La lettre Intelligences — #16 : Le travail invisible derrière l’IA

Veille du 2 novembre 2026

Bonjour,

L’intelligence artificielle ne supprime pas le travail humain : elle en déplace les points de contrôle. Tandis que des agents accélèrent le développement et la recherche, la demande de vérification augmente, l’énergie devient une contrainte centrale et les plateformes commencent à marquer leurs productions.

🧭 À la une · Corriger l’IA devient un marché du travail

La diffusion des outils génératifs crée une activité que leurs promoteurs évoquent moins volontiers : réparer leurs erreurs. Sur Upwork, les offres demandant à des humains d’améliorer un contenu produit par IA ont progressé de 70 % sur un an, selon une moyenne glissante sur douze mois arrêtée au deuxième trimestre 2026. Depuis 2023, ces missions ont été multipliées par 8,3 dans le développement logiciel et par 7,9 dans la création et le design.

Des données communiquées par Freelancer.com au Guardian vont dans le même sens : les annonces comportant les expressions « corriger l’IA », « hallucination d’IA » ou « erreur d’IA » ont augmenté de 87 % entre août 2025 et juin 2026, pour atteindre 10 760 offres dans le monde. Ces mesures ne sont pas directement comparables, mais elles décrivent un même déplacement vers la relecture, la finition et l’assurance qualité.

Pourquoi cela compte. L’automatisation réduit parfois le temps du premier jet sans supprimer le coût du résultat fiable. Elle revalorise les compétences de jugement, de vérification et de responsabilité.

Piste pratique. Dans une rédaction ou une organisation, mesurer séparément le temps de génération et celui de vérification évite de surestimer les gains de productivité.

Consulter les données et la méthode d’Upwork ; lire l’enquête du Guardian.

⚡ L’énergie devient la limite concrète de l’IA

À l’ouverture d’ADIPEC à Abou Dhabi, Sam Altman a résumé en un mot le principal défi de son industrie : « Energy ». Selon lui, l’efficacité énergétique d’une requête s’améliore rapidement, mais la consommation totale continue d’augmenter. Il affirme que le plus gros utilisateur interne d’OpenAI consommait environ 100 000 jetons par mois il y a six ans ; cette quantité correspondrait désormais à l’usage mensuel moyen par personne, tandis que l’utilisateur le plus intensif atteindrait environ 500 milliards de jetons.

Ces chiffres sont des déclarations d’OpenAI rapportées lors de la conférence, et non une mesure indépendante de la consommation électrique. Ils éclairent toutefois le goulot d’étranglement : la baisse du coût unitaire peut être annulée par l’explosion du volume.

Pourquoi cela compte. Les choix d’infrastructure, d’implantation et de mix énergétique deviennent indissociables des progrès des modèles. L’efficacité ne suffit pas si l’effet rebond fait croître la demande plus vite.

Lire le compte rendu daté du 2 novembre dans The National.

🔬 Dix mille agents à l’assaut d’un problème du millénaire

OpenAI a détaillé le système multiagent utilisé pour produire une proposition de résolution du problème de Navier–Stokes. Environ 10 000 agents concurrents ont exploré différentes formulations, communiqué par groupes et consolidé leurs pistes. L’entreprise indique que le groupe décisif a travaillé près de 88 heures, avant 17 heures supplémentaires de formalisation et de vérification dans Lean.

Les agents auraient échangé 2,7 millions de messages et consommé environ 130 milliards de jetons de sortie pour Navier–Stokes. Sam Altman a précisé à Abou Dhabi que le modèle employé est destiné à devenir le prochain GPT.

À lire avec prudence. La preuve proposée n’est pas encore une solution officiellement reconnue au prix d’un million de dollars. Le Clay Mathematics Institute exige publication, examen approfondi et acceptation générale par la communauté. Cette performance illustre une méthode de recherche ; elle ne clôt pas encore le problème.

Lire la présentation technique et les ressources publiées par OpenAI.

✨ Les informations à retenir

🔏 Grok introduit un filigrane invisible dans ses textes

À compter du 7 novembre 2026, sept modèles Grok distribués par l’API xAI doivent intégrer par défaut un marquage invisible dans leurs réponses textuelles. Le mécanisme modifie subtilement la sélection des jetons et s’applique au texte courant, aux sorties structurées et aux arguments d’appels d’outils. Les administrateurs peuvent demander une désactivation par modèle s’ils déclarent bénéficier d’une exception juridique.

xAI présente cette mesure comme une réponse aux obligations de l’AI Act européen. L’accès au détecteur reste soumis à candidature et le résultat peut être « marqué », « non marqué » ou « incertain » : le dispositif ne constitue pas une preuve universelle de l’origine d’un texte. Consulter la documentation technique de xAI.

🎬 HackerTube : un contre-algorithme construit en deux heures

Andrej Karpathy dit avoir utilisé Claude Opus pour transformer les recommandations vidéo contenues dans les commentaires de Hacker News en un catalogue de 6 454 vidéos, réparties entre 150 thèmes et publiées de 2007 à 2026. Le service n’impose aucun compte : les préférences restent dans le navigateur, tandis que les miniatures sont extraites au milieu des vidéos plutôt que choisies pour maximiser le clic.

Le prototype montre que les agents rendent possible la fabrication rapide d’interfaces personnelles reposant sur d’autres critères éditoriaux. Karpathy précise toutefois avoir créé lui-même la clé d’API, loué le serveur et acheté le domaine. Lire son récit de conception.

🎧 Des AirPods testés comme interface de parole silencieuse

Joe Blau a publié Subvox, un prototype macOS qui cherche à déterminer si les données de mouvement d’écouteurs compatibles peuvent distinguer des mots articulés silencieusement. Le dépôt précise qu’il ne s’agit ni d’un produit fini ni d’un modèle de langage, mais d’un reconnaisseur de petit vocabulaire assorti d’un test statistique.

Le logiciel utilise les données publiques de suivi des mouvements de la tête, moins fines que les capteurs spécialisés d’un dispositif subvocal. La rapidité de prototypage annoncée ne démontre donc ni une reconnaissance générale de la parole silencieuse ni l’équivalence avec un matériel dédié. Examiner le code et ses limites sur GitHub.

🧠 Un cerveau de mouche comme filtre de revue de code

Nick Nisi a simulé le connectome d’une mouche mâle — 176 422 neurones — puis lui a fourni une représentation de modifications logicielles produite par un modèle auxiliaire. Sur 301 changements inconnus, le dispositif a classé correctement 88,3 % des cas, avec 19 abstentions.

Sa limite est instructive : sur un test demandant de reconnaître une modification fonctionnelle correcte, le système n’en a approuvé aucune. Un classificateur statistique simple utilisant les mêmes signaux obtenait par ailleurs un meilleur score. L’expérience illustre donc un filtre expérimental, pas un évaluateur comprenant l’intention d’un produit. Découvrir la démonstration.

📊 Le chiffre

70 %. C’est la progression annuelle des offres Upwork demandant une intervention humaine pour améliorer un travail généré par IA. Ce chiffre mesure une catégorie de missions sur la plateforme, non l’ensemble du marché du travail.

🔗 Pour approfondir dans notre réseau

• Pour mieux travailler avec l’IA, demandez-lui de vous contredire
• Pourquoi l’intelligence artificielle ne détruit toujours pas l’emploi
• Cybersécurité : comprendre et contrer les menaces numériques actuelles

💌 Recevez La lettre Intelligences

Pour ne manquer aucune édition, inscrivez-vous à la newsletter Intelligences.

La rédaction d’Intelligences

Merci de votre lecture. À très bientôt pour une nouvelle édition de La lettre Intelligences.