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.

Tout ce qui brille n’est pas nécessairement de l’or

La sophistication croissante de l'IA en matière d'analyse prédictive la rend très intéressante pour les ressources humaines. Elle pourrait être appliquée à diverses pratiques des RH, comme le recrutement et la sélection, la formation et la fidélisation des employés. Mais comme les ressources humaines ont affaire à des personnes, les questions sont importantes et nuancées et n'ont pas de réponses toutes faites. Le fait que les ensembles de données sur les ressources humaines tendent à être beaucoup plus petits que ceux d'autres domaines, comme les études de marché, et que les techniques de la science des données sont peu performantes lorsqu'il s'agit de prédire des résultats relativement rares, complique encore les choses. Le licenciement d'une personne en raison de ses mauvaises performances est un exemple de résultat qui se produit relativement rarement dans les entreprises, mais qui a des implications importantes pour les individus et la société.

Les problèmes rencontrés par l'IA dans ses applications RH se répartissent en quatre groupes principaux : la complexité des problèmes RH, les petits ensembles de données, les considérations éthiques et juridiques et les réactions des employés. Nous expliquons comment ces problèmes s'appliquent à chaque étape du cycle de vie de l'IA, de la génération des données à l'apprentissage machine, en passant par la prise de décision, et nous incluons des questions à se poser lors de la conception d'une stratégie d’IA pour la gestion des RH. 

Comment faire pour...

1. Générer les données

La collecte des données pour votre algorithme d'IA peut être compliquée. Prenez la question apparemment simple "Qu'est-ce qu'un bon employé ?", une question qui devient moins simple lorsque vous creusez un peu plus.  Les exigences du poste peuvent être larges et difficiles à spécifier pour un algorithme. Il y a aussi la question du biais : un algorithme d'IA pourrait être capable d'identifier les relations entre les attributs des employés et les performances professionnelles, mais si, par exemple, une entreprise a historiquement embauché et promu des hommes blancs, l'algorithme pourrait prédire que les hommes blancs seront les plus performants et discriminent par inadvertance les autres candidats, même si ces derniers sont hautement qualifiés. La mesure des performances peut également présenter des difficultés : Qui évalue les performances ? Sur quoi la mesure se base-t-elle ? Nous travaillons dans un écosystème interconnecté, de sorte que les performances sont également influencées par des facteurs tels que nos collègues, les ressources professionnelles et la culture de l'entreprise. Idéalement, un algorithme devrait inclure de multiples indicateurs de performance, mais il est difficile de créer une variable agrégée pour représenter la performance. Par conséquent, ne cherchez pas de mesures parfaites car elles n'existent pas, mais choisissez plutôt des mesures raisonnables et tenez-vous-en à elles.

Il existe également un certain biais de sélection dans l'évaluation des employés, car souvent seuls ceux qui ont été embauchés sont inclus dans l'ensemble de données. La plupart des entreprises ne tiennent pas de registre de toutes les données qu'elles accumulent. Pour constituer un ensemble de données plus important, il faut regrouper les informations provenant de plusieurs sources et au fil du temps, y compris celles des candidats qui sont éliminés à la présélection.

Avant de lancer un nouveau projet de ressources humaines numériques, déterminez les données nécessaires et disponibles qui peuvent être extraites et transférées dans un format utilisable à un coût raisonnable. Le partage des données entre les unités doit devenir une priorité à court terme ; pour évaluer les performances des employés, vous devez intégrer les données commerciales et financières de l'entreprise. À long terme, investissez dans la normalisation des données et l'intégration des plateformes dans l'ensemble de votre entreprise.

Avez-vous suffisamment de données pour construire un algorithme ? De petits ensembles de données sont souvent suffisants pour identifier les relations de cause à effet, que les gestionnaires doivent comprendre pour pouvoir agir sur la base des informations obtenues. Par conséquent, moins vous avez de données, plus vous aurez besoin de théorie (tirée de la littérature sur la gestion, des connaissances des experts et de l'expérience des gestionnaires). Les expériences aléatoires ne sont pas à négliger pour tester les hypothèses causales. 

Si d'autres entreprises mettent leurs données à disposition pour le machine learning, assurez-vous que votre contexte n'est pas trop distinct afin que l'algorithme construit sur des données provenant d'ailleurs soit efficace pour votre propre organisation. Vous pouvez également utiliser les réseaux sociaux comme source alternative de données : certains employeurs les utilisent pour l'embauche, d'autres pour identifier des problèmes tels que le harcèlement. Les acteurs des RH doivent également tenir compte des considérations relatives à la vie privée et voir dans quelles conditions les données des employés peuvent être utilisées. 

2. Utilisation de machine learning

Prenons l'exemple de l'utilisation de machine learning dans le processus d'embauche : nous pourrions examiner quelles caractéristiques des candidats ont été liées à de meilleures performances dans le passé et nous en servir pour éclairer nos décisions d'embauche. L'utilisation d'un algorithme de machine learning peut s'avérer plus efficace que les stratégies classiques, mais elle pose un problème d'autosélection : la capacité du modèle à "continuer à apprendre" et à s'adapter aux nouvelles informations disparaît lorsque le flux de nouvelles embauches est limité par les prévisions de l'algorithme actuel. Pour résoudre ce problème, il pourrait être utile de recycler périodiquement l'algorithme en utilisant des données sur les performances des candidats qui ne correspondent pas à ses critères. Un autre problème possible est que l'utilisation d'algorithmes dans la sélection pourrait réduire l'éventail des variables d'intérêt, masquant potentiellement les véritables relations. Par exemple, si un responsable du recrutement prend sa décision sur la base des notes universitaires, il pourrait alors avoir du mal à trouver un lien entre les notes et les performances, pour la simple raison que les notes des employés varient peu et que la relation n'est donc pas aussi claire. 

L'utilisation d'algorithmes dans les décisions relatives aux ressources humaines peut également poser des problèmes éthiques. Par exemple, si nous considérons la différence entre les populations majoritaires et les populations minoritaires, les algorithmes qui maximisent le succès prédictif pour la population dans son ensemble peuvent être moins précis dans la prédiction du succès pour la population minoritaire. La génération d'algorithmes distincts pour les deux groupes pourrait conduire à de meilleurs résultats, mais aussi à des conflits avec les normes juridiques de traitement disparate.  Ainsi, la mise en œuvre efficace des algorithmes d'apprentissage automatique nécessite une révision du droit du travail. 

3.  Prise de décision

Lorsqu'il doit choisir entre deux candidats qui sont tous deux qualifiés pour le poste, le responsable du recrutement doit prendre une décision difficile. Supposons qu'un algorithme détermine que l'un des candidats correspond à 80 % au poste et l'autre à 90 %. Une différence de 10 % est-elle grande ou petite, compte tenu de certaines erreurs de mesure et de certains biais très probables ? Afin d'atténuer certaines de ces questions, nous pourrions introduire la variation aléatoire, qui est un mécanisme non reconnu mais important dans la gestion. Contrairement à la croyance populaire, les recherches montrent que les employés perçoivent les processus aléatoires comme justes dans la détermination de résultats complexes et donc incertains. Par conséquent, si les deux candidats sont forts, il est plus logique de faire un choix aléatoire. En d'autres termes, la randomisation devrait être un outil de gestion de l'IA.

L'accord des salariés est également un élément clé de l'équation, car ils seront touchés par les changements dans le processus décisionnel. Comment les employés réagiront-ils aux décisions prises par un algorithme plutôt que par un superviseur ? Même si les salariés ne sont pas toujours engagés envers l'organisation, ils peuvent l'être envers leur supérieur. Examinons l'exemple suivant. Sur le lieu de travail, si votre superviseur vous assigne un travail le week-end, vous pouvez le faire sans vous plaindre si vous pensez que votre superviseur est généralement juste. Lorsque l'horaire de travail est généré par un programme, vous pourriez réagir différemment, car vous n'avez pas de relation préexistante avec l'algorithme. Cela étant dit, certaines décisions sont plus faciles à accepter de la part d'un algorithme, surtout lorsque ces décisions ont des conséquences négatives pour nous, comme une augmentation des prix, car la décision semble moins personnelle. 

Et maintenant, que faisons-nous ?

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

  1.   Les explications causales sont essentielles pour l'analyse et la prise de décision dans le domaine des RH car elles peuvent garantir l'équité, être comprises par les parties prenantes et sont défendables sur le plan éthique et moral. 

  2.   Les entreprises doivent accepter le pouvoir prédictif relativement faible des algorithmes RH.

  3.   La randomisation peut aider à établir la causalité et compenser partiellement le faible pouvoir prédictif des algorithmes.

  4.   La formalisation des processus de développement des algorithmes et l'implication des parties prenantes dans le processus aideront les employés à former un consensus sur l'utilisation des algorithmes et à accepter leurs résultats. 

Pour aller plus loin :

   

Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial intelligence in human resources management: Challenges and a path forward. California Management Review, 61(4), 15-42.

 

Publié initialement le 29 octobre 2018 ; mis à jour en décembre 2020



 

Les tweets d'Essec Knowledge

blog comments powered by Disqus

Suivez nous sur les réseaux