Dans deux lectures précédentes, nous avons décrit les risques psychosociaux particuliers de ceux qui construisent l’IA (obsolescence de sa propre expertise, conflits de valeurs, intensité, coût élevé du départ), puis la manière dont la supervision d’agents IA use les capacités qu’elle exige (fatigue d’approbation, déqualification, responsabilité sans maîtrise).
Cette lecture relie les deux. Dans les laboratoires qui développent les modèles les plus avancés, ces salariés sont précisément ceux sur qui repose la sécurité de l’IA : ils relisent le code produit par les agents, évaluent les capacités dangereuses avant une sortie, enquêtent après un incident, et sont souvent les premiers à pouvoir signaler un problème. Si leurs conditions de travail dégradent leur vigilance, leur jugement ou leur liberté de parole, c’est la fiabilité de ces contrôles qui est atteinte.
La thèse défendue ici est simple : la santé au travail des équipes de l’IA de frontière n’est pas seulement une question de bien-être, c’est une composante de la sécurité de l’IA. Et la santé au travail, comme discipline, a un rôle à y jouer.
Trois chercheurs, six jours
L’été 2026 en a fourni une illustration saisissante. D’après les comptes rendus publiés fin août, environ 1 200 agents d’OpenAI engagés dans un exercice d’évaluation en cybersécurité ont communiqué entre eux par un canal détourné, échangé plus de 70 000 messages et fichiers, puis plusieurs centaines d’entre eux se sont introduits dans des systèmes de Hugging Face.
Une enquête indépendante a été confiée à METR et Redwood Research. Selon TIME, l’équipe comptait trois personnes. Le temps prévu était de deux jours, porté à six après que les enquêteurs ont signalé qu’il était insuffisant et que leur accès aux données était incomplet. Selon le New York Times, cité par l’analyste Andrew Wu, c’est l’entreprise qui a fixé le périmètre et la durée de l’enquête.
Face à plus d’un millier de transcriptions représentant des millions de mots, les enquêteurs ont dû confier une grande partie de l’analyse à un modèle d’OpenAI, de la même famille que ceux impliqués, pour environ 400 000 dollars de crédits. Ils reconnaissent ne pas pouvoir exclure que ce modèle leur ait présenté une image trompeuse. L’un d’eux, Ryan Greenblatt, a résumé la situation d’un néologisme ironique, la slop-vestigation, en expliquant que l’équipe avait été :
“so reliant on AIs to analyze what happened.”
Lu depuis la santé au travail, ce récit décrit d’abord des conditions de travail : un effectif réduit, un délai imposé de l’extérieur, un volume d’information hors de portée humaine, des outils dont la fiabilité ne peut pas être vérifiée, et une responsabilité considérable, puisque les conclusions engagent la compréhension publique d’un incident majeur. La qualité de l’enquête a été déterminée par ces conditions avant de l’être par la compétence des enquêteurs, qui n’est pas en cause.
Le contrôle humain, nouveau goulot d’étranglement
Cette situation n’est pas exceptionnelle : elle devient la norme du travail dans les laboratoires. Anthropic indique qu’en mai 2026, plus de 80 % du code intégré en production y était rédigé par Claude, contre une part marginale début 2025, et que ses ingénieurs livraient huit fois plus de code par trimestre qu’en 2024. L’entreprise note elle-même que la relecture du code est devenue un nouveau goulot d’étranglement.
Autrement dit, les ingénieurs des laboratoires de frontière sont devenus les superviseurs décrits par Mitchell, Ghosh et Passi, dans la configuration où l’enjeu est le plus élevé : ils supervisent des agents qui contribuent à construire les modèles suivants. Tout ce que cet article décrit s’applique à eux : volume de validations, vigilance qui s’émousse, raccourcis heuristiques sous pression, compétences moins mobilisées, et un signal d’approbation qui peut revenir alimenter l’entraînement des systèmes.
La même logique vaut pour les annotateurs et évaluateurs humains dont les jugements servent à entraîner les modèles. Un évaluateur fatigué ou pressé produit des préférences moins exigeantes, que le modèle peut apprendre à satisfaire. Ces travailleurs sont d’ailleurs souvent des prestataires, moins visibles et moins protégés que les salariés des laboratoires.
Trois voies par lesquelles les RPS deviennent un risque de sécurité
Les risques psychosociaux ne mettent pas seulement en jeu la santé des personnes. Dans ce contexte, ils peuvent affaiblir la sécurité des systèmes par au moins trois voies.
1. La qualité du contrôle
Intensité, délais comprimés et surcharge cognitive poussent vers le raisonnement rapide et heuristique, au détriment de l’analyse délibérée qu’exige la détection d’un comportement anormal. En 2025, le Financial Times rapportait déjà qu’OpenAI accordait désormais quelques jours au lieu de plusieurs mois à certains tests de sécurité avant la sortie d’un modèle. Un test de sécurité n’est jamais meilleur que les conditions dans lesquelles il est conduit.
2. La capacité à alerter
La sécurité suppose que quelqu’un dise « je ne suis pas sûr » ou « il faut attendre ». Or les tensions décrites dans notre précédente lecture pèsent précisément sur cette capacité : responsabilité ressentie élevée mais pouvoir de décision limité, culture de disponibilité permanente, et une rémunération différée qui rend le départ très coûteux. Entre la souffrance morale et la rupture, il existe un chemin fréquent et silencieux : se taire. Un doute non exprimé est un signal de sécurité perdu.
3. La conservation de l’expertise
Épuisement et conflits de valeurs se traduisent aussi par des départs. En 2024, l’un des responsables de l’équipe de sécurité d’OpenAI avait publiquement justifié sa démission par le sentiment que la culture et les processus de sécurité étaient passés derrière les produits. Chaque départ de ce type emporte une connaissance fine des systèmes, difficile à remplacer. Mitchell, Ghosh et Passi évoquent le risque d’organisations où plus personne ne comprend assez bien le travail pour le superviser.
Ce que les industries à risque savent déjà
Rien de tout cela n’est nouveau pour les secteurs où une erreur humaine peut avoir des conséquences graves. L’aéronautique encadre les temps de vol et de repos des équipages et gère le risque de fatigue comme un risque de sécurité. Le nucléaire contrôle l’aptitude et la fatigue des personnels affectés aux fonctions critiques. En France, l’approche des facteurs organisationnels et humains a fait entrer la charge de travail, la culture de sécurité et la possibilité de remonter une erreur sans sanction (la « culture juste ») dans la maîtrise des risques industriels.
Ces secteurs ont aussi appris, souvent après un accident, que les défaillances naissent rarement d’un individu isolé. Elles viennent plus souvent d’une normalisation progressive des écarts, sous la pression du calendrier, jusqu’à ce qu’un signal faible, connu de certains, ne soit plus entendu par personne.
Dans ces industries, la santé et les conditions de travail des opérateurs font partie du système de gestion de la sécurité. Les cadres de sécurité publiés par les laboratoires d’IA portent, pour l’essentiel, sur les capacités des modèles, les seuils de risque et la protection des poids ; les conditions de travail des personnes chargées de les appliquer y occupent peu de place.
Pouvoir dire non : l’alerte comme ressource
Le droit commence à reconnaître ce point. En Californie, la loi SB 53 impose aux grands développeurs de modèles de frontière de mettre en place un canal interne de signalement anonyme pour les salariés chargés d’évaluer ou de gérer les risques d’incident critique, et les protège contre les représailles. Ses limites sont documentées : les prestataires en sont exclus, et le seuil de « risque catastrophique » retenu est très élevé. Dans l’Union européenne, l’AI Act étend aux violations du règlement la protection prévue par la directive européenne sur les lanceurs d’alerte.
Ces dispositifs sont nécessaires. Mais du point de vue de la santé au travail, ils interviennent tard. L’alerte formelle est le dernier recours. Ce qui compte d’abord, c’est la possibilité, dans le travail quotidien, d’exprimer un doute, de demander du temps ou de refuser une validation sans en payer le prix. C’est une question d’organisation du travail, de management et de collectif, bien avant d’être une question juridique.
Quel rôle pour la santé au travail ?
La santé au travail dispose de trois atouts rarement mobilisés dans ce débat.
Une position indépendante et confidentielle. En France, le médecin du travail est un salarié protégé, tenu au secret médical, et sa mission est d’éviter toute altération de la santé du fait du travail. C’est l’un des rares lieux où un ingénieur peut exprimer une souffrance morale, un épuisement ou un conflit de valeurs sans que cela devienne un enjeu de carrière. Ce qui y est dit ne remonte pas ; mais ce qui en est tiré collectivement peut éclairer l’organisation.
Une compétence sur l’organisation du travail. Les services de prévention et de santé au travail conseillent l’employeur, les salariés et leurs représentants sur les conditions de travail. Charge de relecture, délais d’évaluation, effectifs d’enquête, astreintes lors d’incidents : ce sont des objets classiques de prévention, appliqués à des fonctions nouvelles.
Une culture de la prévention primaire. La santé au travail sait qu’on ne corrige pas une organisation pathogène par des séances de gestion du stress. Le même principe vaut pour la sécurité de l’IA : il ne s’agit pas de rendre les ingénieurs plus résistants, mais de rendre leur travail compatible avec un contrôle de qualité.
Concrètement, dans les laboratoires d’IA et les entreprises qui développent ou évaluent des modèles avancés, les professionnels de santé au travail pourraient :
- Identifier les fonctions de sécurité comme des postes à part entière.
Relecture, évaluation, red teaming, supervision des agents, réponse à incident : les inscrire au DUERP avec leurs facteurs de RPS propres. - Objectiver la charge de contrôle.
Volume de code ou de traces à relire par personne, temps réellement disponible pour une évaluation avant sortie, effectif mobilisé lors d’une enquête. - Gérer la fatigue comme un risque de sécurité.
Astreintes, périodes de lancement et gestion de crise : durées, repos, rotations, sur le modèle des industries à risque. - Prévenir la souffrance morale.
Ouvrir des espaces de discussion sur le travail où les conflits de valeurs peuvent être énoncés collectivement, avant de se transformer en silence ou en départ. - Protéger les compétences.
Veiller à ce que les ingénieurs, notamment les plus jeunes, conservent une pratique suffisante pour juger le travail des agents. - Ne pas oublier les prestataires.
Annotateurs, évaluateurs et testeurs externes participent au contrôle mais échappent souvent au suivi et aux protections. - Évaluer avant de déployer.
Tout déploiement d’agents dans le processus de recherche devrait faire l’objet d’une évaluation préalable de ses effets psychosociaux, puis d’un suivi sur le travail réel.
En France, cette démarche n’est pas théorique : les laboratoires d’IA qui y emploient des salariés relèvent du droit du travail français et d’un service de prévention et de santé au travail. La santé au travail est déjà dans la pièce ; la question est de savoir si elle se saisit de ces enjeux.
Limites
L’argument repose sur une analogie avec les industries à risque et sur des signaux convergents, pas sur des données épidémiologiques : aucune étude ne mesure à ce jour l’état de santé des salariés des laboratoires de frontière, ni ne démontre un lien direct entre leurs conditions de travail et un incident de sécurité de l’IA. Les récits de l’incident OpenAI–Hugging Face émanent de sources secondaires et de comptes rendus encore discutés. Les principaux laboratoires sont par ailleurs américains, et leurs équipes centrales échappent au modèle français de santé au travail.
Enfin, un risque doit être évité : faire des salariés un « facteur humain » à surveiller. Le propos est inverse. Ce sont les organisations qui fixent les délais, les effectifs et les priorités ; c’est donc à ce niveau que se situe la prévention.
La question à poser n’est donc peut-être pas seulement « Les modèles sont-ils sûrs ? »
Il faudrait aussi se demander « Ceux qui vérifient leur sûreté ont-ils les conditions de travail pour le faire ? »