Les médecins et les avocats deviennent des travailleurs indépendants pour l'AI, un salaire de 400 dollars par heure est-il un salaire élevé ou une source de profit ?

Petit dialogue d’ouverture : Les travailleurs qualifiés entrent dans l’économie du travail temporaire en AI

Shiwen： Cette semaine, une nouvelle de Bloomberg Law indique que certains médecins et avocats américains commencent à rejoindre une nouvelle forme de travail temporaire, fournissant des données d’entraînement pour les modèles AI, avec un salaire horaire pouvant atteindre 400 dollars. Cela semble un peu contre-intuitif.

Yongliang： La conclusion principale est que la chaîne de valeur des données d’entraînement AI se fragmente rapidement. D’un côté, il y a des tâches de balisement général à bas salaire, et de l’autre, apparaissent des travaux temporaires à haut salaire pour des connaissances spécialisées. Le rapport de Bloomberg Law du 16 octobre a mis en évidence ce phénomène, avec pour titre « Médecins et avocats rejoignent l’économie du travail temporaire en AI, 400 dollars par heure ». LinkedIn a également classé les data annotators parmi les postes qui se développent le plus rapidement aux États-Unis cette année. Ma conclusion est que les entreprises de modèles AI utilisent la formule du travail temporaire pour extraire les connaissances implicites des professionnels et les fournir aux modèles. Les expériences personnelles suivantes illustreront cela.

Shiwen： 400 dollars par heure semble élevé, mais certains le qualifient de « extorsion de connaissances ». À leurs yeux, cela ne correspond pas à la « monetisation de la connaissance ».

Yongliang： La conclusion principale est que la controverse elle-même est plus intéressante que les chiffres. Elle combine deux questions : combien vaut le temps des professionnels, et s’ils vendent la connaissance en soi ou simplement le droit de la reproduire. Aujourd’hui, je partirai du point de vue d’un directeur technique depuis 17 ans, ayant dirigé une équipe de 70 personnes à son apogée, sans donner de réponse standard, mais en analysant quelques contradictions clés.

Shiwen： Alors, commençons par « qu’est-ce qui se passe ».

Q1 : Qui sont les personnes impliquées dans le travail temporaire d’entraînement AI ?

Shiwen： Mettons d’abord les faits au clair. Quel est le profil des travailleurs temporaires pour les données d’entraînement AI actuellement ?

Yongliang： Le rapport de Bloomberg a fourni des chiffres. Les avocats en droit civil peuvent toucher 400 dollars par heure ; les experts en physique condensée environ 170 dollars ; les ingénieurs logiciels environ 120 dollars. Les données publiées par la plateforme de travail temporaire Mercor indiquent une moyenne de 110 dollars par heure. Ces chiffres proviennent de la plateforme ou du rapport, et non d’une audit tierce partie ; il faut les interpréter avec prudence. Mercor n’a pas révélé le pourcentage de participants, donc je poserai une question sur l’équilibre entre la moyenne de 110 et la représentation de la majorité.

Shiwen： Cela diffère beaucoup de la perception traditionnelle du « travail de balisement de données ».

Yongliang： La conclusion principale est que le secteur utilise deux termes pour distinguer ces deux types de personnes. Les travailleurs à bas salaire sont appelés annotators, qui effectuent des tâches de balisement général ; les travailleurs à haut salaire sont appelés experts, incluant médecins, avocats, ingénieurs, mais aussi mathématiciens, comptables et scientifiques. Le rapport indique que ces experts sont « cherry on top », c’est-à-dire que les entreprises de modèles savent que la plupart des tâches difficiles et épuisantes sont effectuées par des travailleurs à bas salaire, mais que le « goût » final dépend des professionnels. Cela crée une structure où les deux extrêmes sont plus importants que le milieu.

Shiwen： Qu’est-ce qu’ils font exactement ?

Yongliang： D’après les informations divulguées dans le rapport, ils effectuent principalement des jugements spécialisés, des corrections, du balisement de cas, et aident les modèles à comprendre les situations complexes. Par exemple, dans un cas médical où la machine ne peut pas correctement baliser, on demande aux médecins de juger ; dans un contrat où la machine ne comprend pas les conséquences juridiques, on demande aux avocats de baliser. L’essence de cette pratique est de transformer la capacité de jugement accumulée par les professionnels au cours des dix ou vingt dernières années en exemples que les modèles peuvent apprendre.

Q2 : Est-ce que un salaire de 400 dollars par heure est cher ou non

Shiwen : 400 dollars par heure, cela équivaut à presque deux mille yuans en yuan. Pour beaucoup de gens, c’est une « rémunération exorbitante pour des travaux temporaires ».

Yongliang : Mon jugement principal est que si l’on se fie uniquement au salaire, cela peut être influencé par les chiffres. 400 dollars est un pic, pas la norme. Selon les rapports, les avocats en droit civil reçoivent ce montant, les experts en physique 170 dollars, les ingénieurs logiciels 120 dollars, et Mercor en moyenne 110 dollars. Ces chiffres présentent de grandes disparités, ce qui indique que les barrières professionnelles et la rareté sur le marché déterminent les prix. Mais il faut ajouter que ces chiffres proviennent des descriptions des plateformes ou des références des rapports, pas de mes propres statistiques. Ce sont mes estimations, pas des données statistiques.

Shiwen : Alors, du point de vue des entreprises, est-ce que 400 dollars est cher ?

Yongliang : Du point de vue des sociétés de modèles, cela peut ne pas être cher. Le coût d’entraîner un grand modèle est en millions de dollars, et une erreur dans le modèle peut coûter beaucoup plus que quelques centaines de dollars. Engager un avocat expérimenté pour préparer quelques heures de cas est plus fiable que de faire deviner par un groupe de travailleurs d’étiquetage ordinaires pendant un an. Mais en contrepartie, pour les professionnels, la structure de revenus n’est pas stable : les plateformes de travaux temporaires peuvent désactiver les comptes à tout moment, et le volume de travail n’est pas fixe. Comme mentionné dans les rapports, de nombreux travailleurs d’étiquetage à bas salaire sont confrontés à l’arrêt de leurs comptes et à des revenus instables. Les professionnels peuvent avoir un revenu élevé, mais cela ne garantit pas une sécurité à long terme.

Shiwen : Donc, un haut salaire ne signifie pas stabilité.

Yongliang : Mon jugement principal est que le haut salaire masque l’instabilité des relations de travail. Cela ressemble au vieux problème de l’économie des plateformes : attirer les gens avec des prix élevés, mais ne pas assumer la responsabilité d’employer. Pour des professionnels comme les médecins, les avocats ou les ingénieurs, qui traditionnellement dépendent d’une identité professionnelle stable, c’est en fait une dégradation de leur statut. Ils ne vendent plus un avis professionnel, mais un échantillon de jugement qui peut être reproduit indéfiniment.

Q3 : Est-ce que c’est la réalisation du savoir ou sa exploitation ?

Shiwen : Alors, revenons à la controverse initiale : est-ce que c’est la réalisation du savoir ou son exploitation ?

Yongliang : Mon jugement principal est que les deux explications sont correctes, mais dans des moments différents. La réalisation du savoir se produit au moment de l’échange : je donne mon temps, vous payez le salaire, et les deux parties agissent volontairement. Mais l’exploitation du savoir se produit après l’échange : le modèle incorpore mes jugements dans des paramètres qui peuvent être appelés indéfiniment, et ce que je reçois n’est qu’un paiement unique. Le problème est que la valeur après cette « consolidation » n’est pas proportionnelle au salaire que je reçois.

Shiwen : Est-il possible que les professionnels obtiennent également des récompenses supplémentaires, comme la notoriété ou les contacts ?

Yongliang : Les rapports ne mentionnent pas les signatures, la réputation ou la collaboration à long terme. Donc, la distribution de la valeur est claire : les professionnels vendent une force de travail unique, tandis que les plateformes et les grandes sociétés de modèles achètent des actifs de savoir qui peuvent être massifiés. Dans cette structure, « la réalisation » ressemble plus à une réalisation unique, « l’exploitation » ressemble plus à une cession des droits sur les revenus futurs.

Shiwen : Est-ce que cela signifie que tous les professionnels ne devraient pas le faire ?

Yongliang : Mon jugement principal est qu’on ne peut pas tirer de conclusions hâtives. Pour certains, travailler quelques heures pour des étiquetages professionnels pendant leur temps libre peut être considérable ; pour d’autres, cela revient à entraîner soi-même un système qui pourrait remplacer eux-mêmes. Les choix personnels peuvent varier, mais la responsabilité des plateformes ne doit pas être floue. Au moins, les participants devraient savoir clairement à quels modèles les données seront utilisées et si elles seront réentraînées. La transparence est un principe fondamental.

Q4 : Comment les entreprises doivent-elles évaluer l’achat de ces données d’entraînement AI ?

Shiwen Dialogue: Avez-vous géré des équipes techniques ? Si l’on regarde du point de vue de l’entreprise, comment évaluer l’achat de ce type de données d’experts temporaires ?

Yongliang: La principale erreur que commettent les entreprises est de considérer les données d’experts comme une « sous-traitance plus chère ». Après 17 ans de gestion technique, j’ai vu de nombreuses équipes acheter des services en se basant uniquement sur le prix unitaire, sans prendre en compte le coût total. La véritable valeur des données d’experts réside dans leur capacité à vous aider à découvrir les limites du modèle dans des situations professionnelles spécifiques. Si vous demandez aux experts de remplir les réponses selon vos templates, cela n’a rien de différent d’utiliser des travailleurs à bas salaire ; mais si vous pouvez faire en sorte que les experts indiquent « ici, la machine a mal compris » ou « dans ce cas, il n’y a pas de réponse standard », c’est là que réside la véritable valeur des données.

Shiwen Dialogue: Comment procéder concrètement ?

Yongliang: Je demande aux équipes de faire trois choses. Premièrement, définir clairement le problème spécifique que les données d’experts doivent résoudre, sans parler de « améliorer la qualité » de manière générale. Deuxièmement, concevoir un cycle de retour sur investissement pour que les jugements des experts ne soient pas seulement des exemples, mais une base continue pour ajuster le modèle. Troisièmement, enregistrer le processus de décision des experts, et non seulement les étiquettes finales. Les étiquettes sont mortes ; c’est le processus de décision qui est vraiment ce que le modèle doit apprendre. C’est mon expérience, pas une statistique.

Shiwen Dialogue: Y a-t-il des pièges ?

Yongliang: Le principal piège est de considérer les experts comme des « réponses correctes humaines ». Les experts peuvent aussi se tromper, et il peut y avoir des divergences entre eux. Si l’équipe ne dispose pas d’une évaluation de la cohérence des experts, il est facile de fixer les préjugés des experts dans le modèle. J’ai établi une règle interne : tout projet impliquant des experts externes doit également inclure au moins deux sources indépendantes pour un vérification croisée. Cette règle peut sembler compliquée, mais elle permet d’éviter de considérer les opinions d’un expert comme une vérité absolue.

Q5: Qu’est-ce que cela signifie pour les personnes ordinaires dans le monde professionnel ?

Shiwen Dialogue: Les personnes qui ne sont pas médecins ou avocats doivent-elles également s’intéresser à cette question ?

Yongliang: La réponse est oui. « Des experts temporaires hautement qualifiés » n’est qu’un phénomène spécifique ; la véritable nature de cette situation est que la chaîne industrielle de l’IA décompose de plus en plus de connaissances humaines en unités de données échangeables. La logique de diagnostic du médecin, le jugement juridique de l’avocat, l’intuition d’ingénieur… aujourd’hui décomposées, demain peuvent devenir votre expérience professionnelle. Le fait que LinkedIn classe les data annotators comme une des professions les plus en croissance montre que cette tendance se propage.

Shiwen Dialogue: Quelles sont les leçons pour les personnes ordinaires ?

Yongliang: Trois aspects. Premièrement, toute connaissance professionnelle qui peut être décomposée en critères clairs devient une source de combustible potentielle pour le modèle. Cela signifie que « savoir beaucoup » n’est plus un avantage ; ce qui compte, c’est où les critères sont flous et où il faut les équilibrer. Deuxièmement, les experts à prix élevé semblent attrayants, mais ils entraînent également un système capable de reproduire vos compétences essentielles. Troisièmement, les entreprises auront de plus en plus besoin de personnes qui comprennent à la fois le business et la logique d’entraînement de l’IA pour servir de « traducteurs de connaissances » entre le business et le modèle.

Shiwen Dialogue: Alors, c’est une opportunité ou un risque ?

Yongliang: Pour les individus, c’est une opportunité ; pour l’industrie, c’est un risque. L’opportunité réside dans le fait que les professionnels peuvent transformer la connaissance d’une manière qui n’existait pas auparavant ; le risque réside dans le fait que cette transformation est probablement irréversible. Une fois que vos jugements sont appris par le modèle, vous passez de « la personne qui sait ça » à « l’un des premiers à avoir appris au modèle ». Ce changement d’identité est beaucoup plus important que le chiffre du salaire horaire.

Conclusion: La carte n’est pas égal à la frontière

Shiwen Dialogue: Une dernière remarque.

Yongliang：En un mot, les travailleurs indépendants en apprentissage d’IA décomposent la capacité de jugement des professionnels de haut niveau en données. Un salaire de 400 dollars par heure peut sembler élevé, mais le véritable prix est de savoir ce que l’on vend. Le temps des professionnels peut être acheté, mais lorsque la connaissance est absorbée par les modèles, ce qui est échangé n’est plus le temps, mais la valeur qui devrait vous revenir dans d’innombrables applications futures.

Shiwen：En conclusion, comment résumer cette édition en une phrase ?

Yongliang：Dans l’économie des travailleurs indépendants en apprentissage d’IA, un salaire de 400 dollars par heure n’est pas le plus cher. Ce qui est vraiment cher, c’est de ne pas avoir encore compris ce que l’on vend.

Shiwen：Je vous transmets cette phrase. À bientôt dans la prochaine édition.

【Profondeur technique】

Yongliang：Cette partie mérite quelques mots supplémentaires. Le marché des données d’apprentissage d’IA se fragmente rapidement. Au niveau inférieur, il y a une grande quantité de données annotées à faible coût, principalement réalisées par des travailleurs indépendants mondiaux ; au niveau intermédiaire, il y a des annotations « semi-professionnelles » destinées à des tâches spécifiques nécessitant une certaine capacité de jugement ; et au niveau supérieur, ce que nous abordons dans cet article, c’est l’« annotation d’experts » ou le « retour d’experts ».

Yongliang：Cette stratification correspond à deux phases de l’apprentissage des modèles. La phase de pré-apprentissage consomme une grande quantité de texte public, avec des exigences relativement faibles en termes de qualité des échantillons individuels ; lors de la phase post-apprentissage ou de fine-tuning, les échantillons de haute qualité et difficiles deviennent cruciaux, et c’est là que la valeur des professionnels est maximisée.

Yongliang：Il y a aussi un point technique souvent négligé : la qualité des données d’experts dépend non seulement de l’expert lui-même, mais aussi de la conception de la tâche et des critères de validation. Si la tâche est trop restreinte, l’expert ne peut choisir entre « vrai ou faux », et ne peut pas exprimer son jugement ; si la tâche est suffisamment ouverte, permettant à l’expert d’expliquer pourquoi un cas est ambigu ou où se trouvent les limites, alors les données collectées peuvent vraiment améliorer la robustesse du modèle. C’est pourquoi je souligne toujours que lors des achats de données d’experts par les entreprises, ce qui compte, c’est le « processus de décision », et non seulement les « étiquettes finales ».

Yongliang：Enfin, avec le développement des technologies multimodales et des agents, la demande pour les données d’experts deviendra plus segmentée et plus fréquente. Si les professionnels considèrent les travailleurs indépendants comme une activité secondaire, ce n’est pas un problème ; mais si cela devient leur voie de transition professionnelle principale, ils doivent se poser la question : votre capacité de jugement devient-elle de plus en plus rare, ou est-elle en train d’être standardisée et réplicable ? Cette décision est plus importante que tout salaire annoncé par une plateforme.

👇 À votre avis, un travailleur indépendant en apprentissage d’IA avec un salaire de 400 dollars par heure représente-t-il davantage d’opportunités ou plus de risques ? Parlez-en dans les commentaires, et nous aborderons certains points dans la prochaine édition. Suivez-moi pour des récits sincères sur le monde professionnel à l’ère de l’IA, mis à jour chaque semaine.