Conclusion du chapitre 4

Dans ce dernier chapitre, nous avons soulevé un certain nombre d’objections au principe de DaL, tout comme plusieurs obstacles qui émergeraient lors de son application, ce qui a jeté de l’ombre sur ses bénéfices anticipés. Peut-être qu’après tout, la marchandisation des données des utilisateurs et utilisatrices par eux-mêmes et elles-mêmes n’est pas une si bonne idée. Cela pourrait amplifier les phénomènes de surveillance et de manipulation. Ceux-ci envahissent la vie privée et portent préjudice à l’autonomie et la dignité des internautes. La nature marchande des données peut être remise en question. Le fait de s’identifier à ses données pourrait mener à une dégradation de son identité et de ses relations, qui seraient constamment évaluées sous le prisme marchand. Accorder à tous et toutes un droit de vendre ses données pourrait alors créer de nouvelles injustices. Certaines personnes auraient la possibilité de ne pas vendre leurs données et d’autres n’auraient pas ce choix. Elles seraient donc plus à risque d’être instrumentalisées par les entreprises. De plus, d’autres inégalités, possiblement discriminatoires, pourraient surgir entre les utilisateurs et les utilisatrices, dont les données n’auraient pas la même valeur. Même si l’on voulait appliquer le DaL malgré ces arguments, les structures monopolistiques des géants représenteraient une barrière à l’atteinte de ses objectifs visant des idéaux de justice sociale et économique.

Le DaL en lui-même ne suffirait pas selon nous à changer le fonctionnement des GAFAM et des grandes entreprises numériques. Il ne pourrait à lui seul rendre cette industrie plus bénéfique pour la société. Il aurait plus de chances d’être repris par ces acteurs dominants et d’être transformé en outil de profit encore plus invasif sur nos quotidiens, peuplés de plateformes numériques. Le DaL suppose le maintien d’un cercle vicieux, où les internautes recevront principalement des retours sur leurs données grâce aux revenus des publicités

souvent prédatrices, et aux diverses manipulations algorithmiques et informatiques. Ces pratiques mèneraient à enrichir les entreprises aux dépens de la vie privée, de l’autonomie et la dignité des utilisateurs et utilisatrices.

Conclusion

Notre problématique de départ partait du constat que la multiplication des données générées par les utilisateurs et utilisatrices pouvait donner lieu à la création d’une immense quantité de richesses, qui profitent toutefois peu à leurs créateurs et créatrices. L’objectif de cette recherche était d’étudier la proposition de Jaron Lanier selon laquelle la production de données devrait être considérée comme du travail et non comme du capital, et ce, afin de redonner aux internautes le contrôle et les bénéfices des fruits de leurs activités numériques. Les données elles-mêmes demeurent une entité difficile à cerner et à catégoriser. Les individus sont liés à leurs données personnelles, mais il n’est pas encore possible de déterminer ce que les entreprises et leurs algorithmes, grâce aux technologies d’intelligence artificielle, pourront dériver et prédire comme informations sur ces gens.

Ce qui est plus certain est l’idée selon laquelle les utilisateurs et utilisatrices ont une part plus importante à jouer dans la production de données et de valeur pour les entreprises numériques que ce que ces dernières veulent leur laisser croire. Sans ces tonnes de clics sur les plateformes connectées, soit leur « travail », il n’y aurait pas moyen d’entretenir et d’améliorer les algorithmes d’intelligence artificielle. Ce travail fait croître les bases de données, si capitales à la croissance de multiples entreprises dont les services sont basés sur ces dernières (data driven services). Nous avons étudié les bénéfices de rémunérer ce travail. Les utilisateurs et utilisatrices, en étant considérés comme les propriétaires de leurs données, auraient plus de contrôle sur leur prélèvement, leur utilisation et leur revente par les entreprises. Cela leur conférerait une plus grande autonomie et un statut plus actif par rapport à leurs données, ainsi qu’une possibilité d’en tirer des bénéfices financiers plus directs et substantiels. Cette rémunération pourrait lier les internautes à leurs données de manière plus personnelle. Ils et elles se verraient valorisés pour qui ils et elles sont, par leurs informations, et ce qu’ils et elles font, par leurs contributions sociales sur les plateformes numériques. Le

data as labor pourrait devenir une source de dignité digitale plutôt que de manipulation. Cette

nouvelle forme de revenu pourrait atteindre des montants substantiels, allant de plusieurs centaines à plusieurs milliers de dollars par individu. Cela contribuerait à redéfinir certains aspects de la notion de travail dans une ère digitale. La rémunération des internautes pourrait donc servir à réduire les inégalités économiques, en favorisant particulièrement le sort des plus démunis. Sur le plan économique, le DaL pourrait ouvrir de nouvelles opportunités aux entreprises et favoriser une plus grande compétition, permettant à de plus petites de se faire une place en offrant des rémunérations plus avantageuses à leurs utilisateurs et utilisatrices. Dans tous les cas, rétribuer les internautes pour leurs données pourrait permettre aux entreprises d’acquérir des données en plus grand volume et surtout, en obtenir de plus grande qualité. Les revenus qu’elles en tireraient seraient possiblement plus élevés, ou du moins, leurs pertes dues aux rétributions minimisées par l’augmentation de l’efficience de leurs algorithmes. Cela pourrait contribuer à l’acceptation sociale et politique de ce nouveau régime de traitement des données.

Le DaL pourrait s’implanter de plusieurs manières, chacune ayant leurs avantages et leurs limites en fonction des critères qui les définissent. (1) Les micro-redevances prioriseraient un certain « mérite » individuel. Les internautes ayant contribué avec le plus de données et les données de meilleure qualité seraient plus fortement rétribués que des internautes ayant moins contribué. Ce modèle, qui est le plus instinctif, réside dans le fait que chaque action posée par un individu équivaut à un certain montant, qui doit revenir à son créateur ou sa créatrice. Il faudrait cependant débattre de la manière dont les montants devraient être fixés. Les prix des données sont susceptibles d’entraîner de multiples inégalités. De plus, ce modèle représenterait un fardeau administratif très lourd à porter pour les individus, qui devraient faire affaire avec chaque nouvelle plateforme. (2) Les dividendes seraient le modèle le plus égalitaire, étant donné que tous les internautes recevraient le même montant sur une base régulière, peu importe la hauteur de leurs contributions (ou après un seuil minimal de participation). Les obstacles techniques et théoriques liés au fait de juger de la valeur de chaque donnée seraient levés tout comme les risques de créer des inégalités. Les individus n’auraient pas à gérer seuls les transactions de leurs données. Ce modèle est le plus simple : il s’apparente à une forme de revenu de base. Il n’inciterait cependant pas les internautes à générer plus de données ou des données de meilleure qualité. Ce n’est pas forcément une

mauvaise chose pour leur vie privée, mais cela minerait les arguments d’efficience économique. Par ce fait, la réussite politique associée à l’adoption de ce modèle par les entreprises serait réduite. (3) Les médiateurs des données des utilisateurs et utilisatrices, pour leur part, tentent de combiner les précédents modèles afin d’offrir le meilleur des deux aux utilisateurs et utilisatrices. Des organismes tiers seraient responsables des données des internautes. Ils s’occuperaient de la gestion des données des utilisateurs et utilisatrices et de la négociation de leur vente avec les entreprises. Chaque internaute aurait le choix d’opter pour des modèles plus « méritocratiques » ou « égalitaires » dans la redistribution des redevances. Toutefois, ce modèle pourrait lui aussi devenir un fardeau administratif pour les individus. Il représenterait également des coûts de gestion plus importants pour la société, qui devrait surveiller ses activités. Aucun de ces modèles n’apporte d’équilibre parfait sur le plan de la justice sociale et économique. De nombreuses formalités techniques seraient à étudier si l’on voulait réellement mettre chacun d’entre eux en place. Ces différentes façons de gérer les rétributions servaient néanmoins à rendre plus explicites les implications du DaL. Plusieurs obstacles et objections majeurs se dressent toutefois devant le DaL, venant limiter les bénéfices qu’il pourrait apporter à la société et aux internautes. L’idée même de rémunérer les individus pour leurs données pourrait engendrer une dynamique malsaine de vente de sa vie privée. Plutôt que d’avoir plus d’autonomie, les utilisateurs et utilisatrices seraient encore plus surveillés par les plateformes, en ayant fourni davantage de données. Les tentatives de manipulation pourraient se faire plus invasives et insidieuses sur leur vie privée. Plutôt que de se voir comme des sujets respectés dans leur dignité digitale, ils et elles seraient vus comme des marchandises, en vendant leur vie privée aux plus offrants. Plutôt que d’offrir de meilleures redistributions et de réduire les inégalités, le DaL pourrait créer une nouvelle forme d’inégalité en faisant en sorte que seuls les individus les plus favorisés pourraient se

permettre de ne pas vendre leurs données. De plus, les algorithmes pourraient assigner des

prix différents aux données des individus sur des bases arbitraires et discriminatoires, aux conséquences tout sauf plus justes et favorables pour la collectivité. Plutôt que de permettre une plus grande concurrence entre les entreprises, le DaL pourrait renforcer et maintenir les monopoles numériques existants. Le système politique et économique actuel de marché des données, inscrit dans une économie de marché capitaliste déréglementée, est extrêmement difficile à encadrer. Il est peu réaliste d’imaginer que le DaL pourrait à lui seul casser à court

ou moyen terme ces mentalités de profitabilité et de croissance se faisant aux dépens des droits et des bénéfices des individus. De multiples réformes en profondeurs des marchés et des législations entourant les données sont de mise. Des taxes spécifiques sur certaines activités numériques, ainsi que des impôts sur le revenu, restent probablement les moyens les plus efficaces qu’auraient les États de récupérer leur juste part, pouvant par la suite les redistribuer selon leurs termes à la population.

De nombreuses questions restent en suspens et quantité d’obstacles techniques auraient tôt fait de taire toute prétention de rémunérer les individus pour « leurs » données. Encore faut- il s’entendre sur la manière de départager leur travail de celui des entreprises. De plus, nous avons peu insisté sur la dimension collective de la valeur des données, pour la simple et bonne raison que les aspects techniques deviennent très complexes et mettent moins en évidence l’analogie d’être rémunéré pour « son » travail. Effectivement, si les données peuvent venir de nos informations et de nos activités, leur valeur vient en grande partie de leur mise en commun. D’où l’intérêt particulier qu’aurait le modèle de dividende comparativement aux autres.

D’autres modèles de gestion des données mettant moins l’accent sur la rémunération des internautes pourraient être étudiés. Nous aurions pu nous pencher davantage sur la protection de leurs intérêts et vie privée, ainsi que sur les intérêts de la collectivité, par exemple des modèles de données « ouvertes* » (ou open data), comme au début d’internet. L’ensemble des données récoltées par les entreprises pourraient être anonymisées et collectivisées, afin que toute entreprise ou organisme puisse en bénéficier. Cela soulève cependant de nombreux enjeux sur la sécurité des données et de nombreux obstacles sur la propriété intellectuelle des entreprises. On pourrait aussi se pencher sur des modèles où les États et des institutions sans but lucratif seraient responsables des infrastructures de navigation et de télécommunication de base, offrant une option sans monétisation de nos données. Il faudrait toutefois que leurs plateformes arrivent à faire compétition à celles des plus grands joueurs. De plus, il faudrait s’assurer que les données ne soient pas utilisées à des fins de surveillance et de contrôle de la population.

Toutes ces hypothèses que nous avons émises sur le data as labor et les modèles que nous avons étudiés restent largement spéculatives, mais leurs fondements reposent sur des idéaux

de justice sociale et économique. Des concepts comme le « travail » et la « valeur », tout comme la répartition des richesses, demeurent le sujet de multiples débats, que nous pourrions aisément qualifier de luttes de reconnaissance et de pouvoir continuels. Nous rejetons en partie l’idée de Jaron Lanier selon laquelle les données devraient être considérées comme du travail. Du moins, nous avons voulu nuancer les bénéfices que le DaL pourrait apporter et relever les dérives potentielles.

La comparaison avec le travail et l’analyse marxienne réalisée par Antonio A. Casilli au sujet du digital labor que nous avons mentionnée au second chapitre sont peut-être imparfaites, mais restent très parlantes et accrocheuses. En effet, sans être autant exploités par ce travail des données que par exemple, celui en usine, nous restons néanmoins aliénés par ces plateformes envahissantes et prédatrices. Elles consomment toujours plus de notre temps et de notre attention. La production de données comme du travail n’est peut-être pas la meilleure solution, mais elle comporte au moins le mérite de susciter la réflexion. Elle fait pu faire ressortir de nombreux enjeux socio-économiques et politiques des législations entourant les données et des modèles d’entreprise numérique actuels.

Bibliographie

Allhoff, Fritz, and Adam Henschke, « The Internet of Things: Foundational Ethical Issues »,

Internet of Things, 1–2 (2018), 55–66 <https://doi.org/10.1016/j.iot.2018.08.005> Anderson, Chris, Free! comment marche l’économie du gratuit, trans. by Michel Le Séac’h

(Paris: Flammarion, 2014)

Andrejevic, Mark, « Personal Data: Blind Spot of the “Affective Law of Value”? », The

Information Society, 31.1 (2015), 5–12 <https://doi.org/10.1080/01972243.2015.977625> Arrieta Ibarra, Imanol, Leonard Goff, Diego Jiménez Hernández, Jaron Lanier, and E. Glen

Weyl, Should We Treat Data as Labor? Moving Beyond « Free’ (Rochester, NY: Social Science Research Network, 27 décembre 2017)

<https://papers.ssrn.com/abstract=3093683> [consulté le 31 janvier 2020]

Arvidsson, Adam, and Elanor Colleoni, « Value in Informational Capitalism and on the Internet », Information Society, 28.3 (2012), 135–50

<https://doi.org/10.1080/01972243.2012.669449>

Au-Yeung, Angel, « California Wants To Copy Alaska And Pay People A “Data Dividend.” Is It Realistic? », Forbes, 14 février 2019

<https://www.forbes.com/sites/angelauyeung/2019/02/14/california-wants-to-copy-alaska- and-pay-people-a-data-dividend--is-it-realistic/#2a85f5c5222c>

Aziz, Arslan, and Rahul Telang, « What Is a Digital Cookie Worth? », SSRN Electronic Journal, 2016 <https://doi.org/10.2139/ssrn.2757325>

Bacache-Beauvallet, Maya, and Anne Perrot, « Régulation économique : quels secteurs réguler et comment ? », Notes du conseil d’analyse économique, 44, 2017, 1–12

<https://doi.org/10.3917/ncae.044.0001>

Balkin, Jack M., « Fixing Social Media’s Grand Bargain », Hoover Working Group on National

Security, Technology, and Law, Aegis Series, 1814, 2018

<https://doi.org/10.2139/ssrn.3266942>

———, « Information Fiduciaries and the First Amendment », UC Davis Law Review, 49.4 (2016), 1183–1234

Barone, Adam, « What You Should Know About Risk Profiles », Investopedia, 2019 <https://www.investopedia.com/terms/r/risk-profile.asp> [consulté le 2 juillet 2020]

Benjamin, Misha, Paul Gagnon, Negar Rostamzadeh, Chris Pal, Yoshua Bengio, and Alex Shee, « Towards Standardization of Data Licenses: The Montreal Data License »,

ArXiv:1903.12262 [Cs, Stat], 2019 <http://arxiv.org/abs/1903.12262> [consulté le 4 novembre 2019]

Benz, Men-Andri, Strategies in markets for experience and credence goods, Gabler Edition Wissenschaft Markt- und Unternehmensentwicklung, 1. Aufl (Wiesbaden: Dt. Univ.-Verl, 2007)

Bergeron, Maxime, « Publicités sur Facebook et Google: le Canada privé de plus de 700 millions », La Presse, 16 janvier 2018

<http://www.lapresse.ca/actualites/politique/politique-canadienne/201801/15/01-5150124- publicites-sur-facebook-et-google-le-canada-prive-de-plus-de-700-millions.php> [consulté le 6 novembre 2019]

Biancotti, Claudia, and Paolo Ciocca, « Policy Brief 19-3 Opening Internet Monopolies to Competition with Data Sharing Mandates », 2019, 11

Blockchain France, « Qu’est-Ce Que La Blockchain ? – Blockchain France », Blockchain

France <https://blockchainfrance.net/decouvrir-la-blockchain/c-est-quoi-la-blockchain/> [consulté le 16 mars 2020]

Bock, Tim, « What Is Raw Data? | Raw Data Examples | Displayr.Com », Displayr, 2018 <https://www.displayr.com/what-is-raw-data/> [consulté le 22 juin 2020]

Bourreau, Marc, Bernard Caillaud, and Romain De Nijs, « Taxation of a Digital Monopoly Platform », Journal of Public Economic Theory, 20.1 (2018), 40–51

<https://doi.org/10.1111/jpet.12255>

Bureau de la concurrence, Faits saillants du forum des données du Bureau de la concurrence:

discuter de la politique en matière de concurrence à l’ère numérique. (Ottawa:

Gouvernement du Canada, 2019) <http://epe.lac-

bac.gc.ca/100/201/301/weekly_acquisitions_list-ef/2019/19-

39/publications.gc.ca/collections/collection_2019/isde-ised/Iu54-75-2019-fra.pdf> [consulté le 24 février 2020]

Cadwalladr, Carole, and Emma Graham-Harrison, « Revealed: 50 Million Facebook Profiles Harvested for Cambridge Analytica in Major Data Breach », The Guardian, 17 mars 2018,

section News <https://www.theguardian.com/news/2018/mar/17/cambridge-analytica- facebook-influence-us-election> [consulté le 17 juin 2020]

Cardon, Dominique, and Antonio A Casilli, Qu’est-ce que le digital labor?, INA Éditions (Bry- sur-Marne, 2015)

Carrière-Swallow, Yan, and Vikram Haksar, « The Economics and Implications of Data: An Integrated Perspective », Departmental Papers / Policy Papers, 18.12 (2019)

<https://doi.org/10.5089/9781513511436.087>

Casilli, Antonio A, En attendant les robots: Enquête sur le travail du clic (Paris: Seuil, 2019) CEFRIO, « Compétences Numériques Des Adultes Québécois », CEFRIO, 7.2 (2016)

Chantepie, Philippe, Analyse économiques de la communication de contenus numériques sur les

réseaux (Paris: Inspection Générale de l’Administration des Affaires Culturelles, October

2004), p. 78

Charron, François, « Ajouter Un Captcha Sur Vos Formulaires », Zonevotresite.Ca

<https://zone.votresite.ca/site-web-blogue/contenus-site-web/ajouter-un-captcha-sur-vos- formulaires/qDX3IADoiD/> [consulté le 21 janvier 2020]

Chen, Yujie, « Invisible Labor For Data: Institutions, Infrasturcture, And Virtual Space’ (University of Maryland, 2015) <https://drum.lib.umd.edu/handle/1903/18109>

Collin, Pierre, and Nicolas Colin, Mission d’expertise sur la fiscalité de l’économie numérique (France: Ministère de l’économie et des finances, janvier 2013), p. 198

<http://www.ladocumentationfrancaise.fr/rapports-publics/134000045/index.shtml> Columbus, Louis, « 10 Charts That Will Change Your Perspective On Artificial Intelligence’s

Growth », Forbes, 2018 <https://www.forbes.com/sites/louiscolumbus/2018/01/12/10- charts-that-will-change-your-perspective-on-artificial-intelligences-growth/> [consulté le 6 juillet 2019]

Commissaire à l’information et à la protection de la vie privée du Canada, Back on the Data

Trail: The Evolution of Canada’s Data Broker Industry (Draft Report) (Samuelson-

Glushko Canadian Internet Policy and Public Interest Clinic, 31 mars 2018)

Commissariat à la protection de la vie privée du Canada, « Métadonnées et vie privée - Un aperçu technique et juridique », 2014 <https://www.priv.gc.ca/fr/mesures-et-decisions- prises-par-le-commissariat/recherche/consulter-les-travaux-de-recherche-sur-la-protection- de-la-vie-privee/2014/md_201410/> [consulté le 23 juin 2020]

———, « Survol de la Loi sur la protection des renseignements personnels », 2019 <https://www.priv.gc.ca/fr/sujets-lies-a-la-protection-de-la-vie-privee/lois-sur-la- protection-des-renseignements-personnels-au-canada/la-loi-sur-la-protection-des- renseignements-personnels/pa_brief/> [consulté le 25 janvier 2020]

———, « Survol de la LPRPDE », 2018 <https://www.priv.gc.ca/fr/sujets-lies-a-la-protection- de-la-vie-privee/lois-sur-la-protection-des-renseignements-personnels-au-canada/la-loi-sur- la-protection-des-renseignements-personnels-et-les-documents-electroniques-

lprpde/lprpde_survol/> [consulté le 25 janvier 2020]

Commission de l’éthique en science et en technologie, Les Effets de l’intelligence Artificielle Sur

Le Monde Du Travail - Document de Réflexion (Gouvernement du Québec, 2019)

Commission Européenne, Règlement Général Sur La Protection Des Données (RGPD), 2016 <https://ec.europa.eu/info/law/law-topic/data-protection/data-protection-eu_fr>

Conseil d’État, Le Numérique et Les Droits Fondamentaux (Paris, 2014)

Cukier, Kenneth Neil, and Viktor Mayer-Schoenberger, « The Rise of Big Data », 2013