À première vue, le travail de livreur semble simple. Une commande apparaît, elle est acceptée ou refusée, puis s’enchaînent déplacement, attente et livraison. Une mécanique répétitive, presque rudimentaire. Pourtant, cette apparente simplicité masque une réalité bien plus complexe : chaque action, chaque décision, chaque déplacement alimente un système d’analyse en temps réel.
Contrairement à une idée répandue, les plateformes comme Uber ou Deliveroo ne négligent pas les livreurs. Elles ne s’y intéressent simplement pas en tant qu’individus. Elles les observent comme des unités opérationnelles.
C’est ce glissement — du travailleur vers la donnée — qui constitue le cœur du système.
1. Le passage au “management algorithmique”
Dans les modèles classiques, le travail est encadré par une hiérarchie humaine. Ici, cette fonction est remplacée par un système automatisé capable de traiter des milliers de variables simultanément. Ce mode d’organisation est connu dans la littérature scientifique sous le terme de management algorithmique.
Ce système remplit plusieurs fonctions simultanément :
- attribution des tâches
- évaluation de la performance
- adaptation des conditions de travail
- régulation des flux
Mais contrairement à un manager humain, il ne repose pas sur des impressions ou des jugements. Il repose sur des données.
2. Les variables réellement mesurées
Le cœur du système repose sur la collecte et l’analyse de variables opérationnelles. Ces variables ne sont pas abstraites. Elles correspondent à des éléments très concrets du travail quotidien.
Tableau 1 : principales variables suivies par le système
| Variable | Description | Impact sur le système |
|---|---|---|
| Temps de réponse | Délai entre proposition et acceptation | Influence la rapidité du dispatch |
| Taux d’acceptation | % de courses acceptées | Stabilise ou perturbe le flux |
| Vitesse moyenne | Temps réel de livraison | Impact direct sur satisfaction client |
| Temps d’attente restaurant | Durée sur place | Indicateur d’efficacité globale |
| Zones d’activité | Localisation habituelle | Optimisation géographique |
| Taux d’annulation | Courses abandonnées | Risque opérationnel |
Ces données sont collectées en continu et croisées entre elles. Individuellement, elles ont peu de valeur. Ensemble, elles permettent de construire un modèle comportemental.
3. Construction du profil opérationnel
À partir de ces données, le système construit ce que l’on peut appeler un profil opérationnel. Il ne s’agit pas d’un profil visible ou déclaré, mais d’un ensemble de probabilités.
Le système ne “sait” pas que vous êtes rapide. Il sait que, statistiquement, vous livrez plus vite que la moyenne dans certaines conditions.
Ce profil repose sur trois dimensions principales :
- fiabilité (acceptation, régularité)
- efficacité (vitesse, délais)
- prévisibilité (comportement stable ou non)
Tableau 2 : typologie simplifiée des profils opérationnels
| Type de profil | Caractéristiques | Conséquences probables |
|---|---|---|
| Stable | accepte régulièrement, rythme constant | forte intégration dans le système |
| Sélectif | refuse certaines courses | dispatch plus incertain |
| Opportuniste | connecté uniquement en peak | utile mais peu fiable |
| Lent | délais supérieurs à la moyenne | impact négatif sur flux |
| Irrégulier | comportement variable | difficile à modéliser |
Ce tableau est une simplification, mais il reflète une réalité observée : le système classe implicitement les comportements.
4. Le mécanisme central : prédiction et optimisation
Le fonctionnement global repose sur une logique simple mais puissante :
observer → modéliser → prédire → ajuster
Chaque nouvelle donnée vient affiner le modèle. Chaque comportement passé influence les décisions futures.
Par exemple, si un livreur refuse fréquemment les longues distances, le système peut réduire la probabilité de lui proposer ce type de course. Non pas pour le pénaliser, mais pour optimiser la probabilité d’acceptation.
Ce mécanisme est au cœur de la logistique moderne : il ne s’agit pas de contrôler directement, mais de réduire l’incertitude.
5. Illustration concrète (scénario réaliste)
Prenons une situation typique en centre-ville de Bruxelles.
Deux livreurs sont disponibles à distance équivalente d’un restaurant.
Tableau 3 : comparaison de deux profils
| Critère | Livreur A | Livreur B |
|---|---|---|
| Taux d’acceptation | 92% | 65% |
| Vitesse moyenne | rapide | moyenne |
| Régularité | élevée | variable |
| Refus longues distances | rare | fréquent |
Dans ce cas, le système attribuera plus probablement la course au livreur A.
Pourquoi ?
Parce que :
- probabilité d’acceptation plus élevée
- temps de livraison estimé plus court
- comportement plus prévisible
Ce choix n’est pas moral. Il est statistique.
6. L’opacité comme élément structurel
Un des aspects les plus frappants du système est son opacité. Les règles ne sont pas communiquées, les critères exacts ne sont pas connus.
Cette opacité remplit plusieurs fonctions :
- éviter les comportements stratégiques des livreurs
- maintenir la flexibilité du système
- permettre des ajustements constants
Des études ont montré que cette absence de transparence permet aux plateformes d’optimiser leurs résultats économiques sans exposition directe.
7. Impact sur les revenus et la perception du travail
Ce fonctionnement explique plusieurs phénomènes observés sur le terrain :
- journées très variables sans raison apparente
- impression d’injustice ou d’arbitraire
- difficulté à comprendre les logiques de gain
En réalité, ces variations sont souvent liées à des ajustements du système en fonction des données globales.
Tableau 4 : perception vs réalité
| Perception du livreur | Explication réelle |
|---|---|
| “Je n’ai pas de courses aujourd’hui” | saturation de l’offre ou profil moins prioritaire |
| “Hier c’était mieux” | variation de la demande et des algorithmes |
| “C’est aléatoire” | optimisation dynamique complexe |
8. Un modèle issu de la logistique avancée
Ce type de fonctionnement n’est pas spécifique aux plateformes de livraison. Il s’inscrit dans une évolution plus large de la logistique moderne :
- optimisation des flux en temps réel
- utilisation de modèles prédictifs
- réduction des coûts par automatisation
La différence ici, c’est que l’humain lui-même devient une variable logistique.
Conclusion
Le livreur n’est ni ignoré, ni réellement considéré. Il est modélisé.
Le système ne cherche pas à comprendre les individus. Il cherche à anticiper leurs comportements. Et pour cela, il transforme chaque action en donnée, chaque décision en signal, chaque trajet en information exploitable.
Dans ce cadre, le travail change de nature. Il ne disparaît pas, mais il devient une composante d’un système plus vaste, piloté par des logiques statistiques et économiques.
Ce que vous êtes n’entre pas en ligne de compte.
Mais ce que vous faites, chaque seconde, est mesuré, analysé et intégré.
Et c’est précisément ce qui permet au système de fonctionner.
Sources :
– Uber algorithmic management. Rosenblat & Stark (2016).
– Algorithmic management. Kellogg, Valentine & Christin (2020).
– Algorithmic control. Hall & Krueger (2018).