Après le “SIRH”, va-t-on voir apparaître le “A.I. RH” ?

Après le “SIRH”, va-t-on voir apparaître le “A.I. RH” ?
Blog > > Après le “SIRH”, va-t-on voir apparaître le “A.I. RH” ?

cHRonique #12

Les cas d’usage IA (Intelligence Artificielle) dans les Ressources Humaines se développent, aussi bien dans le recrutement que dans la relation employé. Si la presse américaine s’enthousiasme des possibilités de “débiaiser les process de recrutement grâce à l’IA”, c’est exactement l’inverse qui est relayé en France “Recrutement : comment débiaiser l’IA ?”. La diversité des positions sur le sujet est le signe de différences de maturité et d'approche des directions RH sur la question de la data. Nous passons ici en revue plusieurs cas d'usage de l'IA dans pour les directions RH et proposons une approche des "petits pas" pour aborder ces nouveaux sujets très prometteurs mais aussi potentiellement risqués. 

 

De l’IA dans le recrutement 

Le domaine le plus médiatisé est aujourd’hui celui de l’IA dans le recrutement. Il regroupe lui même plusieurs cas d’usage : 

  • L’utilisation d’algorithmes NLP (Natural Language Processing : lecture de texte par la machine) pour passer en revue et exclure les CV sur certains critères.

    • Objectif : gagner du temps sur le filtre des CV

    • Données utilisées : CV de candidats, règles d’exclusion ou historique de “Bons CV” 

  • Le scoring de candidats / tests de personnalité particulièrement fins permettant de “prédire” la réussite dans le poste à moyen terme ainsi que la correspondance avec la culture d’entreprise.

    • Objectif : prédire la réussite dans le poste et/ ou la compatibilité avec la culture d’entreprise grâce à un score

    • Données utilisées : test passés par les employés actuels de l’entreprise considérés comme “bons performeurs” sur le poste considéré, comparé aux tests des candidats

  • Chatbot de recrutement : construire un robot qui va pouvoir répondre aux candidats sur des questions simples sur le process de recrutement et sur l’entreprise.

    • Objectif : fluidifier et faciliter le recrutement grâce à des réponses plus rapides au candidat via un canal de message texte

    • Données utilisées : historique des questions des candidats et réponses des RH

Dès le recrutement il devient donc possible d’utiliser les données massives pour optimiser les process RH et proposer une expérience candidat moderne et fluide et une plus grande efficacité et pertinence côté entreprise.

 

L’IA durant la vie du salarié

De la même manière que pour le recrutement, il est possible d’utiliser les données des salariés pour simplifier certaines tâches :

  • Evaluation dans le cadre d’une promotion : il s’agit ici d’identifier les caractéristiques qui déterminent le succès dans un poste, grâce aux données de toutes les personnes qui ont "réussi" sur un poste similaire. On pourra ensuite comparer les candidats  au profil type "à succès".

    • Objectif : obtenir une probabilité de réussite dans un poste

    • Données utilisées : historique de performance, évaluations, formations effectuées, caractéristiques des postes occupés (nombre de personnes managées par exemple, budget géré…)

  • Prédiction du turnover pour anticiper et prévenir les mouvements externes.

    • Objectif : prédire lorsqu’un collaborateur est susceptible de quitter l’entreprise

    • Données utilisées : données d’évaluation, données des absences prévues, temps de trajet, mode de déplacement, longévité dans le dernier poste, données de l’équipe à laquelle il appartient et du manager en particulier...

  • Chatbot salarié pour fluidifier l'interaction avec les salariés.

    • Objectif : déployer un robot en ligne qui réponde aux préoccupations des salariés (droit à la retraite, assurance maladie…)

    • Données : documentation RH, historique des mails échangés entre salariés et RH.

 

Quelles limites pour ces cas d’usage

Les limites de ces cas d’usage sont de trois natures : les limites liées aux modèles mathématiques, les limites liées aux données, et enfin les limites liées aux comportements humains.

Sur les modèles

    • Les algorithmes en eux même ne sont ni bons ni mauvais, ils vont dans la plupart des cas simplement se nourrir des données historiques qui leur seront fournies. Ils vont donc majoritairement reproduire les mêmes résultats que les décisions humaines avec une efficacité (temporelle) bien meilleure.

    • Cependant on distingue les modèles explicables/ intelligibles (qui fournissent une explication du score ou du résultat donné) des modèles “blackbox” (comme les réseaux de neurones), dont il est très difficile ou impossible d’expliquer le résultat. Le capital confiance dans la machine n’est donc pas immédiat.

    • Enfin il ne faut pas oublier que les modèles aussi ont besoin de "feedback", à la fois positif et négatif. Il faudra ainsi les recalibrer en continu en approuvant ou non ses prédictions. Si un candidat sélectionné a été perfomant, il faudra confirmer la prédiction, s’il n’a finalement pas été performant, il faudra également donner l’information au modèle. Comment cependant l’informer lorsqu’il n’a pas sélectionné un candidat qui en fait aurait été parfait pour la promotion / le poste ? C’est aujourd’hui un problème clé de ces algorithmes d’apprentissage.

 

Sur les données

    • Si vos règles de sélection de CV ou de sélection de candidat sont historiquement biaisées, demander aux algorithmes de les apprendre par coeur ne les rendra pas meilleures. De la même manière si vous n’avez promu que des hommes dans votre entreprise, l’algorithme n’aura pas l’idée de promouvoir une femme.

    • Pas de solution miracle donc, si ce n’est de “débiaiser” les données d’apprentissage en amont (faire en sorte que l’échantillon des CV sur lesquels l’algorithme va apprendre soit sans biais, créer des fausses données d'apprnetissage) ou inclure des règles dans l’algorithme a posteriori (par exemple en ajoutant une règle explicite “il doit y avoir autant de femmes sélectionnées que d’hommes”). Mais n’est ce pas un risque de “re-biaiser” différemment que de “débiaiser” manuellement des données ?

 

Sur les comportements humains

    • Dernière limite enfin, les comportements humains qui vont avoir tendance à s'adapter à ce qui est mesuré. Rien de nouveau ici sauf que l'automatisation change l'échelle du problème : si l'on déploie un modèle pour évaluer 10 000 personnes, la capacité à rentrer dans les cas spécifiques sera limitée. Un exemple concret : aux états-unis, les professeurs d'un périmètre donné avaient été notés sur plusieurs années grâce à un modèle d'IA. Le modèle privilégiant les professeurs qui faisaient "progresser leurs élèves" donnait une grande importance à l'évolution des notes des élèves. Conséquence : les professeurs malhonnêtes qui gonflaient les notes artificiellement au cours de l'année étaient finalement très bien notés. Quant aux professeurs honnêtes, ils récupéraient l'année suivante des classes théoriquement très avancées et les faisaient "régresser" du point de vue du modèle...

    

Pour aller plus loin sur l'ensemble de ces limites, nous ne pouvons que recommander l'ouvrage de Cathy O'Neil Les algorithmes : la bombe à retardement  qui analyse des cas concrets (recrutement, promotion, justice, optimisation des patrouilles de police, ciblage marketing...) qui se sont révélés dangereux après avoir été mis en place.

Cette prise de conscience encourage à l'humilité et à une transformation IA “pas à pas” : par exemple, avant de prédire, commencer par comprendre.

 

Un premier pas : le HR Analytics

Choisir des données à intégrer dans un modèle pour effectuer une prédiction signifie que l’on a déjà compris quelles données étaient pertinentes (et idéalement pourquoi). Aujourd’hui la culture data est encore récente et beaucoup de Direction RH ne sont pas encore structurées pour récolter des données de qualité. Le premier pas consiste donc à "processer" cette récolte de données.

Le second pas consiste à utiliser cette donnée avec humilité sur des cas d'analyse et non de prédiction :

  • Mesurer l’impact du télétravail sur la performance à l’échelle individuelle, d’une équipe ou de l’entreprise.

  • Comprendre (ou valider son intuition) les facteurs qui génèrent de l’absentéisme ou des départs.

C’est seulement dans un troisième temps, après avoir déjà "pratiqué" la donnée que l’utilisation de modèles prédictifs pourra se montrer pertinente.

 

De l’utilisation raisonnée de la technologie au service de l’humain

Il est aujourd’hui tentant d’accélérer la transformation technologique car il semble techniquement possible de le faire et que nous nous sentons toujours “en retard”. Les fonctions RH ont la tâche difficile d’accompagner le changement technologique dans l’entreprise, tout en étant garant de la place de l'humain. Leur rôle devra t-il à l'avenir être de cadencer la transformation pour que celle-ci reste humainement possible à suivre ?

Ces questionnements nous animent particulièrement chez Simundia puisque nous accompagnons la transformation des entreprises par le coaching professionnel grâce à la technologie. Nous cherchons donc en permanence à identifier la valeur qu'apporte la technologie (via notre plateforme) tout en mettant l'humain au centre (notre méthodologie de coaching).

Écrit par Olivier Wautier
Le 6 décembre 2019