Uber et la précarité algorithmique

Dhraagiconseil · 3 septembre 2025 · XLZL

Uber, management algorithmique et précarité numérique : une plongée critique à partir de deux études (Columbia & Oxford)

« Les algorithmes ne dorment jamais. Et pour les chauffeurs d’Uber, cela signifie souvent travailler plus pour gagner moins. »

1) D’où parlent les études, et de quoi parlent-elles ?

1.1. Deux institutions, deux traditions de recherche

Columbia Law School (USA). École de droit de premier plan, ancrée dans l’analyse des rapports entre droit, économie et société. L’étude de Zane Muller y est publiée dans le Columbia Journal of Law and Social Problems et examine les dommages causés par les algorithmes aux travailleurs des plateformes et les leviers juridiques pour y répondre. (1)
University of Oxford (UK), Department of Computer Science. L’équipe de Reuben Binns, Jake Stein, Siddhartha Datta, Max Van Kleek et Nigel Shadbolt mène un audit participatif avec des chauffeurs, fondé sur 1,5 million de courses Uber au Royaume-Uni. L’étude a été présentée à ACM FAccT 2025.(2)

1.2. Les auteurs, rapidement

Zane Muller (Columbia) : juriste, « droit & société », focalisé sur l’opacité algorithmique, les asymétries d’information et les recours en droit des contrats et des délits face aux plateformes.
Reuben Binns, Jake Stein et al. (Oxford) : spécialistes data science et éthique des algorithmes ; ils co-construisent leur protocole avec des chauffeurs et des organisations de travailleurs (Worker Info Exchange), pour ouvrir la boîte noire du pricing dynamique d’Uber.

1.3. Un objet commun

Les deux études interrogent le management algorithmique d’Uber et ses effets concrets : rémunération, stabilité, dignité, droits. L’une part du droit (Columbia), l’autre des données massives et de l’audit participatif (Oxford).

2) Uber et la gig economy : promesses, lobbying et vide normatif

2.1. Le récit d’Uber

Uber se présente comme une “technology company” qui « connecte » une offre et une demande, et non comme un opérateur de transport. Ce cadrage sémantique vise à éviter la requalification en employeur et les obligations afférentes. La justice américaine a déjà rappelé que « Uber ne vend pas (seulement) un logiciel ; Uber vend des trajets » (affaire O’Connor v. Uber, juge Edward Chen).

2.2. Expansion et lobbying à grande échelle

Muller documente une stratégie d’entrée de marché agressive (opérer d’abord, négocier ensuite), adossée à un appareil de lobbying hors norme : 250 lobbyistes en 2015, 370 en 2016, et des lois TNC adoptées dans la quasi-totalité des États, souvent préemptant le pouvoir des villes et sécurisant la non-salariatisation des chauffeurs.

2.3. Pourquoi le droit patine

La classification (salarié/indépendant) a généré une législation hétérogène et des contentieux « sans résolution » : beaucoup d’arrêts et de transactions, mais peu de stabilité. Plusieurs propositions émergent : troisième statut, mise à jour des lois sociales, ou carve-outs ciblés.

Point-clé : en attendant des réformes robustes, l’algorithme devient un manager invisible dont les choix s’accumulent en pertes pour les chauffeurs, même lorsqu’elles paraissent marginales à l’échelle d’une course.

3) Étude Columbia (Muller) : les dommages « by design » et les voies de droit

3.1. De l’asymétrie d’information au préjudice

Les plateformes jouissent d’un avantage informationnel massif : elles voient tout et fixent les règles via des algorithmes opaques. Ce pouvoir nourrit des harms (dommages) récurrents : quelques centimes ou pourcents perdus à chaque transaction deviennent des milliers sur un an, et des millions sur une classe de chauffeurs.

3.2. Pourquoi les contentieux de statut ne suffisent pas

Même quand la requalification progresse localement, l’architecture algorithmique peut continuer de déplacer le risque économique vers les chauffeurs (temps mort, course sous-tarifée, pénalités implicites). Muller plaide pour élargir le regard : ne pas réduire la protection au seul statut, mais sanctionner les mécanismes qui produisent le préjudice.

3.3. Leviers juridiques mobilisables

Droit des contrats : devoir de bonne foi, transparence sur les règles de tarification et de dispatch, non-dénaturation de l’objet du contrat (ex. promettre une commission fixe et en pratiquer une autre de fait).
Droit des délits (torts) : fausse représentation, pratiques trompeuses, négligence de conception si l’algorithme cause un préjudice prévisible et répété.
Droit de la concurrence / antitrust : remettre en cause les interdictions de s’organiser qui frappent les indépendants et empêchent des négociations collectives efficaces.

3.4. Le calcul des dommages

La granularité et la répétition obligent à penser des modèles de réparation agrégée : un léger biais dans le dispatch ou la tarification multiplie les pertes au fil des courses. Muller insiste : la récurrence change d’échelle et doit changer la façon de chiffrer le dommage.

4) Étude Oxford (Binns, Stein et al.) : ce que montrent 1,5 million de courses

4.1. Un audit participatif inédit

L’équipe développe une worker data science avec Worker Info Exchange (WIE) : 258 chauffeurs envoient leurs DSAR (droits d’accès aux données) ; les chercheurs nettoient et agrègent des fichiers de paiement et de courses sur la période 2014-2024, avec une focalisation avant/après le dynamic pricing (2023).

4.2. Deux définitions du « temps de travail »

Les auteurs comparent le revenu horaire selon deux définitions :

Définition Uber : uniquement le temps en route ou en course.
Définition du tribunal britannique : tout le temps connecté (attente incluse).

Résultat : écart majeur : £29,46/h avec la définition Uber contre £15,98/h avec la définition tribunal (moyennes 2020-2024, hors coûts du chauffeur).
De plus, après le passage au dynamic pricing, le revenu horaire baisse en réel selon les deux définitions (ex. £22,20 → £19,06 sur la définition tribunal, en monnaie constante).

4.3. Le temps d’attente explose

Les chauffeurs passent plus d’une heure de plus par semaine en standby depuis 2022 ; depuis 2023, ils attendent plus qu’ils ne roulent avec un passager. L’utilisation se détériore.

4.4. De la commission fixe à la prise variable (take rate)

Avant 2023, Uber communiquait une commission “25 %”. Avec le dynamic pricing, le prix client disparaît des relevés hebdomadaires (rendant opaque la part Uber par course). Les auteurs reconstituent les take rates : la médiane passe de 25 % à 29 %, avec des courses > 50 % de prélèvement pour Uber. Uber capte davantage sur les trajets les plus chers, désalignant intérêts client-chauffeur. Le surplus horaire d’Uber (hors coûts non-chauffeur) augmente de 38 % : £8,47 → £11,70.

Témoignage en atelier : « La cliente a payé £64, j’ai touché £32. » ; « Ils ont coupé la visibilité, on ne sait plus ce qu’ils prennent. »

4.5. Inégalités accrues entre chauffeurs

Sur un sous-panel 114 chauffeurs suivis un an avant/après 2023 : revenu horaire moyen £18,52 → £17,07, 93 chauffeurs perdent, 21 gagnent. Les écarts se creusent après 2023, avec quelques reconvergences fin 2024. Les hauts revenus affichent un profil d’acceptation et de take rate différent (plus de courses autour de 76 % côté chauffeur).

4.6. La fin de la prédictibilité

Les chercheurs testent des modèles de prédiction des revenus par course (60+ variables). Avant 2023, les modèles fonctionnaient. Après, la performance s’effondre : les règles changent trop vite pour que l’expérience acquise reste utile. Le savoir tacite des chauffeurs est invalidé.

Le PDG d’Uber évoque un ciblage “le bon trajet, au bon prix, au bon chauffeur” selon préférences et comportements : l’algorithme associe un prix et un trajet à une personne, en temps réel.

5) Lectures croisées : quand le droit rencontre les données

5.1. Trois convergences fortes

Opacité : les deux études montrent que l’information cruciale (prix client, take rate, dispatch, critères, pénalités) échappe au chauffeur. Le dynamic pricing décorrèle prix client et revenu chauffeur.
Transfert du risque : attente non payée, imprévisibilité, variabilité du prélèvement ; l’algorithme externalise la volatilité sur le chauffeur.
Dignité et pouvoir d’agir : la prédictibilité disparaît, le levier d’optimisation du chauffeur s’effrite. Refuser une course mal payée fait peur si l’on craint une “punition” du dispatch.

5.2. Deux focales complémentaires

Muller (droit) : cartographie des failles (classification, arbitrage, antitrust) et pistes de recours (contrats/délits), insistant sur la cumulativité des dommages micro.
Binns et al. (données) : mesures fines de la dégradation : baisse du revenu réel, hausse du surplus Uber, dilution de la prédictibilité et hausse du standby.

6) Décryptage technique : comment l’algorithme « manage » le travail

6.1. Du prix temps-distance au prix personnalisé

Le passage du tarif temps/distance + commission fixe à un prix anticipé puis à un prix dynamique ouvre la porte à un pilotage fin : prédire durée, distance, disposition du chauffeur, probabilité d’acceptation, willingness-to-work, etc. L’algorithme peut moduler le prix présenté au chauffeur et au client, course par course.

6.2. Des incitations qui contraignent

Plus l’acceptation baisse, plus le chauffeur redoute l’« invisibilisation » par le dispatch ; il accepte alors des courses plus faibles. Le contrôle est indirect, algorithmique, mais réel.

6.3. La variabilité comme stratégie

Les auteurs d’Oxford montrent que la distribution des take rates s’est élargie (y compris < 50 % et > 100 % côté chauffeur sur certaines courses) et, surtout, que plus la course est chère, plus Uber prend et moins le chauffeur gagne par minute — en absolu. C’est contre-intuitif et dé-incitatif.

7) Étendue des effets : revenus, temps, inégalités, dignité

7.1. Revenus

Écart de définition du temps de travail (15,98 £/h vs 29,46 £/h).
Baisse en réel après dynamic pricing.

7.2. Temps

Standby en hausse (1 h+ / semaine) et, souvent, > temps en course. Le risque de sous-activité est supporté par les chauffeurs.

7.3. Inégalités

93/114 chauffeurs perdent après 2023 ; 21 gagnent. Les courbes divergent nettement post-2023.

7.4. Dignité et sens du travail

Les ateliers rapportent un sentiment de dépossession : ne pas savoir combien Uber prend, ne pas pouvoir prévoir son revenu, craindre les sanctions invisibles.

8) Que peut faire le droit ? (pistes inspirées de Muller, éclairées par Oxford)

8.1. Rendre actionnables les dommages « micro »

Reconnaître que des micro-pertes récurrentes constituent un préjudice agrégé réparable, même si chaque course ne « coûte » que quelques centimes.

8.2. Contrats : transparence et bonne foi

Imposer la clarté sur la méthode de tarification et le take rate (y compris par course, pas seulement en moyenne).
Sanctionner les écarts entre promesse et réalité (ex. commission « 25 % » vs médiane 29 %, pics > 50 %).

8.3. Délits (torts) : fausse représentation & négligence

Si la conception ou l’opération algorithmique crée un biais prévisible et nuisible (ex. désalignement systématique sur les courses chères), la responsabilité civile peut être engagée.

8.4. Gouvernance des algorithmes

Audits indépendants et itératifs (accès à des échantillons de données, journalisation des règles de pricing/dispatch).
Droit à l’explication opérationnelle pour les décisions ayant un impact économique significatif sur le travailleur. (Les résultats d’Oxford montrent que sans données, la preuve est difficile.)

9) Action collective et « worker data science »

9.1. Le précédent WIE

Le protocole DSAR → audit participatif a prouvé son utilité : il met au jour la variabilité du take rate, la hausse du surplus d’Uber (+38 %) et l’effondrement de la prédictibilité.

9.2. Un modèle réplicable

Des collectifs peuvent outiller les travailleurs pour agréger leurs données, co-modéliser les effets (acceptation, zones, horaires) et documenter des préjudices répétitifs — matière première d’actions collectives et d’audits.

10) Encadrés pratiques

10.1. Lire sa paie « à la manière du Tribunal »

Toujours calculer son revenu horaire en intégrant l’attente connectée (standby) : c’est le temps de travail réel retenu par la justice britannique. Comparer ensuite à la version Uber pour mesurer l’écart.

10.2. Suivre son take rate réel

Historiser, semaine par semaine, prix client (quand visible) et paie chauffeur par course. Repérer les pics (ex. > 50 %) et les écarts sur grosses courses ; c’est ici que la désaligne apparaît le plus.

10.3. Attention aux stratégies d’acceptation

Un faible taux d’acceptation peut altérer le dispatch perçu. Les données britanniques suggèrent des différences d’issues selon les profils d’acceptation et de take rate. Tester prudemment, noter, comparer.

11) Limites méthodologiques et prudence d’interprétation

L’étude d’Oxford reconnaît ses limites : 258 chauffeurs sur le Royaume-Uni, biais d’auto-sélection (conducteurs motivés par WIE), confusions possibles avec d’autres facteurs (demande, trafic, taille de la workforce). Néanmoins, les tendances sont cohérentes, robustes et documentées sur 1,5 million de courses.

12) Perspectives comparées (lecture à partir des études)

Royaume-Uni : la Cour suprême a étendu la définition du temps de travail (incluant l’attente connectée). L’étude Oxford s’aligne sur ce standard pour l’un des deux indicateurs de paie.
États-Unis : l’affaire O’Connor illustre la contestation de la fiction “tech only” ; en parallèle, le lobbying a favorisé des lois TNC qui sécurisent l’indépendance dans de nombreux États.

13) Recommandations de politique publique (fondées sur les résultats)

Transparence par défaut
- Révélation du prix client et du take rate par course (pas seulement moyenne hebdomadaire).
- Journalisation technique (log) des versions du modèle et des règles de dispatch/pricing, pour audits.
Audits algorithmiques indépendants
- Accès sécurisé à des samples trip-level ; contre-expertises régulières, incluant la mesure de l’imprévisibilité et de la variabilité des prélèvements.
Reconnaître les dommages agrégés
- Intégrer la récurrence des micro-pertes dans le chiffrage des réparations et des sanctions.
Droit des contrats & des délits
- Encadrer les clauses qui masquent les paramètres de rémunération.
- Sanctionner la fausse représentation ou la rétention d’information lorsque cela porte atteinte au revenu.
Soutenir la worker data science
- Financer des outils DSAR, des cohortes de données ouvrières et des cliniques universitaires droit-data.

14) Conclusion : gouverner l’algorithme, pour rendre le travail à ceux qui le font

Les deux études racontent la même histoire, vues de deux rives :

Côté droit (Columbia), l’algorithme déplace le risque, captive l’information, et minimise les voies de droit traditionnelles ; il faut réarmer le contrat et la responsabilité.
Côté données (Oxford), l’algorithme dégrade le revenu réel, augmente le surplus capté, accroît l’attente, ravive les inégalités et désoriente les stratégies des chauffeurs.

Tant que la boîte noire n’est pas ouverte, l’autonomie proclamée restera un mirage. Il est temps de gouverner les algorithmes qui gouvernent le travail : transparence, audits, réparations et pouvoir d’agir des chauffeurs — avec leurs données.

Les chauffeurs doivent apprivoiser, voire dresser l’algorithme, en France les accords de l’ARPE facilitent cette prise de pouvoir. DhraagiConseil peut vous aider.