs de plateformes d’entraînement, à l’image des profils rares sollicités par Mercor sur LinkedIn.
- Des collaborateurs déclarent une activité complémentaire d’évaluation de modèles d’IA, ou la mentionnent sur leur profil professionnel.
- Les tâches d’entraînement s’appuient sur des cas réels, ce qui expose des situations de clients ou des pratiques internes confidentielles.
- Les experts seniors consacrent moins de temps à la transmission interne qu’à des activités extérieures rémunérées.
- Les outils d’IA internes échouent sur des cas que les experts de l’entreprise résolvent, sans que personne ne consigne ces échecs.
Le cadre juridique du cumul d’activités, de l’exclusivité et de la confidentialité dépend du contrat de chaque collaborateur : je ne suis pas juriste, et une direction qui identifie ces signaux gagne à faire vérifier ses contrats avant toute réaction.
Mesurer le capital d’échec d’une équipe en cinq étapes
Le capital d’échec se mesure avec des données que toute entreprise peut collecter : les cas où ses outils d’IA échouent et la date à laquelle ils cessent d’échouer. Cinq étapes suffisent pour obtenir une première mesure, sans outil spécialisé, avec quelques semaines de consignation et un test à chaque nouvelle version de modèle :
- Demandez à chaque expert de consigner les cas où l’outil d’IA de l’équipe donne une réponse fausse ou dangereuse, avec la bonne réponse.
- Classez ces cas par domaine et par motif d’échec : contexte manquant, exception réglementaire, raisonnement en plusieurs étapes ou situation inédite.
- Retestez l’ensemble des cas à chaque nouvelle version du modèle utilisé, et notez la date du premier succès.
- Calculez pour chaque domaine le nombre de cas encore résistants et leur durée moyenne de résistance.
- Décidez domaine par domaine de l’option à retenir (vendre, garder ou réinvestir) selon la durée de résistance observée.
Cette mesure produit une information qu’aucune grille de compétences ne donne : l’endroit exact où vos équipes gardent une avance sur la machine, et la vitesse d’érosion de cette avance.
Comment je peux vous aider à maîtriser ce sujet
J’interviens auprès de dirigeants, de directions des ressources humaines et d’équipes d’experts pour identifier leur capital d’échec et décider de son usage. Deux formats existent selon votre point de départ : la conférence pour poser le sujet devant tous, et l’atelier pour produire la première mesure sur vos propres cas.
La conférence, pour changer la question posée aux équipes
La conférence remplace la question du remplacement par celle du capital d’échec, devant un CODIR, une convention de managers ou une communauté d’experts. Elle s’appuie sur les données françaises sur l’emploi et sur le fonctionnement réel des plateformes d’entraînement. Elle se prolonge par un temps d’échange sur les cas de l’organisation.
Je l’articule avec mon intervention sur les risques d’obsolescence professionnelle, qui traite la même question du point de vue des parcours individuels.
L’atelier de cartographie, pour produire votre première mesure
L’atelier réunit les experts d’un domaine pour consigner leurs cas d’échec, les tester sur les outils d’IA de l’entreprise et calculer leur durée de résistance. Les participants repartent avec une carte des domaines où l’équipe garde une avance, et avec une décision par domaine : vendre, garder ou réinvestir.
En conclusion, l’entraîneur IA cède un stock sous l’apparence d’un salaire
Le reportage de Fast Company décrit des experts heureux d’entraîner les modèles, payés au prix fort et persuadés de rester utiles. Ils ont raison à court terme, et leur calcul oublie un poste du bilan. Chaque cas qu’ils cèdent quitte leur patrimoine professionnel pour devenir une capacité que tout le monde obtiendra à bas prix.
La question du remplacement fait diversion. La question utile porte sur le capital d’échec : combien de cas votre équipe sait-elle poser que les machines ratent encore, combien de temps ces cas résistent-ils, et qui les vend à votre place ?
Les fondateurs des plateformes connaissent déjà la réponse, puisque leur modèle économique repose sur l’écart entre le prix d’une heure et la valeur d’un cas. Avant de facturer votre première heure comme entraîneur IA, faites l’inventaire de votre capital d’échec.
Questions fréquentes sur le métier d’entraîneur IA
Qu’est-ce qu’un entraîneur IA ?
Un entraîneur IA conçoit des questions et des cas que les modèles d’intelligence artificielle échouent à résoudre, puis il rédige la bonne réponse et note celles de la machine. Les profils experts (médecins, juristes ou mathématiciens) travaillent à distance pour des plateformes qui revendent ces données aux laboratoires.
Combien gagne un entraîneur IA expert ?
Les chiffres publiés viennent des plateformes elles-mêmes et du marché américain. Le dirigeant de Mercor déclare une rémunération moyenne d’environ 125 dollars de l’heure, avec de fortes variations selon la spécialité. Ces montants ne se transposent pas aux grilles françaises, et les profils généralistes signalent des évaluations non payées.
Entraîner une IA, est-ce former son remplaçant ?
Le modèle apprend des cas, un par un, plutôt qu’un métier entier. Chaque cas cédé sort de l’avantage de l’expert à la version suivante du modèle. Le risque dépend donc de la vitesse à laquelle l’expert renouvelle son stock de cas difficiles grâce à des situations nouvelles, c’est-à-dire de son capital d’échec.
Un salarié peut-il travailler pour Mercor ou Outlier en plus de son emploi ?
Le cumul dépend du contrat de travail, d’une éventuelle clause d’exclusivité et des obligations de loyauté et de confidentialité envers l’employeur. Le point le plus sensible concerne les cas utilisés dans les tâches d’entraînement, qui peuvent exposer des situations de clients. Une vérification par un juriste en droit du travail s’impose avant tout engagement.
Comment une entreprise peut-elle protéger son expertise face aux plateformes d’entraînement ?
Elle commence par consigner les cas où ses outils d’IA échouent et que ses experts savent résoudre. Cette mesure révèle les domaines où l’équipe garde une avance. L’entreprise décide ensuite, domaine par domaine, de vendre, de garder ou de réinvestir ces cas dans la formation de ses juniors et dans ses outils internes.
