Le casse-tête de la gestion des ressources humaines au travail: l’IA est-elle la solution?

Gérer efficacement les personnes au travail n’a jamais été simple. Dans le recrutement, la tâche est devenue encore plus complexe avec les candidatures en ligne et, plus récemment, l’IA générative, qui ont entraîné une explosion du volume de candidatures. En conséquence, le tri des candidats est devenu plus lourd, poussant les employeurs à s’appuyer de plus en plus sur la technologie pour les aider dans ce processus. Le recrutement constitue ainsi un exemple emblématique du « paradoxe de l’automatisation »[1], selon lequel chaque problème que la technologie tente de résoudre crée un nouveau problème à résoudre.

Ce besoin, combiné à des milliards de dollars investis dans les outils assistés par l’IA, a profondément transformé la gestion des ressources humaines. Pourtant, la course à l’automatisation des fonctions RH dépasse notre compréhension réelle de l’efficacité de ces systèmes.

Dans un récent document de travail de l’OIT, ma coautrice, Hannah Johnston, et moi-même évaluons l’efficacité de différentes applications de l’IA dans quatre fonctions essentielles des RH : le recrutement, la rémunération, la planification du travail et la gestion des performances. Pour évaluer les outils d’IA utilisés dans ces domaines, nous appliquons un cadre fondé sur trois paramètres :

1. l’objectif – ce que le système cherche à accomplir ;
2. les données sur lesquelles il est entraîné et qu’il utilise ;
3. la manière dont il est programmé.

La qualité de chacun de ces paramètres distingue les systèmes performants de ceux qui ne le sont pas.

Définir l’objectif n’est pas si simple

Si définir l’objectif d’un système peut sembler simple en apparence, cela ne l’est pas dans la pratique. Pour des objectifs neutres et directs – comme déterminer l’itinéraire le plus court entre deux lieux – il est facile de s’appuyer sur des variables identifiables et pertinentes, et les résultats sont faciles à interpréter. Mais la plupart des fonctions des ressources humaines impliquent « la matière charnelle, désordonnée et indéterminée de la vie quotidienne »[2], ce qui crée des défis pratiques. Bien sûr, nous voulons recruter le meilleur candidat pour un poste, mais comment définir un bon candidat ? Oui, nous voulons des employés travailleurs, engagés et compétents, mais comment identifier les données nécessaires pour qu’un système d’IA puisse évaluer efficacement les performances ?

Une organisation ayant décidé d’utiliser l’IA pour le recrutement avait défini son objectif comme la sélection de candidats possédant un « état d’esprit de croissance » (“growth mindset”). Le système d’IA a alors été programmé pour identifier et noter les candidats lors de leur entretien selon leur utilisation de mots tels que « croissance », « développement » et « apprentissage ». Cette qualité humaine complexe a ainsi été réduite à un simple comptage de fréquence de mots, soulevant des questions fondamentales quant à savoir si le système mesurait réellement quelque chose de pertinent.

La qualité et la pertinence des données sont essentielles

Les limites des données sont au cœur de nombreuses critiques adressées à l’IA, avec trois préoccupations majeures. La première concerne la qualité des données. Les systèmes d’IA reposent sur des données d’entraînement pour apprendre les connexions et les modèles qui constituent la base de leurs décisions. Lorsque ces données sont de mauvaise qualité, les résultats produits le sont également. Comme le dit l’adage : « garbage in, garbage out » (« des données médiocres produisent des résultats médiocres »).

La deuxième question concerne la pertinence des données. Dans les systèmes d’IA développés en interne, les données d’entraînement proviennent des opérations passées de l’organisation. En revanche, les systèmes « prêts à l’emploi » conçus pour être vendus à des tiers utilisent des données compilées à partir de différentes sources disponibles, parfois achetées sur le marché croissant des données. Souvent, ces données ne reflètent pas les caractéristiques de l’organisation qui acquiert le système, ce qui soulève des inquiétudes quant à leur représentativité.

Les données doivent également avoir du sens. Comme les systèmes d’IA fonctionnent grâce aux données, il existe une recherche permanente de nouvelles données à intégrer dans les modèles. Dans le recrutement, cela peut signifier l’intégration d’informations issues de l’activité des candidats sur les réseaux sociaux, mais aussi d’autres évaluations, notamment des tests cognitifs, de personnalité ou de jugement situationnel, souvent présentés sous forme de jeux. Un jeu demandait par exemple aux candidats de gonfler un ballon numérique en échange d’une récompense, prétendument pour mesurer leur propension à prendre des risques et leur temps de réaction.[3] De même, des applications mesurant l’activité en ligne des employés en enregistrant les frappes au clavier, en prenant des captures d’écran aléatoires ou en surveillant leur présence en ligne peuvent indiquer si un travailleur est actif sur son écran. Mais le temps passé devant un écran ne devrait pas être assimilé à la qualité du travail accompli.

Il est important de rappeler que les systèmes d’IA n’ont pas de théorie propre : ils construisent et prédisent des modèles à partir des données. Il est donc nécessaire de disposer d’une théorie des ressources humaines pour guider le choix des données à collecter. Sinon, si les données alimentant le système n’ont aucun sens, comment un responsable RH est-il censé interpréter les résultats ?

Ces exemples montrent également que la critique souvent avancée selon laquelle les données ne sont pas représentatives, bien que valable, n’est pas le seul problème. On pourrait intégrer des données plus représentatives concernant les scores des personnes dans le jeu du ballon numérique, mais cela ne permettrait toujours pas de déterminer si ces données constituent réellement un indicateur fiable de performance.

La transparence dans la prise de décision est essentielle pour comprendre les résultats

Les algorithmes sont au cœur des systèmes d’IA et jouent un rôle central dans la prise de décision. Ils peuvent être définis comme un ensemble de règles exécutées à travers un code informatique dans un objectif précis. Alors que les algorithmes les plus simples exécutent simplement une liste d’instructions prédéfinies, ces instructions reflètent néanmoins la vision de la personne qui les a programmées, ainsi que les biais intentionnels ou non qu’elle peut avoir. Les algorithmes d’apprentissage automatique, comme ceux utilisés dans les systèmes d’IA, sont eux aussi développés et déployés par des humains, mais ils ajoutent une couche supplémentaire d’opacité. À mesure que le système évolue, son fonctionnement peut devenir difficile à comprendre, même pour ceux qui l’ont conçu.

Dans un exemple frappant, des chercheurs ont constaté qu’une offre d’emploi neutre du point de vue du genre dans le domaine des STEM publiée sur une plateforme de réseaux sociaux était affichée de manière disproportionnée à des hommes, non pas en raison d’un ciblage explicite, mais parce que l’algorithme de la plateforme avait « appris » qu’il était moins coûteux de faire de la publicité auprès des hommes et avait donc optimisé sa diffusion en conséquence.[4]

Que doivent faire les responsables RH ?

Dans de nombreuses applications d’IA pour les RH, les systèmes fonctionnent avec un niveau élevé d’autonomie et d’automatisation, nécessitant très peu d’intervention de la part de ceux qui les utilisent. Le travail des professionnels des ressources humaines est essentiellement externalisé vers des technologies prêtes à l’emploi, « faciles à utiliser » et préconfigurées. Mais c’est précisément là que réside le problème : les systèmes sont peut-être « faciles à utiliser », mais leurs utilisateurs comprennent mal ce qu’ils utilisent, comment cela fonctionne et ce que signifient réellement les résultats obtenus.

Pour remédier à cette lacune, les responsables RH doivent participer à la conception, à la mise en œuvre et à la supervision des systèmes d’IA. Et pour les fonctions RH liées à l’organisation et à l’évaluation du travail (comme la planification du travail et la gestion des performances), il est également nécessaire d’impliquer les travailleurs eux-mêmes. Il existe des exemples montrant que cela peut être fait efficacement. Une grande multinationale a consacré deux ans à développer et ajuster un système d’IA pour le recrutement, en impliquant les professionnels RH tout au long du processus, et a finalement adopté un modèle hybride humain-IA avec des résultats explicables.[5] Dans un autre exemple, une entreprise de télécommunications a co-conçu un système de planification avec ses techniciens de terrain, ce qui a permis une amélioration de 10 % de la productivité et une réduction de plus d’un tiers des absences liées à la santé mentale.[6]

Impliquer toutes les parties prenantes dans la conception des systèmes d’IA permet de répondre aux trois piliers des systèmes d’IA : clarifier l’objectif, garantir que les données utilisées sont adaptées à cet objectif et à ce contexte, représentatives et transparentes, et veiller à ce que la programmation prenne en compte les différentes situations auxquelles le système est susceptible d’être confronté.

Un tel engagement significatif des parties prenantes allongera le temps de développement et de mise en œuvre et exigera également que les professionnels RH acquièrent une compréhension plus approfondie et plus complète de l’IA. Cet investissement est à la fois nécessaire et utile.