En amont, un mineur artisanal congolais ne gagne que quelques dollars mensuels pour extraire du cobalt. En aval, un ingénieur senior américain perçoit, en moyenne, 1,28 million de dollars de rémunération annuelle chez OpenAI, créateur de ChatGPT. Entre ces deux extrémités de la chaîne de valeur du travail [1] de l’intelligence artificielle (IA) s’étend une géographie du pouvoir et de l’exploitation que les discours techno-enthousiastes occultent systématiquement.

L’article parcourt chaque maillon de cette chaîne – de l’exploitation des métaux stratégiques à la commercialisation de ChatGPT en passant par la possession des centres de données – pour répondre aux questions suivantes : qui extrait les matières premières et effectue le travail invisible ? Qui développe et déploie les grands modèles de langage comme Gemini ou Claude ? Qui marchandise les services et organise le « marché » ?

À chaque étape, l’analyse montre une hégémonie des entreprises occidentales et asiatiques qui se concentrent jusqu’à former, à certains moments, des quasi-monopoles.

L’IA est souvent présentée comme une révolution immatérielle. Le propos défendu ici est que cette rhétorique de la dématérialisation masque une réalité brutalement physique : l’intelligence artificielle repose sur une infrastructure matérielle massive mobilisant extraction minière, production industrielle de composants électroniques, centres de données énergivores et travail humain précaire. Loin d’être distribuée démocratiquement, cette infrastructure s’organise selon une division internationale du travail qui peut reproduire certaines asymétries héritées du colonialisme.

Cette cartographie matérielle est indispensable. Elle permet de comprendre les transformations actuelles du capitalisme et leurs conséquences politiques [2].

 L’exploitation des métaux stratégiques

L’infrastructure de l’IA dépend de l’extraction de métaux stratégiques, dont les terres rares. Les puces électroniques qui équipent les centres de données, et plus largement le matériel informatique, nécessitent l’utilisation de terres rares. Ce sont 17 éléments chimiques spécifiques du tableau périodique comme le lanthane, le cérium ou le néodyme. À ces terres rares s’ajoutent d’autres métaux stratégiques comme le cobalt, le lithium, le cuivre, le tantale ou encore l’or [3], considérés comme des ressources minérales critiques pour l’économie et la sécurité nationale d’un pays dans sa course au développement de l’IA. Le cobalt est notamment utilisé dans les batteries lithium-ion et les disques durs magnétiques. Le cuivre se retrouve, par exemple, dans les circuits imprimés et les câbles réseaux.

Une hégémonie sino-occidentale

En République Démocratique du Congo (RDC), les entreprises chinoises et occidentales extraient beaucoup de métaux stratégiques, surtout le cobalt, dont la RDC est le premier producteur mondial [4].

Tout d’abord, côté chinois, dans la province du Lualaba, la Compagnie Minière de Musonoie Global SAS (COMMUS) est une filiale commune de l’entreprise chinoise Zijin Mining Group Ltd (67% des parts) et de Gécamines (entreprise minière publique congolaise 28% des parts) [5]. Elle gère une très importante mine de cuivre et de cobalt [6]. D’autres entreprises comme China Molybdenum (CMOC) et Zhejiang Huayou Cobalt (qui fut la première productrice mondiale de cobalt en 2020 [7]) font, également, partie de ce tableau de l’extraction chinoise en RDC.

Ensuite, côté occidental, dans la même province du Lualaba, Kamoto Copper Company (KCC) opère dans la production de cuivre et de cobalt. L’entreprise est détenue conjointement par l’anglo-suisse Glencore [8] (75%) et Gécamines (25%). Mutanda Mining S.A.R.L (MUMI) est également active comme filiale de Glencore pour extraire les mêmes métaux critiques [9].

Les entreprises First Quantum Minerals et Lundin Mining (en partenariat avec l’américain Freeport-McMoRan) positionnent également le Canada en territoire congolais.

L’américain KoBold Metals, un nouvel acteur du secteur, fait le lien entre l’argent de la Silicon Valley et l’exploitation minière. En effet, Breakthrough Energy Ventures, créé par Bill Gates, et le capital-risqueur Andreessen Horowitz [10] financent cette entreprise. KoBold Metals utilise l’intelligence artificielle pour repérer des gisements de minerais et de terres rares à partir de grandes bases de données. Ses premiers résultats en Zambie démontrent l’efficacité de cette approche techno-extractiviste [11].

Dans le domaine des métaux stratégiques, la Chine détient 70% de la production de terres rares [12] et contrôle 90% de leur raffinage [13]. Cette position résulte d’une stratégie d’État coordonnée où le gouvernement chinois a consolidé le secteur autour de grands conglomérats publics comme le China Rare Earth Group. En effet, par une stratégie de dumping, la Chine a évincé ses principaux concurrents du marché mondial, rachetant au passage des entreprises occidentales en faillite pour s’approprier leur savoir-faire technologique. L’Occident a choisi de privilégier les bas coûts sur le court terme et a fini par accepter cette dépendance qui ne cesse d’augmenter. Deng Xiaoping résumait cette stratégie par cette phrase : « Le Moyen-Orient a son pétrole, la Chine a ses terres rares. » [14]

La position de monopole donne à la Chine un pouvoir géopolitique considérable. En 2010, Pékin a arrêté d’exporter vers le Japon à la suite d’un conflit territorial [15]. Cet évènement a alors provoqué une crise industrielle mondiale. D’ailleurs, Pékin vient de réactiver cette arme commerciale en janvier 2025 et a annoncé des restrictions sur ses exportations, notamment de terres rares, vers le Japon, en réaction à la position de ce dernier sur Taïwan [16].

Dans une perspective environnementale, les usines de raffinage en Chine génèrent des pollutions massives : rejets de produits chimiques toxiques, lacs de déchets radioactifs, contamination des sols et des rivières (voir encadré « IA et impact environnemental »). Par ailleurs, les travailleurs du raffinage subissent des expositions chroniques à des substances cancérigènes [17].

L’exploitation de mineurs africains

En RDC, la face cachée de l’extraction minière concerne avant tout les conditions de travail des mineurs.

Le cobalt provient à 20% de mineurs artisanaux dans le sud du pays [18], représentant entre 110.000 à 150.000 travailleurs [19]. Ils sont rémunérés entre 2,7 et 3,3 dollars par jour [20]. Un rapport de l’Unicef de 2014, cité par Amnesty International en 2016 [21], indique que les mines de cobalt emploient environ 40.000 enfants, qui gagnent entre 1 et 2 dollars par jour. Des sources internationales de 2024-2025 [22] affirment que le nombre d’enfants reste stable, même si le gouvernement congolais fait état de 16.845 enfants identifiés entre 2019 et 2022 [23]. Des réseaux de milices organisent le trafic d’enfants, les enlevant pour les contraindre à travailler dans les mines, pour financer ces mêmes groupes armés [24].

Ces mineurs artisanaux ne possèdent pas d’équipement de protection. Ils creusent à la main des galeries : le sol peut s’effondrer, la poussière contient du cobalt et les radiations sont donc présentes. Cette exposition prolongée provoque des maladies respiratoires chroniques (asthme, bronchite), des troubles du développement (difficultés à marcher ou à se concentrer) et des cancers.

Cette première phase extractive illustre déjà une incontestable exploitation : les mineurs congolais, pour certains des artisans mineurs, extraient les matières premières pour les entreprises chinoises et occidentales, parfois en partenariat avec une entreprise publique congolaise, dans des conditions sanitaires extrêmement difficiles. Une fois extraits, ces métaux stratégiques convergent vers le deuxième maillon de la chaîne, à savoir la fabrication des semi-conducteurs.

 Conception et fabrication des semi-conducteurs

La conception et la fabrication de semi-conducteurs forment le deuxième maillon de la chaîne. Un semi-conducteur est un matériau dont la capacité à conduire l’électricité se situe entre celle d’un conducteur, comme le cuivre, et celle d’un isolant, comme le plastique. L’activation ou la désactivation du semi-conducteur laisse passer ou bloque le courant électrique, et ainsi le semi-conducteur permet de créer des circuits électroniques. Par extension, le terme semi-conducteur désigne souvent les puces électroniques (ou circuits intégrés) fabriquées à partir de ces matériaux. Ces puces contiennent des transistors (interrupteurs microscopiques) gravés dans le silicium. Ainsi, les semi-conducteurs, ou puces électroniques, forment les circuits microscopiques qui constituent le « cerveau » de tous les appareils numériques modernes, des smartphones aux centres de données de l’IA. Les semi-conducteurs, sous forme de puces spécialisées (GPU, TPU, NPU), fournissent la capacité de calcul indispensable pour entraîner les grands modèles de langage (GPT, Claude, etc.), faire tourner ces modèles une fois déployés et traiter les milliards de paramètres et calculs nécessaires.

Une hégémonie taïwano-occidentale

Le secteur des puces spécialisées se caractérise par une domination et une concentration oligopolistique extrême, pour ne pas dire monopolistique, entre l’Occident et Taïwan.

Avant de fabriquer les puces électroniques, il faut acheter les machines pour les produire. Dans ce secteur, ASML (Advanced Semiconductor Materials Lithography) occupe une place de leader. Cette entreprise est le seul fabricant mondial de machines de lithographie extrême ultraviolet (EUV) capables de graver des circuits de quelques nanomètres sur les puces électroniques [25]. Certaines machines se vendant à 350 millions d’euros l’unité (soit autant qu’un Airbus A350) [26], le groupe hollandais affiche des marges bénéficiaires supérieures à celles d’Apple [27]. En 2025, il en profite pour passer de l’autre côté de la chaîne de valeur du travail de l’IA, en investissant 1,3 milliard de dollars dans Mistral AI, l’entreprise française spécialisée dans l’IA générative, et devient son actionnaire principal.

Grâce aux machines d’ASML, TSMC (Taiwan Semiconductor Manufacturing Company), qui détient un quasi-monopole [28], est en mesure de fabriquer les puces les plus avancées, à partir notamment des métaux critiques extraits en Afrique. Cette dépendance mondiale vis-à-vis d’un seul fournisseur, localisé dans une zone géopolitique en tension (Taïwan), constitue une vulnérabilité stratégique que les États-Unis et l’Union européenne tentent de réduire en subventionnant massivement la construction de nouvelles usines sur leurs territoires (52 milliards de dollars de subventions américaines via le US CHIPS Act et 43 milliards d’euros via le EU CHIPS Act).

Nvidia contrôle le marché des GPU (Graphics Processing Units) ou processeurs graphiques destinés à l’entraînement des modèles d’intelligence artificielle, avec une part de marché de 95% dans ce segment [29]. La société américaine conçoit les GPU mais ne les fabrique pas. Elle affiche des marges bénéficiaires nettes de 60%, l’une des plus fortes de l’industrie technologique. Son GPU H100, optimisé pour l’IA, est vendu entre 25.000 et 40.000 dollars l’unité [30].

Comme Nvidia dans la conception, TSMC et ASML occupent chacune une position quasi monopolistique dans leur domaine respectif du secteur des semi-conducteurs. Également, l’interdépendance entre TSMC et ASML est totale. TSMC est le plus gros client d’ASML. L’accès de TSMC aux machines néerlandaises de gravure de puces de dernière génération assure à l’entreprise sa place de leader mondial. Certains de ces semi-conducteurs vont ensuite se retrouver en bout de chaîne dans les centres de données.

 La possession et l’utilisation des centres de données

Les centres de données constituent l’infrastructure physique où sont entraînés et déployés les modèles d’IA. Ces centres de données regroupent de nombreux serveurs informatiques interconnectés, qui stockent, traitent et distribuent des données numériques à grande échelle. Ces installations hébergent notamment les applications associées au cloud ou nuage numérique.

Une domination américaine, concurrencée par la Chine

La concentration géographique des centres de données dans le monde est particulièrement préoccupante. En effet, les États-Unis abritent à eux seuls 38% des centres de données mondiaux [31], représentant 60% de la puissance mondiale de stockage [32]. Plus frappant encore, l’État de Virginie concentre à lui seul 564 centres de données, gérés par 83 entreprises, dont 155 sont exploitées par Amazon Web Services [33].

L’infrastructure mondiale restante se répartit sur une vingtaine d’États regroupant 42% des sites, partagés entre pays occidentaux (Allemagne, Royaume-Uni, Canada, France) et puissances émergentes (Chine, Inde, Brésil, Russie, Indonésie, Malaisie) [34].

La Chine est le principal rival des États-Unis, tant par sa puissance installée que par ses champions technologiques nationaux, configurant un duopole sino-américain [35]. L’Union européenne possède des infrastructures sur son territoire, mais reste largement dépendante des États-Unis [36].

Cette ultra-concentration crée une vulnérabilité systémique. En octobre 2025, une simple panne du cloud d’Amazon (AWS) en Virginie a bloqué des services mondiaux comme Roblox, Snapchat, Netflix et plusieurs plateformes bancaires [37].

Le nuage informatique ou cloud est un modèle de services informatiques qui utilise les centres de données et a une place très importante dans le développement actuel de l’intelligence artificielle. Services publics, entreprises, administrations, associations, recherche scientifique – tous dépendent de ces infrastructures pour stocker leurs données, faire tourner leurs applications et déployer leurs services. Fin 2024, trois fournisseurs de services de nuage informatique dominent le secteur : Amazon Web Services (30% du marché cloud mondial), Microsoft Azure (21%) et Google Cloud (12%) [38]. Ainsi, cette infrastructure vitale est contrôlée par trois entreprises privées américaines qui captent 63% du marché mondial. La position dominante sur l’infrastructure cloud offre à ces trois acteurs un avantage décisif pour déployer leurs propres outils d’IA via l’accès aux données des utilisateurs, imposer leurs normes propriétaires et verrouiller, à terme, l’ensemble de l’écosystème numérique.

IA et impact environnemental L’impact environnemental de l’IA peut avoir différentes origines. - La consommation d’énergie et les émissions liées L’IA et ses infrastructures sont de grandes consommatrices d’énergie. À l’usage, l’IA nécessite de grandes quantités d’électricité lors de l’entraînement des algorithmes mais également à chaque requête des utilisateurs. La phase d’entraînement peut représenter l’équivalent de plusieurs centaines de millions d’inférences [39] pour les plus grands modèles. Pour les modèles d’IA conversationnelles grand public tels ChatGPT, le nombre d’utilisateurs et la quantité de requêtes conduisent à une consommation équivalente à celle de la phase d’entraînement en quelques semaines seulement [40]. Il demeure difficile de mesurer précisément la consommation électrique d’une requête, du fait notamment que les géants du secteur rechignent à communiquer publiquement sur ce point. L’énergie consommée dépend du type d’IA (traditionnelle ou générative) et du modèle utilisé, mais aussi du type de requête (texte simple, scénario, son, vidéos de différentes définitions…). La localisation des serveurs et le mix énergétique local sont aussi des déterminants de l’empreinte environnementale de l’IA. Selon l’Agence internationale de l’énergie, le gaz est, à l’heure actuelle, le vecteur le plus utilisé pour alimenter les centres de données (40% de l’énergie totale consommée). La tendance est à l’augmentation de la puissance de calcul des nouveaux modèles, ce qui soulève la question de la compatibilité entre le développement de l’IA et l’atteinte des objectifs environnementaux. Certaines voix, notamment le Shift Project, s’élèvent pour réclamer un plafonnement de la consommation maximum des centres de données, mais également une obligation de transparence des acteurs du secteur quant aux impacts environnementaux de leurs activités. En Belgique, les centres de données ont consommé 3,2 TWh en 2024 [41], l’équivalent de 4% de la consommation d’énergie du pays. En moyenne, ces mêmes centres de données comptent pour 2% de la consommation énergétique de l’UE. Aux États-Unis, certaines projections entrevoient une consommation énergétique de l’IA allant jusqu’à 12% de la consommation totale dans les prochaines années. Cette question est déjà prégnante en Belgique. Courant 2025, le gestionnaire de réseau d’électricité Elia alertait sur les risques d’une future congestion des réseaux du fait de la multiplication des centres de données dans le pays [42]. - La consommation d’eau L’IA et ses infrastructures consomment de grandes quantités d’eau, qui interviennent à différents niveaux. (i) Directement dans les centres de données, pour refroidir les serveurs. Dans ce cas, il s’agit souvent d’eau potable, afin d’éviter des problèmes bactériologiques ou l’apparition de sels minéraux qui risqueraient de boucher les conduites. (ii) De grandes quantités d’eau sont consommées « hors site », pour refroidir les infrastructures de production d’énergie (nucléaire, gaz, charbon…). Enfin (iii), de l’eau est utilisée tout au long de la chaîne d’approvisionnement : pour la fabrication de puces, dans les usines de semi-conducteurs ou pour fabriquer les serveurs. Selon une étude de 2025 [43], 71% de l’empreinte en eau est indirecte, sur les infrastructures de production d’énergie ou le long de la chaîne d’approvisionnement. Apple affirme de son côté que 99% de sa consommation d’eau provient de sa chaîne d’approvisionnement. Comme pour l’énergie, le type de modèle IA, le type de requête, le mix énergétique, la localisation des serveurs (besoin de refroidissement plus faible dans les régions froides), mais aussi le système de refroidissement (ouvert, fermé, par évaporation, avec tour de refroidissement…) influent sur la quantité d’eau consommée. Là encore, la tendance est à l’accroissement. Entre 2019 et 2023, la consommation d’eau des centres de données de Google est passée de 12,9 milliards à 24 milliards de litres, celle de Meta de 1,97 milliard à 3,08 milliards de litres pendant que celle de Microsoft passait de 4,2 milliards en 2020 à 7,84 milliards de litres en 2023 [44]. Au total, Google consomme autant d’eau qu’une entreprise comme Pepsi, l’un des plus grands vendeurs de boisson au monde [45]. A niveau mondial, l’AIE estime la consommation d’eau des centres de données à 560 milliards de litres par an. Ce chiffre pourrait plus que doubler d’ici 2030. Les risques de tension sur les ressources locales en eau notamment lors de périodes de canicule ou de sécheresse vont donc s’accroitre à l’avenir. -Consommation de métaux La fabrication des équipements nécessaires à l’IA, ordinateurs et serveurs principalement, nécessite d’importantes quantités de métaux. Là encore, les principaux fabricants ne fournissent que peu d’informations sur leurs consommations. Les métaux utilisés semblent être les mêmes que ceux utilisés pour la « transition énergétique ». Parmi ces minerais, les fameuses terres rares, dont l’extraction cause de sérieux dommages environnementaux (pollution de l’air, de l’eau, des sols, dégradation de la biodiversité). Le cuivre, un autre minerai qui sert à la fabrication des serveurs, est lui aussi source de préoccupation puisque 52% des mines sont situées dans des zones soumises à un important stress hydrique (au Chili notamment). On sait par ailleurs que le taux de recyclage de ces métaux n’est pas toujours très élevé, allant de 46 % pour le cuivre à moins de 1% pour les terres rares [46]. Une évolution prévisible du développement de l’IA concerne la multiplication des déchets électroniques. Il demeure difficile d’évaluer la part spécifique de l’IA par rapport au reste du numérique. - L’artificialisation des sols et de l’océan Enfin, la surface utilisée pour installer les centres de données suscite également des interrogations. En Belgique, selon l’association belge des infrastructures digitales, la surface totale occupée par les centres de données était de 11,77 hectares (bureaux inclus). Certains centres peuvent avoir des superficies bien plus importantes comprises entre 30 et 40 hectares. Parmi les plus importants centres de données de la planète, on retrouve celui de Hohhot en Chine, dont la surface atteint près de 100 hectares. Le second plus étendu se trouve dans le Nevada au sein du centre industriel Tahoe-Reno avec une surface occupée de près de 69 hectares. Dans un avis publié en 2024, le CESE français rappelle que la plus grande cause d’artificialisation de la nature en lien avec l’IA concerne les câbles sous-marins par lesquels transite l’essentiel des données mondiales. Romain Gelin

 Développement puis utilisation des modèles de l’IA générative

Le développement des grands modèles de langage ou large language models (LLM) [47] est devenu le domaine réservé d’un petit nombre d’acteurs disposant de ressources financières et computationnelles colossales.

Modèles économiques

OpenAI (actuellement détenu à 27% par Microsoft [48]) propose ChatGPT ; Google développe Gemini, Anthropic propose Claude, financée par Google et Amazon [49] ; Meta a Llama ; plusieurs acteurs chinois – Baidu, Alibaba, Tencent, DeepSeek, etc. – et quelques européens comme Mistral AI complètent la capacité de développement.

Les coûts d’entraînement des modèles d’IA ont fortement augmenté : le modèle GPT-3, lancé en 2020, a coûté environ 4,6 millions de dollars ; le modèle GPT-4 (2023) aurait coûté plus de 100 millions de dollars [50]. Les projections pour les modèles de prochaine génération dépassent le milliard de dollars. Ces barrières à l’entrée garantissent un oligopole de fait : seules les entreprises qui détiennent des dizaines de milliards de dollars de capitalisation peuvent prendre part à la course.
Une fois développée, la marchandisation de l’IA repose sur plusieurs modèles économiques complémentaires. Le modèle freemium, popularisé par ChatGPT, propose une version gratuite limitée et une version payante (ChatGPT Plus de 23 à 229 euros par mois [51]). L’interface d’OpenAI a rapidement atteint 3 millions d’abonnés payants, générant 10 milliards de revenus par an [52].

Le modèle API (Application Programming Interface) vend l’accès aux modèles à d’autres entreprises qui les intègrent dans leurs applications. OpenAI facture l’utilisation de GPT-4 au token (unité de texte) : environ 3 cents pour 1.000 tokens (soit environ 750 mots) en entrée et 6 cents pour 1.000 tokens en sortie [53].

Les grandes entreprises technologiques intègrent l’IA dans leurs écosystèmes existants pour renforcer leurs positions dominantes. Ainsi, Microsoft intègre Copilot (basé sur GPT-4) dans sa suite Office 365, facturée 28,10 euros par mois et par utilisateur [54], Google intègre Bard dans sa suite Workspace et Meta intègre son modèle Llama dans WhatsApp, Instagram et Facebook pour maintenir l’engagement des utilisateurs.

Cette concentration soulève des questions de souveraineté technologique. Les États européens, par exemple, dépendent entièrement des modèles développés par les géants américains. Les tentatives de développer des alternatives européennes, comme Mistral en France ou Aleph Alpha en Allemagne, restent marginales face aux moyens déployés par OpenAI ou Google. Cette dépendance confère aux États-Unis un pouvoir économique et politique considérable sur l’Europe.

Rémunérations astronomiques pour les dirigeants et chercheurs

Alors que les mineurs artisans en RDC touchent quelques dollars par mois, les PDG des grandes entreprises technologiques perçoivent, quant à eux, des compensations pharaoniques. Satya Nadella (Microsoft) a reçu 79,1 millions de dollars en 2024, soit une augmentation de 63% par rapport à 2023, dont 71,2 millions sous forme d’actions [55] ; Sundar Pichai (Google/Alphabet) a perçu 10,73 millions de dollars en 2024, 32 fois le salaire médian d’un employé de Google qui s’élève à 331.894 dollars annuels [56]. Le salaire officiel de Sam Altman (OpenAI) n’est que de 76.001 dollars en 2023, mais sa fortune personnelle est estimée entre 1,9 et 2,8 milliards de dollars, provenant principalement de ses investissements dans Reddit, Airbnb, Uber et autres startups technologiques [57].

Les ingénieurs spécialisés en IA constituent également une élite salariale. Chez OpenAI, la rémunération médiane des ingénieurs logiciels atteint 800.000 dollars annuels, avec une fourchette allant de 249.000 dollars pour les niveaux juniors (L2) à 1,28 million pour les niveaux seniors (L6) [58].

Google DeepMind a proposé jusqu’à 20 millions de dollars par an à ses meilleurs chercheurs [59]. Ces rémunérations reflètent la rareté de certaines compétences pointues en IA et l’intensité de la compétition entre géants technologiques pour attirer et retenir les « talents » capables de développer les modèles de nouvelle génération.

Exploitation inédite de la connaissance

Les grands modèles d’IA sont entraînés sur des corpus de données récupérés sur Internet : livres, articles, sites web, forums, réseaux sociaux. Cette extraction de données pose des problèmes juridiques et éthiques majeurs. OpenAI, par exemple, a entraîné GPT-3 sur 45 téraoctets de textes provenant de Common Crawl, WebText2, Books1 et Books2, ainsi que de Wikipédia [60]. La plupart de ces contenus sont protégés par le droit d’auteur et ont été utilisés sans autorisation ni rémunération des créateurs.

Des auteurs, des artistes et des éditeurs ont lancé des actions en justice contre OpenAI, Microsoft, Meta et Stability AI pour violation du droit d’auteur. Le New York Times a poursuivi OpenAI et Microsoft en décembre 2023, en affirmant que des millions de ses articles avaient été utilisés illégalement pour entraîner ChatGPT [61]. Au final, outre-Atlantique, les créateurs de grands modèles de langage [62] font l’objet de plus de septante actions en justice menées par des artistes, écrivains, acteurs ou maisons d’édition [63]. L’issue de ces procès pourraient redéfinir le cadre juridique de l’utilisation des données pour l’IA.

Au-delà du droit d’auteur, cette logique d’extraction massive des connaissances produites collectivement par l’humanité pour les enfermer dans des modèles propriétaires constitue une nouvelle forme d’enclosure. Les communs de la connaissance sont privatisés et transformés en capital, puis loués aux utilisateurs sous forme de services payants.

Exploitation de milliers de travailleurs pour la modération du contenu

Derrière l’apparente autonomie des modèles d’IA, il y a en réalité beaucoup de travail humain pour annoter et étiqueter les données. Des millions de travailleurs précaires, situés principalement en Afrique de l’Est, en Inde, aux Philippines et au Venezuela, effectuent des tâches répétitives pour entraîner les algorithmes : annoter des images, transcrire des conversations, évaluer la pertinence de réponses, classer des contenus [64].

Au Kenya, Nairobi est devenue le centre principal de ce « travail fantôme ». Des entreprises comme Sama, Scale AI, Remotasks ou TELUS International emploient des dizaines de milliers de travailleurs via des plateformes numériques. Ces travailleurs modèrent des contenus parfois traumatisants pour moins de 2 dollars de l’heure afin d’entraîner ChatGPT [65]. Ainsi, des travailleurs kényans employés par Sama ont été obligés de regarder et classer des milliers de contenus dont certains extrêmement violents. Une enquête de TIME Magazine, en janvier 2023, a révélé que ces modérateurs souffraient de stress post-traumatique et ne bénéficiaient d’aucun accompagnement psychologique adéquat [66].
Le microtravail pour l’IA s’inscrit dans la logique plus large de la gig economy et de la plateformisation du travail. Amazon Mechanical Turk, lancée en 2005, a ouvert la voie en découpant des tâches complexes en microtâches payées quelques centimes [67]. Cette fragmentation rend invisible le travail humain. Pour l’utilisateur final, l’IA semble fonctionner de manière autonome, alors qu’elle repose sur du travail précaire et sous-payé.

Cette externalisation du travail d’annotation vers le Sud global n’est pas un hasard car elle permet aux entreprises technologiques de réduire fortement leurs coûts de main-d’œuvre et d’échapper aux régulations du travail des pays du Nord. Le différentiel salarial est considérable : une tâche d’annotation qui coûterait 15-20 dollars de l’heure aux États-Unis revient à 1-2 dollar au Kenya ou aux Philippines [68].

Une bulle prête à éclater ? Devant l’emballement des marchés et la course aux investissements dans l’IA, les rumeurs sur une bulle spéculative prête à éclater vont bon train. Qu’on en juge : les « sept magnifiques », à savoir Google, Amazon, Facebook, Apple, Microsoft, Nvidia et Tesla, représentent aujourd’hui, à eux seuls, un tiers de la valorisation boursière totale des 500 plus grosses entreprises côtées en bourse, et 90% de la hausse de l’indice SNP500 depuis 2019. En parallèle, les géants américains du numérique ont dépensé entre 400 et 500 milliards en investissement dans l’IA pour la seule année 2025 et on parle de projets qui totalisent environ 5.000 milliards à l’horizon 2030 [69]. Or difficile, pour l’heure, de comprendre ce qui peut bien justifier des sommes aussi stratosphériques. Certes, comme l’explique Robert Boyer, « les vendeurs de puces nouvelle génération, à l’instar du géant américain Nvidia, les fournisseurs d’électricité pour les centres de données et les entreprises spécialistes de leur construction et des infrastructures correspondantes ou encore les leaders du cloud tel Oracle, engrangent des profits considérables et font grimper les cours boursiers » [70]. Mais, à l’inverse, les revenus dégagés par les entreprises qui fournissent les services d’IA seront cette année entre dix et cent fois inférieurs aux investissements consentis, avec des perspectives de croissance pour le moins incertaines. C’est que, d’une part, le rythme d’adoption de ces technologies par les entreprises est déjà en train de ralentir devant les résultats décevants en matière de gains de productivité [71]. Et, d’autre part, la course au gigantisme montre de plus en plus ses limites, avec (au mieux) des améliorations des modèles qui suivent une courbe linéaire, pendant que les coûts d’entrainement suivent quant à eux une courbe… exponentielle. Résultat : plus grand monde ne nie aujourd’hui l’existence d’une bulle (renforcée par le caractère circulaire des dépenses et des revenus des principaux acteurs du secteur [72]), y compris certains dirigeants de premier plan comme Sam Altman ou Jeff Bezos. Mais leur réponse est toute trouvée. Il s’agirait d’une dynamique d’emballement propre aux cycles d’innovation. Elle débouchera in fine sur une destruction créatrice dont émergera un nouveau régime productif, à l’image de ce qu’il s’est passé suite à la bulle internet des années 2000 ou encore de celle des chemins de fer au 19e siècle. Cette théorie est toutefois contestable. Tout d’abord, à en croire The Economist, elle constitue plus une exception que la règle [73]. Une analyse de plusieurs décennies d’innovation a ainsi montré que beaucoup finissaient par être largement adoptées sans passer par ce cycle « spéculation/destruction créatrice », mais surtout, elles seraient encore plus nombreuses à ne finalement déboucher sur rien. Or, outre les limites déjà évoquées dans le développement et les applications des modèles d’IA, se pose également la question des limites physiques – notamment énergétiques – auxquelles le secteur va finir par se heurter. Ensuite, quoiqu’il arrive à moyen terme, l’éclatement de la bulle de l’IA aura probablement des conséquences dévastatrices à court terme, ne serait-ce qu’en raison même de son gigantisme. Aux États-Unis, le secteur a représenté à lui seul 40% de la croissance du PIB de l’année écoulée, occultant une économie américaine qui, sinon, serait proche de la récession, faute d’une manne spéculative alimentée aussi en grande partie par les investissements étrangers [74]. Cédric Leterme

 Conclusion

L’analyse matérialiste de la chaîne de valeur du travail de l’intelligence artificielle révèle une géographie du pouvoir qui contredit radicalement les discours enchanteurs sur la dématérialisation et la démocratisation technologique.

Notre analyse démontre que le Sud global (RDC, Kenya, Philippines, etc.) est une périphérie extractive : elle fournit matières premières et travail invisible dans les conditions les plus dangereuses, les plus précaires et les moins payées. En termes de rémunération, d’ailleurs, cette asymétrie est manifeste : alors que les mineurs artisanaux congolais touchent quelques dollars par mois pour extraire le cobalt, les ingénieurs seniors perçoivent, en moyenne, 1,28 million de dollars de rémunération annuelle chez OpenAI, créateur de ChatGPT.

Après, dans la suite de la chaîne de valeur du travail, nous avons deux pôles rivaux : l’Occident, et plus particulièrement les États-Unis, dominent la conception des semi-conducteurs (ASML, Nvidia), l’infrastructure cloud (AWS, Azure, Google) et certains grands modèles de langage (OpenAI, Anthropic) ; la Chine contrôle le monopole des terres rares, développe ses propres modèles (Baidu, DeepSeek) et son infrastructure cloud, mais reste dépendante des technologies de fabrication de semi-conducteurs les plus avancés – une vulnérabilité que Pékin cherche activement à réduire. À plusieurs étapes, il y a des quasi-monopoles (comme Nvidia pour la conception des processeurs graphiques).

Enfin, il se déploie une logique d’enclosure qui privatise les communs de la connaissance accumulés collectivement pour les transformer en capital, puis les louer aux utilisateurs sous forme de services propriétaires.

L’empreinte environnementale aggrave la catastrophe. L’IA génère un impact environnemental massif et croissant à travers sa consommation d’énergie (jusqu’à 12% de la consommation électrique américaine projetée), d’eau (560 milliards de litres annuels), de métaux rares (terres rares, cuivre) et l’artificialisation des sols pour ses centres de données. Le tout dans une bulle spéculative (400-500 milliards investis pour des revenus dix à cent fois inférieurs) dont l’éclatement aura inévitablement des conséquences pour l’économie mondiale.

Infographie : Gresea

---

Photo : Artisanal cobalt miners in the Democratic Republic of Congo,The International Institute for Environment and Development, CC BY 2.5, via Wikimedia Commons

Pour citer cet article : Adrien Jahier, "Du cobalt à ChatGPT : cartographie d’une exploitation mondialisée", Gresea Échos n°125, mars 2026.

---

JE M’ABONNE AU GRESEA ÉCHOS

---