Essec Business School

knowledge S'inscrire à la newsletter

Intelligence artificielle et ressources humaines : et si on jouait à pile ou face ?

Intelligence artificielle et ressources humaines : et si on jouait à pile ou face ?

La vitesse à laquelle le cœur du sujet de la transformation digitale s’est déplacé du Big Data au Machine Learning puis enfin à l’Intelligence artificielle est assez stupéfiante. Cependant, le gouffre entre discours et réalité du terrain reste important : 41% des PDG estiment qu’ils ne sont absolument pas prêts à utiliser les nouveaux outils analytiques, et seulement 4% disent qu’ils le sont “dans une large mesure” (IBM). Dans son dernier article rédigé avec Peter Cappeli et Prasanna Tambe (Wharton School), Valery Yakubovich, Professeur de management à l’ESSEC, a identifié quatre défis que rencontrent les équipes RH dans la mise en place d’outils analytiques auxquels il offre des réponses pratiques.

Les promesses de l’analyse de données font rêver… et sont souvent plus faciles à atteindre dans les domaines comme le marketing, où ce qui est communément recherché sont les réponses aux questions fermées telles que “Qu’est-ce qui fait que le client va acheter ce produit?” ou “Quel impact va avoir XX sur mes ventes?”. Cependant, le marketing et les ressources humaines ne se ressemblent pas. On peut se douter qu’il est plus acceptable qu’un ordinateur interagisse avec des clients anonymes qu’avec des employés qui disposent déjà de managers identifiés. Les questions et débats sur ce qui définit un bon employé demeurent, ce qui ajoute une certaine complexité au sujet. De plus, les jeux de données RH sont assez restreints par rapport aux données collectées chez les clients, et l’analyse de données est moins performante lorsqu’elle doit traiter des cas isolés. Le fait de licencier quelqu’un pour ses performances médiocres est un exemple d’événement exceptionnel, ce qui est assez surprenant, compte tenu des conséquences majeures pour cet individu et pour la société.

Comment faire pour...

A) Créer de la donnée

Savez-vous ce qu’est un bon employé ? Probablement pas, et moi non plus d’ailleurs. Personne ne sait. Les qualités attendues sont très larges et il existe inévitablement un parti pris lorsqu’il s’agit d’évaluer les performances individuelles. De plus, on ne travaille jamais seul, mais dans un écosystème interdépendant complexe. C’est pourquoi il est vain de chercher les parfaites cases à remplir, elles n’existent pas. Cherchez plutôt les plus raisonnables d’entre elles et conservez-les dans la durée.

Conservez-vous les données des candidatures que vous évaluez ? La plupart des entreprises ne conservent pas au format numérique les données qu’elles reçoivent. Gardez à l’esprit qu’il est toujours bon de conserver des données agrégées de sources différentes et à travers le temps. Vous souhaitez lancer un grand projet numérique RH ? Très bien. Mais avant de commencer, interrogez-vous sur les données nécessaires et les données déjà disponibles pouvant être extraites et traitées dans un format utilisable et à un coût raisonnable. Les échanges de données entre les fonctions métier doivent être la priorité à court-terme et afin d’évaluer la performance des employés, vous devez être en mesure de connaître la performance financière de leur service, ainsi que de l’entreprise. A long terme, investissez dans la standardisation de vos données et leur accessibilité à travers par exemple la mise en place d’une plateforme.

Vous pensez ne pas avoir assez de données pour construire un algorithme ? Quelques données peuvent suffire à identifier des relations causales que les managers doivent par ailleurs comprendre pour agir en conséquence. De ce fait, moins vous avez de données, plus l’exigence de connaissances traditionnelles sera indispensable (la théorie du management, le recours aux experts et aux expériences précédentes). En outre, les expériences aléatoires ne doivent pas être négligées lorsqu’il s’agit de tester les hypothèses de causalité. Google est connu pour réaliser des expériences dans ses process RH, testant par exemple le nombre optimal d’entretiens par candidat ou la taille optimale des plateaux à la cantine.

Si d’autres entreprises rendent disponibles leurs données, assurez-vous que votre contexte ne soit pas trop éloigné du leur pour que l’algorithme créé à partir de données extérieures puisse être efficace et pertinent pour votre organisation. Vous pouvez aussi faire usage des données provenant des réseaux sociaux : certains employeurs les utilisent pour leurs recrutements, d’autres pour identifier des problèmes comme le harcèlement. Cet usage pose inévitablement des problèmes éthiques : est-ce qu’on va trop loin en utilisant des données en sortant du cadre, ou cela reste-t-il approprié, tant que les données demeurent anonymes ?

B) Utiliser le machine learning dans les processus de recrutement

Dans le domaine du recrutement, le recours au machine learning et aux algorithmes de prédiction donnent parfois des meilleurs résultats que de recourir à des recruteurs. En revanche, il peut être très compliqué de trouver les bonnes données sur lesquelles fonder cet algorithme. Certains employeurs se fondent sur les données de leurs “meilleurs employés”, mais générer un algorithme de cette façon-là pose problème car il prendra en compte seulement ceux qui ont réussi. Cela pose un problème d’auto-sélection. La capacité de l’algorithme à continuer son apprentissage et à s’adapter aux nouvelles informations disparaît lorsque l’arrivée de nouveaux employés est contrainte par les prédictions de l’algorithme actuel. De plus, si on considère les différences entre les populations majoritaires et minoritaires, les algorithmes qui maximisent la probabilité de succès pour l’ensemble de la population peuvent être discriminants pour les populations minoritaires. Mettre en place plusieurs algorithmes pour chacune des deux pourrait permettre de meilleurs résultats, mais poserait des soucis d’ordre éthique et légal. Il est donc encore difficile de définir ce qui est juste ou injuste avec ces algorithmes de machine learning. Dans la plupart des domaines, il est possible de passer outre ces considérations, mais dans les Ressources humaines, les ignorer peut être très coûteux et exposer à des conséquences d’ordre légal.

C) La prise de décision

Beaucoup de questions relatives à l’équité doivent être soulevées. L’algorithme peut-il être biaisé ? Si des actes de discrimination existaient déjà dans les données historiques, il est fort probable que l’algorithme réplique ces mêmes discriminations. Mais qui peut nous assurer que les recruteurs ne soient pas biaisés lorsqu’ils rencontrent des candidats ? Les algorithmes pourraient diminuer ce biais en standardisant les critères de recrutement et en faisant fi des critères non-pertinents tels que la race ou le sexe des candidats. Les défis juridiques sont d’un autre ordre. Laisser le recrutement à des individus est susceptible de générer bien plus de biais que de le confier à un algorithme. En revanche, la partialité introduite par un algorithme serait bien plus facile à déceler, et pourrait plus aisément mener l’entreprise devant un tribunal.

Entre deux candidats au profil similaire et étant tous deux compétents pour le poste, le recruteur choisit souvent d’une façon ad hoc. Supposons que l’algorithme établit que le candidat 1 est compatible à 80% avec le poste et que le candidat 2 l’est à 90%. Est-ce qu’une différence de 10% est considérée comme grande ou faible ? Quelle est la part de biais ou d’erreur de l’algorithme ? Pour pallier ce genre de problèmes, on pourrait mettre en place une variation aléatoire, qui n’est pas encore reconnue comme telle mais qui est un mécanisme essentiel du management. Contrairement aux croyances traditionnelles, différents travaux de recherche montrent que pour déterminer des issues complexes et incertaines les employés trouvent les processus aléatoires justes et utiles. Dès lors, si les deux candidats sont compétents, il semblerait plus juste d’effectuer un choix aléatoire. En d’autres termes, la randomisation devrait être un outil de management par l’IA.

Croire ou ne pas croire en l’IA

Lorsqu’il s’agit de recruter, de donner des promotions ou des récompenses, les managers se reposent sans difficulté sur les algorithmes pour appuyer leurs décisions. Par contre, lorsqu’il s’agit de les punir, l’utilisation d’un algorithme soulève quelques questions : que se passerait-il le jour où un algorithme pourrait prédire qu’un employé va voler l’entreprise ou commettre un meurtre ? Peut-on juger un individu sur autre chose que sur ses actes ?

Avec les machines, il est beaucoup plus difficile d’expliquer la façon dont un algorithme rend ses prédictions, car le modèle est souvent une association de plusieurs facteurs qui sont immensément plus difficiles à comprendre que le traditionnel mais simple : “les salariés avec le plus d’ancienneté auront la priorité sur ceux avec le moins d’ancienneté”. Dans les contextes de tensions, ceux qui affectent directement la vie des gens et leur carrière, les explications sont impératives et nécessaires au succès de l’utilisation des technologies de machine learning dans les RH.

Un processus d’Action-Réaction

Les changements dans la manière de prendre des décisions agissent inévitablement sur le comportement des employés. Comment réagiront-ils à des décisions prises par un algorithme plutôt que par leur manager ? Alors que les employés ne sont pas toujours dévoués à leur entreprise, ils peuvent l’être à l’égard de leur manager. On peut prendre l’exemple suivant : au travail, si mon manager me demande d’effectuer une tâche un week-end, je pourrais m’exécuter si je considère que sa demande est juste. Si mon emploi du temps est généré par un logiciel, ma réponse sera sûrement différente, comme il n’y a pas de relation préexistante entre l’algorithme et moi. En revanche, il y a des décisions qui sont plus faciles à accepter de la part d’un algorithme, en particulier lorsqu’elles ont un impact négatif sur nous, comme la montée des prix par exemple.

Pour conclure, voici les quelques questions qu’il faut vous poser avant d’utiliser l’IA dans vos process RH. Souvenez-vous que :

  1. Les relations causales sont essentielles pour l’analyse de données et la prise de décision en matière RH, car elles garantissent l’égalité de traitement et peuvent être comprises par les parties prenantes, voire défendues devant un tribunal.
  2. Les entreprises doivent accepter que les algorithmes RH ont un faible pouvoir de prédiction
  3. La randomisation peut aider à établir une causalité et peut compenser en partie le faible pouvoir de prédiction des algorithmes
  4. La formalisation des processus de développement des algorithmes et la sollicitation de toutes les parties prenantes aideront les employés à établir un consensus autour de l'utilisation des algorithmes RH, et à accepter leurs résultats

Les tweets d'Essec Knowledge

blog comments powered by Disqus

Suivez nous sur les réseaux

En poursuivant votre navigation sur ce site, vous acceptez l'utilisation de cookies destinés à vous proposer des services ou offres adaptés à vos centres d'intérêts et à réaliser des statistiques de visites. En savoir plus et paramétrer les cookies.

x