| Titre | Gaining transparency in Uber's algorithmic management | |
|---|---|---|
| Auteur | Jessica Pidoux, Sofia Kypraiou, Paul-Olivier Dehaye | |
 |
Revue | Socio |
| Numéro | no 20, 2025 Le travail des algorithmes | |
| Page | 41-64 | |
| Résumé |
Cette étude empirique met en lumière la gestion algorithmique par Uber et présente la première estimation du temps de travail des chauffeurs Uber à Paris afin comprendre comment les plateformes numériques transforment les temporalités du travail. Nous fondant sur les données personnelles de 12 chauffeurs parisiens, nous démontrons comment Uber organise le travail des chauffeurs à travers l'allocation des courses et le calcul des distances selon trois unités de temps de travail distinctes : la recherche de clientèle, l'approche vers la clientèle et la conduite de la clientèle. L'analyse des données montre que les chauffeurs travaillent de plus en plus d'heures et parcourent davantage de kilomètres dans la recherche d'une potentielle clientèle, ce qui constitue un travail non rémunéré mais essentiel pour les algorithmes de la plateforme. De plus, l'importante variabilité du temps de travail et des tarifs générés dépend du comportement du marché qui est invisible pour les chauffeurs. Néanmoins, cette dépendance, ainsi que les pertes et gains économiques qui en découlent se répercutent individuellement sur les chauffeurs en tant que « risque de prédictibilité algorithmique ». En effet, les données des chauffeurs sont contrôlées par Uber pour faire des prédictions automatisées de l'offre et de la demande uniquement au bénéfice de la plateforme. Source : Éditeur (via OpenEdition Journals) |
|
| Résumé anglais |
This empirical study sheds light on Uber's algorithmic management and provides the first calculation of working time with Uber drivers in Paris to understand the way digital platforms transform the temporalities of work. Based on the personal data of 12 Parisian Uber drivers, we show how Uber organizes drivers' work through the allocation of trips and calculation of distances according to three distinct working-time units: “searching for, approaching, and driving with passengers”. The data analyses show that drivers are increasingly working hours and driving kilometers for the platform when searching for passengers, which is unpaid work but crucial for algorithmic operations. In addition, the significant variability in working hours and rates generated depends on the behavior of the market, which is invisible to drivers. Nevertheless, this dependence and the resulting economic losses and gains are passed on to drivers individually as “algorithmic predictability risk”. Indeed, drivers' data are controlled by Uber to make automated predictions of supply and demand for the benefit of the platform exclusively. Source : Éditeur (via OpenEdition Journals) |
|
| Article en ligne | https://journals.openedition.org/socio/17490 |
