Le mot « ordinateur » donne l’impression qu’une machine est le sujet du calcul. Avant de désigner un boîtier, computer était pourtant un métier : une personne chargée de produire des résultats numériques selon une méthode. Cette ancienne définition n’est pas un détail de vocabulaire. Elle force à regarder la fabrication d’un résultat, pas seulement l’appareil qui l’affiche.

Le projet Human Computers de RYBN.ORG part de cette friction. Le collectif présente son travail comme une recherche de média-archéologie sur les relations entre informatique et organisation du travail, de l’automate du Mechanical Turk de Wolfgang von Kempelen au service Amazon qui propose des tâches humaines aux systèmes d’intelligence artificielle.1 Le projet convoque aussi le modèle d’usine à calcul de Gaspard de Prony, où une opération mathématique est divisée en étapes spécialisées.

RYBN propose une interprétation artistique et politique : ce que nous appelons automatisation peut être une nouvelle distribution du travail humain, rendue moins visible par l’interface. Cette lecture est le point de vue du projet, pas un fait historique brut. Elle devient néanmoins intéressante lorsqu’on la confronte aux archives de la NASA, aux plateformes de microtravail et aux recherches sur l’annotation.

Un computer était une personne

À Langley, dans les années 1930, la National Advisory Committee for Aeronautics recrute des femmes diplômées en mathématiques pour former un « computer pool ». La NASA raconte l’histoire de Virginia Tucker, arrivée en 1935 avec quatre autres femmes, puis devenue responsable d’une organisation qui formera des centaines de calculatrices.2 L’histoire des human computers publiée par le Smithsonian replace cette division genrée du travail technique dans un cadre institutionnel plus large.4

Leur travail n’avait rien de la métaphore de la « petite main ». Elles lisaient les mesures de souffleries, effectuaient des calculs, traçaient des courbes et vérifiaient des résultats destinés à la recherche aéronautique et spatiale. Les outils — règles à calcul, loupes, tables, machines Marchant ou Friden — limitaient la vitesse, mais produisaient aussi une méthode visible. Une erreur pouvait être retrouvée dans une lecture de film, une ligne de calcul, un graphique ou une addition.

La NASA décrit une chaîne où les calculatrices traitaient les données d’essais, retournaient les résultats aux ingénieurs et développaient des techniques propres à l’aérodynamique.2 Certaines ont rédigé des manuels de réduction de données; d’autres ont participé à la programmation quand les machines électroniques sont arrivées. Le passage de l’opération manuelle au programme ne supprime pas le savoir : il change l’endroit où il est stocké.

L’histoire est aussi une histoire de hiérarchie. Les postes étaient classés comme « subprofessionnels », avec des possibilités de promotion limitées. Les femmes noires recrutées à partir de 1943 furent d’abord regroupées dans une section ségrégée, les West Area Computers.2 Le travail pouvait être décisif pour la recherche tout en étant administrativement dévalorisé. La contradiction n’est pas une anomalie du récit; elle est une partie de son fonctionnement.

À Jet Propulsion Laboratory, la NASA décrit de la même manière des femmes qui effectuaient des centaines de milliers de calculs avant de devenir parmi les premières programmeuses.3 Il faut résister au récit trop propre d’une marche naturelle vers le code. Leur expertise n’a pas simplement été remplacée par le silicium : elle a participé à la transition, en apprenant à transformer une procédure de calcul en instructions exécutables.

Le calcul comme chaîne de gestes

RYBN remonte à Gaspard de Prony, qui aurait organisé le calcul des tables logarithmiques selon une division du travail inspirée de la manufacture : des personnes exécutent des étapes répétitives et spécialisées plutôt que chacune la totalité du raisonnement.1 Même lorsqu’on ne reprend pas toutes les implications historiques du projet, cette forme est utile pour comprendre ce qu’une « automatisation » découpe.

Un résultat calculé est rarement le produit d’une seule opération. Il faut préparer les données, choisir une convention, effectuer le calcul, détecter une anomalie, recopier, assembler et présenter. Une machine électronique concentre certaines étapes dans un processeur, mais les autres réapparaissent autour d’elle : saisie, nettoyage, documentation, maintenance, contrôle des sorties.

La division du travail peut augmenter le débit. Elle peut aussi casser la compréhension d’ensemble. Une personne qui ne fait qu’encoder une valeur ne sait pas toujours quelle décision dépend de cette valeur. Une autre vérifie la qualité sans avoir vu l’origine du problème. Le système gagne en vitesse et perd en contexte.

On retrouve cela dans les pipelines contemporains. Un modèle « apprend » à partir de données qui ont été sélectionnées, découpées, annotées et filtrées. Chaque action est décrite comme une étape technique, mais elle suppose des jugements : quelle image contient un piéton ? quand un texte est-il toxique ? deux réponses sont-elles équivalentes ? Une décision de classification peut devenir une colonne, puis un signal d’entraînement, puis un comportement présenté comme automatique.

Le Mechanical Turk : une vieille fiction devenue interface

Le premier Mechanical Turk était un automate d’échecs présenté comme une machine, alors qu’un joueur humain se cachait dans le meuble. RYBN utilise cette histoire comme point de départ pour rejoindre le Mechanical Turk d’Amazon.1 Amazon décrit officiellement sa plateforme comme un marché reliant des demandeurs à une main-d’œuvre humaine à la demande, capable de réaliser catégorisation, modération, collecte, analyse et annotation d’images.5

La différence est importante. Le service Amazon ne prétend pas qu’un opérateur est caché dans une armoire. Il rend le travail accessible par une API et le nomme Human Intelligence Task. L’interface fait quelque chose de plus subtil : elle transforme une activité située en unité standardisée, assignable, mesurable et récupérable comme un résultat de machine.

Une tâche peut être petite : identifier la couleur d’une voiture, transcrire un extrait, comparer deux réponses. La petite taille facilite la distribution, mais elle peut aussi éloigner le travailleur de la finalité. Le demandeur reçoit une réponse; l’auteur de la réponse ne sait pas toujours à quel système elle contribuera.

La plateforme propose de multiplier les réponses pour vérifier la qualité ou repérer des biais.5 Cela ne rend pas la vérité automatique. Cela transforme un désaccord humain en procédure statistique. Le consensus peut être utile pour une catégorie simple et insuffisant pour une question ambiguë. La qualité dépend de la formulation, de la rémunération, du temps disponible, du profil des travailleurs et de la façon dont les réponses sont arbitrées.

L’annotation n’est pas un prélude sans importance

Les travaux de Clément Le Ludec, Maxime Cornet et Antonio Casilli sur l’annotation entre la France et Madagascar donnent une matière plus précise au débat.6 Leur étude s’appuie sur des entretiens avec des travailleurs des données et des entreprises, ainsi que sur deux systèmes d’IA. Elle montre que les annotateurs ne se contentent pas de cliquer : selon les organisations, ils produisent des données, évaluent des sorties, discutent les consignes et développent une expertise liée au projet.

L’intérêt de cette recherche est de ne pas réduire le problème à « l’IA vole des emplois ». Elle décrit une division du travail et son externalisation. Des tâches indispensables à des systèmes vendus comme intelligents sont confiées à des personnes qui restent en dehors de la présentation du produit. Les chercheurs insistent sur le fait que l’annotation peut être répétitive, sous-payée et géographiquement déplacée, tout en demandant de l’attention et du jugement.

Ce point rejoint la recherche sur le travail invisible dans le crowdwork. Une étude qui mesure le temps consacré à des activités non payées autour des tâches — chercher, lire les consignes, attendre, gérer les rejets ou comprendre l’interface — montre que le prix affiché par microtâche ne décrit pas tout le temps de travail.7 Le clic n’est que la partie comptée. Le travail nécessaire pour être en mesure de cliquer reste dans l’ombre.

Le système produit alors une étrange conversion : plus la tâche est découpée, plus elle paraît mesurable; plus elle paraît mesurable, plus le contexte devient facile à ignorer. On peut payer par image et oublier le temps passé à comprendre la catégorie. On peut compter une annotation et ne pas compter la formation, la fatigue visuelle ou la contestation d’un cas limite.

Les six protocoles de RYBN ne sont pas des bonnes pratiques neutres

Le titre de l’exposition ou du projet associe l’histoire des calculatrices à six protocoles d’autodéfense.1 Il faut les traiter comme des gestes artistiques et politiques, pas comme une méthode validée par une étude expérimentale. Leur rôle est de déplacer la position du spectateur : si le système veut rendre le travail invisible, que peut faire la personne qui y participe pour récupérer de la lisibilité, du temps ou du pouvoir ?

Un protocole peut être une instruction, une règle de détournement, une manière de documenter une tâche ou une façon de rendre visible la relation entre l’interface et le corps. La force du format est de ne pas proposer une morale abstraite. Il imagine des actions. Sa limite est celle de toute œuvre critique : une proposition située ne devient pas automatiquement applicable à une plateforme, un atelier ou une équipe.

Ce qui mérite d’être gardé est la distinction entre protection individuelle et transformation collective. Demander à un travailleur de mieux gérer son temps ne corrige pas une rémunération basse. Apprendre à reconnaître la collecte de données ne donne pas nécessairement le droit de refuser une tâche. Un outil d’auto-défense peut aider une personne à comprendre une contrainte sans la supprimer.

La lecture IRZ doit donc maintenir deux plans séparés. D’un côté, RYBN propose une interprétation : le calcul est une organisation de gestes, et l’automatisation peut reconditionner une dépendance humaine en service invisible. De l’autre, les sources historiques et sociologiques permettent de vérifier qui travaillait, comment, avec quels statuts et quelles formes de contrôle.

Matérialité contre nuage

Le projet de RYBN appartient à la média-archéologie parce qu’il refuse le récit selon lequel chaque nouvelle interface efface la précédente.1 Le Mechanical Turk, les bureaux de calcul, les tables de Prony et l’annotation de données n’ont pas le même régime économique. Mais ils partagent une difficulté : le système veut présenter un résultat propre alors que la production est faite de corps, d’outils, de délais, de fatigue et de conventions.

DataArt décrit l’histoire de l’informatique à travers le traitement, la représentation et l’interface.8 Ce triptyque aide à relier la table de calcul et la plateforme. La matière du travail n’est pas seulement la personne qui saisit. C’est aussi le formulaire qui impose une catégorie, l’écran qui rend une consigne urgente, le système qui affiche un score, le format qui empêche une nuance et l’archive qui conserve ou efface une décision.

On peut appeler cela permacomputing avec prudence. Le permacomputing ne se réduit pas à « utiliser moins d’électricité » : il invite à penser la durée de vie, la réparabilité, les ressources et les limites d’un système. Appliqué au travail des données, il permet de poser une question concrète : une infrastructure qui externalise son annotation sait-elle conserver la connaissance des personnes qui l’ont produite ? Si elle change de sous-traitant, le savoir disparaît-il avec l’équipe ?

La question est matérielle. Une consigne n’existe pas seulement dans un document; elle existe dans une rémunération, une interface, un contrôle qualité et une possibilité de contestation. Une plateforme qui enregistre les clics mais pas les désaccords produit une archive pauvre de son propre fonctionnement.

Apprendre avec le corps, pas contre lui

Les recherches récentes sur l’annotation participative proposent une autre piste : considérer les annotateurs comme des collaborateurs capables de discuter les catégories, de réviser les consignes et de produire une connaissance située.9 Ce modèle ne rend pas toutes les asymétries acceptables. Il change néanmoins le statut de l’erreur. Un désaccord n’est plus seulement une réponse à éliminer; il peut signaler que le modèle de données est trop pauvre.

L’histoire des human computers montre quelque chose de similaire. Les calculatrices de Langley n’étaient pas des relais interchangeables entre une formule et une feuille. Elles connaissaient les instruments, les mesures, les méthodes et les usages de leurs résultats. Leur travail était incorporé dans un environnement de recherche. Les rendre visibles ne consiste pas seulement à leur attribuer le mérite a posteriori; cela demande de reconnaître qu’une chaîne de calcul a besoin d’une compréhension située.

L’interface numérique cherche souvent le contraire. Elle veut une tâche suffisamment claire pour pouvoir être donnée à n’importe qui, partout, rapidement. Cette standardisation est pratique pour la production, mais elle rétrécit les lieux où l’on peut signaler une mauvaise catégorie. Le travailleur devient alors la dernière pièce d’un système qui refuse de montrer ses propres hésitations.

Ce que les computers humains révèlent aujourd’hui

Le point commun entre une opératrice de la NASA et un annotateur de plateforme n’est pas qu’ils feraient « la même chose ». Les contextes, les salaires, les statuts et les technologies diffèrent radicalement. Le point commun est plus précis : dans les deux cas, une organisation convertit un jugement humain en une étape standard du traitement de l’information, puis risque d’oublier l’expertise qui rend cette étape fiable.

Les human computers montrent que le calcul a toujours été une pratique collective. Les plateformes montrent que le collectif peut être fragmenté jusqu’à devenir invisible. RYBN ajoute une question de forme : que se passe-t-il lorsque cette invisibilité est représentée, rejouée ou détournée dans une œuvre ?

La réponse n’est pas de rejeter toute automatisation. Les cartes perforées, les machines de tabulation et les ordinateurs ont effectivement permis de traiter des volumes impossibles à parcourir autrement. La réponse est de refuser la phrase « la machine l’a fait » lorsqu’elle sert à ne plus chercher les choix humains autour de la machine.

Un système calculable est un système qui a distribué ses décisions. Qui choisit les catégories ? Qui paie la correction ? Qui possède les données ? Qui peut contester une consigne ? Qui est crédité quand le résultat devient un produit ? Les six protocoles de RYBN ne répondent pas à la place des travailleurs, et ils ne constituent pas une preuve empirique. Ils rendent ces questions impossibles à effacer.

La meilleure définition du computer pourrait alors redevenir la plus simple : quelqu’un qui aide une organisation à produire un résultat en suivant et en interprétant une procédure. Tant que les systèmes auront besoin de données, ils auront besoin de personnes qui les préparent, les corrigent et leur donnent un sens. Le problème n’est pas que ces personnes existent. C’est que le système continue à fonctionner comme si elles n’étaient qu’un détail d’interface.