L’Afrique entraîne les IA. Qui récupère les emplois qui comptent ?
Annotation de données, modération, évaluation des modèles : l’Afrique travaille déjà pour l’intelligence artificielle mondiale. Mais quelle part de la valeur et des carrières reste sur le continent ?
Les points clés de l’analyse, vérifiés par la rédaction.
L'annotation de données peut être une porte d'entrée, mais sans protection ni évolution professionnelle elle devient une impasse.
La valeur durable réside aussi dans la propriété des produits, la direction technique et la relation client.
Une IA reconnaît un feu rouge, répond à une question complexe ou refuse une demande dangereuse. On admire le modèle, on commente les milliards investis dans les centres de données. Beaucoup moins souvent, on s'interroge sur les personnes qui ont préparé les exemples, annoté les images, évalué les réponses et filtré des contenus difficiles.
Une partie de ce travail s'effectue dans des villes africaines. Le secteur présente volontiers ces activités comme une chance pour l'emploi numérique. La question mérite pourtant d'être posée autrement : l'Afrique entre-t-elle dans la chaîne de valeur de l'IA par la porte d'entrée ou y reste-t-elle enfermée ?
L'opportunité existe. Les inégalités aussi.
Au Kenya, une étude de l'Organisation internationale du travail documente les possibilités d'emploi offertes par les plateformes numériques, mais également les écarts de rémunération, les protections sociales insuffisantes et les obstacles particuliers rencontrés par certaines travailleuses. Parmi les tâches recensées figurent la collecte, la vérification et l'annotation de données associées à l'apprentissage automatique. Lire l'étude de l'OIT.
Ce serait une erreur de mépriser le travail d'annotation. Il peut procurer un revenu, créer un premier contact avec des normes de qualité exigeantes et ouvrir l'accès au marché mondial. Mais il faut distinguer l'accès à une mission de la progression vers un métier qualifié.
Qui négocie le contrat avec le client ? Qui décide du tarif et du niveau de précision exigé ? Qui peut contester le rejet d'une tâche ? Qui dirige les équipes ? Qui détient les données et la relation commerciale ? Ces questions permettent de savoir si l'emploi constitue la première marche d'un escalier ou un tapis roulant qui ne mène nulle part.
Ceux qui alimentent le modèle ne possèdent pas forcément le produit
Prenons une mission consistant à identifier des panneaux routiers sur des milliers d'images. La personne qui travaille dessus peut apporter une expertise précieuse, notamment lorsqu'elle comprend des réalités locales que le système interprète mal. Son travail augmente la fiabilité d'un produit qui sera peut-être commercialisé dans des marchés bien plus rentables.
Elle est payée pour sa prestation. Cela ne lui donne généralement ni propriété intellectuelle sur le produit fini, ni part de son chiffre d'affaires, ni responsabilité sur les décisions prises ensuite.
Il ne faut pas en conclure que toute sous-traitance est abusive. Une entreprise transparente, qui rémunère correctement les tâches, protège les employés exposés à des contenus traumatisants et offre des promotions vers la supervision peut jouer un rôle économique positif. À l'inverse, un intermédiaire peut vanter une « opportunité globale » tout en cachant les critères de rejet et en laissant les prestataires sans recours.
Après la formation, quel métier attend réellement les jeunes ?
Les annonces de formation à l'intelligence artificielle se multiplient. Les chiffres sont faciles à retenir : 500 jeunes initiés, 2 000 diplômés, 10 000 comptes créés. Mais six mois plus tard, que deviennent ces participants ?
Combien ont trouvé une mission rémunérée ? Combien disposent d'un revenu prévisible ? Combien sont passés de l'annotation à l'assurance qualité, à l'ingénierie des données, à la sécurité, à l'évaluation des modèles ou à la gestion de produit ?
La nuance est fondamentale parce que l'annotation elle-même peut être automatisée. Des modèles peuvent aider à préparer les étiquettes d'autres modèles, laissant aux humains les cas les plus délicats. Former uniquement aux tâches les moins bien rémunérées, c'est préparer des travailleurs à une concurrence de plus en plus rude.
Un programme ambitieux doit enseigner la qualité des données, SQL, Python, la traçabilité des versions, la confidentialité, l'évaluation des sorties et les fondamentaux contractuels. Il doit apprendre à calculer un revenu réel après coût d'internet, équipement et attente non rémunérée.
Nairobi, Accra, Kigali, Douala : la place à conquérir
La part la plus rentable de l'IA ne consiste pas nécessairement à entraîner un modèle géant. Elle peut résider dans la définition d'un problème spécifique, la conception d'un produit adapté, la maîtrise des données locales, la fiabilité du service et la relation avec le client.
Une coopérative agricole peut constituer une base de données avec l'accord des membres et un partage clair des bénéfices. Une entreprise de santé peut développer un outil de suivi qui respecte les exigences de confidentialité. Une équipe spécialisée dans une langue africaine peut vendre une expertise d'évaluation plutôt que des heures de clics anonymes.
Ces exemples ont un point commun : l'expertise locale n'est plus traitée comme une ressource interchangeable. Elle devient un élément central du produit.
Ce qu'il faudrait exiger des nouveaux projets d'emplois IA
Au lieu de communiquer uniquement sur le nombre de contrats, les organisateurs pourraient publier cinq indicateurs : rémunération nette, transparence des tâches, protection effective des travailleurs, progression des compétences et nombre de responsables techniques issus des équipes débutantes.
Il faudrait aussi documenter les possibilités de recours lorsqu'une tâche est rejetée automatiquement et l'accompagnement psychologique lorsque les missions impliquent des contenus pénibles.
Participer à l'industrie mondiale de l'IA est une opportunité. Ne jamais dépasser le rang de sous-traitant le moins payé n'en est pas une.
L'Afrique contribue déjà à apprendre aux machines. Le prochain enjeu est de permettre à davantage d'Africains de décider ce que ces machines doivent faire — et de capter une part plus importante de la valeur créée.
Sources et méthode
Les faits susceptibles d'évoluer ont été revérifiés dans les sources ci-dessous. Les observations et interprétations sont présentées comme telles dans l'article.
