Scale AI occupe une place dans les coulisses de l’intelligence artificielle : celle de la préparation des données et de la mesure des performances des modèles. Installée à San Francisco, l’entreprise américaine aide ses clients à transformer des contenus bruts en ressources utilisables pour entraîner, ajuster ou tester leurs systèmes. Son positionnement repose sur une combinaison de logiciels, de processus de contrôle qualité et d’interventions humaines. Son site, scale.com, présente des offres destinées aussi bien aux développeurs de modèles qu’aux organisations souhaitant déployer l’IA.
Des véhicules autonomes à l’IA générative
Scale AI est fondée en 2016 par Alexandr Wang et Lucy Guo. Elle se développe d’abord autour de l’annotation de données, notamment pour les véhicules autonomes. Reconnaître un piéton dans une image, délimiter un objet ou interpréter une scène routière exige des exemples correctement étiquetés : Scale industrialise cette préparation, indispensable à de nombreux projets d’apprentissage automatique.
L’entreprise élargit ensuite son activité à d’autres secteurs et formats de données. L’essor des grands modèles de langage déplace une partie des besoins : il ne suffit plus d’identifier des objets, il faut également apprécier la pertinence d’une réponse, comparer plusieurs productions ou vérifier le respect de consignes. Scale adapte son offre à ces tâches, qui mobilisent parfois des compétences spécialisées.
Préparer, améliorer et évaluer les modèles
Le cœur de son activité consiste à organiser la production de données de qualité pour l’IA. Ses services couvrent l’annotation de textes, d’images, de vidéos et de données issues de capteurs. Les outils automatisés accélèrent certaines opérations, tandis que des contributeurs humains interviennent pour traiter les cas complexes et contrôler les résultats. La valeur recherchée tient autant à la fiabilité des annotations qu’à leur cohérence avec les objectifs du client.
Dans l’IA générative, Scale fournit aussi des données et des retours humains permettant d’améliorer les réponses des modèles après leur entraînement initial. L’évaluation prend une importance croissante : mesurer les erreurs, éprouver la robustesse et repérer des comportements indésirables devient une étape du passage en production. L’entreprise développe parallèlement des solutions pour exploiter l’IA sur les données internes des organisations. Elle travaille également avec le secteur public américain et la défense, notamment autour de sa plateforme Donovan.
Et maintenant ?
En juin 2025, l’investissement majeur de Meta dans Scale AI et le départ d’Alexandr Wang vers Meta ont ouvert une nouvelle phase de son histoire. Ce rapprochement pose une question stratégique pour un fournisseur intervenant auprès de plusieurs acteurs de l’IA : comment préserver la confiance de clients susceptibles d’être concurrents de son actionnaire ?
La suite dépendra notamment de sa capacité à répondre à la demande de données expertes et d’évaluations fiables, tout en protégeant les informations sensibles qui lui sont confiées. Les conditions de travail des contributeurs, la traçabilité des données et l’automatisation constituent également des enjeux durables. Pour Scale, l’enjeu est de rester utile au-delà de l’annotation, sur l’ensemble du cycle de développement des systèmes d’IA.