Ressources / revue-rh / volume-25-no-1

Le potentiel de l’IA aux RH : huit cas d’utilisation

La vitesse à laquelle les entreprises intègrent l’intelligence artificielle (IA) et les solutions de science des données ne fait que s’accélérer et représente un potentiel énorme pour la gestion stratégique des ressources humaines. Quels sont les défis à surmonter dans ce cadre?
4 mars 2022
Isabelle Bittar, CRHA

Les cas d’utilisation de l’intelligence artificielle (IA) sont de plus en plus exploités en entreprise, et pas seulement chez les géants comme Google, Amazon et Tesla. L’IA touche de façon accélérée les organisations de taille moyenne, voire petite, surtout dans les fonctions marketing, logistique et finance. La vitesse à laquelle les entreprises intègrent les solutions de science des données ne fait que s’accélérer et représente un potentiel énorme pour la gestion stratégique des ressources humaines.

Les défis à surmonter

Bien qu’elle soit l’une des fonctions générant la plus grande volumétrie de données exploitables, les RH sont parfois perçues comme étant moins « quantitatives » ou « analytiques ». Pourquoi?

  1. La nature sensible des données RH : les données RH sont l’une des formes d’informations les plus protégées par les organisations grâce à différents mécanismes et politiques de gouvernance des données, afin d’assurer la protection de renseignements personnels. L'accessibilité est souvent segmentée et limitée (par exemple, seulement quelques conseillers en santé et sécurité auront accès aux données sur l’absence des employés). Malgré l’importance de ces politiques, elles ont très souvent découragé les professionnels RH d’exploiter des données RH pour analyser des enjeux organisationnels. Encore aujourd’hui, plusieurs compagnies se limitent à l’utilisation des données RH uniquement à des fins de redditions.
  2. Les défis de consolidation et réconciliation : que ce soit à travers des fusions et acquisitions, des implantations de nouveaux systèmes d’information RH (SIRH), ou simplement l’utilisation de différentes solutions pour gérer différents processus RH, les sources de données sont multiples et engendrent des efforts significatifs en consolidation et réconciliation. Cela dit, l’IA s’intègre de plus en plus dès le début de ces processus pour automatiser ou accélérer cette consolidation, donc utiliser l’IA pour faire de l’IA. 
  3. Écarts dans les connaissances d’analytique et d’IA : dans le passé, peu d’organisations investissaient dans le développement de leur capacité analytique RH aussi il y a un écart à rattraper aujourd’hui. Peu de personnes travaillant en RH ont des connaissances sur les principes d’analytique avancée ou d’IA, ainsi les organisations se privent d’une série de cas d’utilisation qui pourraient être facilement exploités et créer beaucoup de valeur; des gains rapides, c’est-à-dire des changements, qui apportent une plus-value immédiate. Malheureusement, plusieurs ont la perception que tout projet d’IA nécessite de nouvelles technologies, ainsi que des investissements significatifs en temps et capital. Contrairement à cette croyance, plusieurs cas d’utilisation, tels que la prédiction d’employés à risque d’attrition (usure), peuvent être développés en quelques jours, voire quelques heures, en utilisant les outils déjà à la disposition de l’organisation. Il y a un écart dans les compétences à rattraper chez les professionnels RH, afin d’être minimalement capable de reconnaître les cas d’utilisation qui maximisent la création de valeur selon le contexte de leur organisation et de cerner les collaborateurs requis. Ce qu’il faut retenir, c’est qu’il n’est pas nécessaire d’acquérir de nouvelles technologies et de mobiliser de grandes équipes avec des connaissances rares en science de la donnée pour réaliser des cas d’utilisation pour l’IA. Le plus difficile dans l’IA c’est d’avoir accès à des données et bonne nouvelle : on en a plein aux RH!

Le potentiel des données RH

Qu’elles soient numériques, textuelles, audiovisuelles, qu’elles soient conservées dans un SIRH ou saisies dans des fichiers Excel, ces données peuvent être exploitées grâce à des modèles très accessibles. Il y a trois types de modèles d’apprentissage automatique (« machine learning », une composante de l’IA) qui sont en forte exploitation dans le marché. Voici quelques exemples de cas d’utilisation en RH :

  • Les modèles d’apprentissage supervisé : ce sont des modèles de classification ou de régression qui sont fréquemment utilisés pour faire des prédictions ou des projections. 
    1. Comprendre les tendances en lien avec les départs et évaluer le risque d’attrition (usure) au sein de certaines populations d’employés, afin d’intervenir et atténuer les risques opérationnels.
    2. Projeter les besoins de main-d'œuvre afin de proactivement recruter et former les talents requis. 
    3. Déterminer les stratégies et les pratiques optimales qui attireront les candidats ou fidéliseront les employés, en fonction des objectifs d'affaires et du portrait concurrentiel.
  • Les modèles d’apprentissage non supervisés : ces modèles permettent de trouver des liens et d’évaluer les relations entre différentes variables non susceptibles à l’humain. 
    1. Détecter des biais systémiques nuisant à la diversité, l’équité et l’inclusion afin d’intégrer les correctifs ou interventions essentielles permettant à l’organisation de bénéficier de tous les avantages d’une main-d’œuvre diversifiée.
    2. Cerner des anomalies sur le plan de l’absentéisme ou des risques en matière de santé mentale des employés afin de mettre en œuvre des programmes qui feront une différence. 
    3. Rehausser la proposition de valeur employé en ayant un meilleur portrait des besoins, préoccupations et désirs des employés et des candidats. 
  • Les modèles d’apprentissage par renforcement : ce sont des modèles qui apprennent par renforcement positif et négatif et qui sont aujourd’hui beaucoup utilisés dans le secteur du jeu vidéo et de la robotique. Tesla utilise ce type de modèle dans le développement de voitures autonomes. Son applicabilité directe en RH est encore complexe aujourd’hui, mais c’est elle qui permettra de pousser l’analyse prescriptive beaucoup plus loin. 
    1. Déterminer précisément quels changements pourront optimiser la performance des pratiques et programmes de rémunération, formation et développement, gestion de la performance, etc. 
    2. Optimiser la valeur de l’entreprise en simulant et modélisant l’impact de différentes interventions en tenant compte de l’ensemble de leurs impacts collatéraux. 

Ce qu’il faut retenir

La meilleure partie de tous ces cas d’utilisation, c’est qu’ils peuvent être développés à partir même de l’environnement des entreprises, en exploitant les données et les outils déjà en place et en se dotant des compétences ou des ressources avec les expertises requises. Le chemin pour s’y rendre est plus court que ce qu’en perçoive la plupart. Plus on tarde à adopter ces solutions, plus l’écart se creuse avec des concurrents qui se dotent d’IA pour prendre des décisions informées et mettre en place des stratégies plus performantes. Et particulièrement dans un marché de pénurie de main-d’œuvre alors que l’attraction, la rétention et la mobilisation sont mises à défi pour tous.

Pourquoi les RH sont perçues comme moins quantitatives ou analytiques :

  1. La nature sensible des données RH
  2. Les défis de consolidation et réconciliation
  3. Les écarts dans les connaissances d’analytique et d’IA

Author
Isabelle Bittar, CRHA Présidente KI Science des données

Source : Revue RH, volume 25, numéro 1 ─ JANVIER FÉVRIER MARS 2022