Découvrir le potentiel de l’apprentissage automatique
Au Québec, moins d’une entreprise sur dix (6 %) intègre l’intelligence artificielle (IA) à ses activités RH, et un peu plus d’une sur quatre (27 %) utilise l’apprentissage automatique, une branche de l’IA (Lockhart, 2023). Ces chiffres révèlent un potentiel encore sous-exploité.
Cette situation s’explique par le fait qu’un peu moins de trois entreprises sur quatre (70 %) ne perçoivent pas de besoins concrets, tandis qu’une sur cinq (20 %) évoque un manque de connaissances sur les technologies disponibles (Lockhart, 2023). Dans ces conditions, il est difficile d’en saisir les avantages lorsque la notion elle-même demeure floue.
Mais qu’est-ce que l’apprentissage automatique, au juste?
L’apprentissage automatique regroupe des méthodes permettant à un modèle statistique d’apprendre des données (Pelletier, 2022). Dans sa forme supervisée, le modèle s’entraîne sur des données déjà classées afin de prédire de nouveaux cas (Pargent et al., 2023).
Le tableau 1 présente quelques termes clés liés à l’apprentissage automatique.
Un levier stratégique pour l’analytique RH
Dans un contexte où la prise de décision repose de plus en plus sur les données, l’analytique RH devient une compétence clé.
Elle regroupe les outils et les méthodes permettant d’extraire, d’analyser et d’interpréter les données afin d’éclairer les décisions et d’en démontrer les retombées pour les personnes et pour l’organisation (Cossette, 2019).
Selon Pease et al. (2013, cités par Cossette, 2019), l’analytique RH se déploie sur trois axes : descriptif (« Que s’est-il passé? »), explicatif (« Pourquoi cela s’est-il produit? ») et prédictif (« Que va-t-il se passer? »). C’est à cette dernière étape que l’apprentissage automatique devient un véritable atout[1].
Tableau 1 — Quelques termes clés en apprentissage automatique supervisé
Note. Adaptation du tableau et des descriptions de Pargent et al. (2023).
Exemple concret : anticiper les départs chez Synédo[2]
Dans le secteur technologique, fidéliser les talents clés est un enjeu stratégique. L’équipe RH de Synédo a donc lancé un projet d’analytique prédictive basé sur l’apprentissage supervisé pour anticiper les départs.
La Figure 1 présente les principales étapes de leur démarche.
-
Définir l’objectif
Face aux préoccupations de la direction sur le roulement, l’équipe RH cherchait à repérer les leviers associés aux départs pour intervenir en amont. Pour y arriver, elle a mobilisé les données internes disponibles afin de bâtir un modèle prédictif ciblant l’intention de départ, soit leur variable cible.
-
Préparer les données
Deux sources principales ont été mobilisées :
- Un sondage interne sur le climat de travail (motivation, bien-être, reconnaissance, pratiques de gestion, équité);
- Les données du système RH sur la rémunération (salaire, augmentations, bonis).
Au total, l’équipe a rassemblé 42 variables prédictives à partir des réponses de 1 546 membres du personnel, formant la base d’entraînement des modèles.
-
Choisir les modèles
L’équipe RH a utilisé le logiciel JASP (JASP Team, 2025), reconnu pour sa convivialité. Elle a sélectionné plusieurs modèles d’apprentissage supervisé[3] afin de déterminer celui offrant les meilleures prédictions. Ces modèles diffèrent par leur complexité et leur degré d’interprétabilité (Leist et al., 2022).
-
Entraînement des modèles
L’équipe RH a divisé les données en deux ensembles : 80 % pour l’entraînement et 20 % pour la validation. Cette étape permet de vérifier que le modèle apprend les tendances dans les données, tout en restant capable de prédire correctement de nouveaux cas.
-
Évaluer les modèles
Après avoir comparé les modèles à l’aide d’indicateurs de performance, l’équipe RH a constaté que la régression linéaire régularisée (elastic-net) offrait le meilleur équilibre entre la précision de la prédiction et l’interprétabilité[4]. Ce type de modèle applique une pénalisation qui filtre l’information pour retenir les variables prédictives les plus utiles à la prédiction.
-
Explorer les résultats
Pour aller au-delà de la « boîte noire » souvent associée à l’apprentissage automatique, l’équipe RH a réalisé des analyses exploratoires pour repérer les variables prédictives qui influençaient le plus la prédiction. Elle était ainsi en mesure d’expliquer les résultats à la direction. Trois variables se sont révélées déterminantes[5] :
- L’épuisement psychologique;
- L’écart perçu entre rémunération souhaitée et rémunération actuelle;
- Le salaire de base.
De la prédiction à l’action
Les résultats de cet exemple appliqué pourraient aider l’équipe RH de Synédo à alimenter la réflexion stratégique sur la rémunération et la santé psychologique au travail, et à cibler des pistes d’intervention en matière de rétention. Ainsi, l’exercice montre le potentiel de l’apprentissage automatique pour orienter la prise de décision.
Au-delà de l’exemple présenté, le suivi des départs effectifs demeure l’indicateur clé pour mesurer le roulement dans la gestion des talents. Si ces données devenaient disponibles, l’équipe RH pourrait reprendre la démarche analytique et l’adapter à une tâche de classification distinguant les personnes qui quittent réellement de celles qui restent.
Contrairement à ce que son nom pourrait suggérer, l’apprentissage automatique n’automatise pas la prise de décision, il l’éclaire. En structurant l’analyse des données, il aide les équipes RH à comprendre, anticiper et agir avec discernement.
Son véritable potentiel repose sur la capacité humaine à poser les bonnes questions, à chercher l’information pertinente pour y répondre et à donner du sens aux résultats produits.
Et vous,
- Quelles questions souhaiteriez-vous explorer dans votre organisation?
- Quelles données vous permettraient d’y répondre avec justesse?
Références
- Conseil du patronat du Québec. (2024). Étude sur l’impact de l’intelligence artificielle sur les entreprises au Québec. https://www.cpq.qc.ca/wp-content/uploads/2024/12/240930_CPQ_Impact_IA.pdf
- Cossette, M. (2019). L’analytique ressources humaines : mesurer, évaluer et décider pour optimiser la gestion du capital humain. JFD éditions.
- JASP Team. (2025). JASP (Version 0.95.4) [Logiciel].
- Leist, A. K., Klee, M., Kim, J. H., Rehkopf, D. H., Bordas, S. P. A., Muniz-Terrera, G. et Wade, S. (2022). Mapping of machine learning approaches for description, prediction, and causal inference in the social and health sciences. Science Advances, 8(42), 1‑20. https://doi.org/10.1126/sciadv.abk1942
- Lockhart, A. (2023). Automatisation à l’échelle nationale? Adoption de l’IA dans les entreprises canadiennes. The Dais. https://dais.ca/wp-content/uploads/2023/09/Automatisation-a-lechelle-nationale.pdf
- Pargent, F., Schoedel, R. et Stachl, C. (2023). Best Practices in Supervised Machine Learning: A Tutorial for Psychologists. Advances in Methods and Practices in Psychological Science, 6(3), 1‑35. https://doi.org/10.1177/25152459231162559
- Pease, G., Byerly, B. et Fitz-enz, J. (2013). Human Capital Analytics: How to Harness the Potential of Your Organization’s Greatest Asset. Wiley.
- Pelletier, G. (dir.). (2022). Les 101 mots de l’intelligence artificielle : petit guide du vocabulaire essentiel de la science des données et de l’intelligence artificielle (1re éd.). DataFranca.org.
- Zhang, Y., Zheng, Y., Wang, D., Gu, X., Zyphur, M. J., Xiao, L., Liao, S. et Deng, Y. (2025). Shedding light on the black box: Integrating prediction models and explainability using explainable machine learning. Organizational Research Methods. https://doi.org/10.1177/10944281251323248
- L’apprentissage automatique peut également s’appliquer aux axes descriptif et explicatif de l’analytique RH (voir Leist et al., 2022).
- L’exemple présenté est fictif, mais il s’appuie sur des données réelles. Par souci de confidentialité, le nom de l’entreprise a été modifié.
- Les modèles testés, présentés par ordre croissant de complexité, comprennent l’arbre de décision, les régressions régularisées (ridge, LASSO, elastic-net), la régression linéaire, la forêt d’arbres décisionnels et les machines à vecteurs de support.
- Le modèle explique environ 40 % de la variation de l’intention de départ (R² = 0,40). Sa marge d’erreur moyenne est d’environ 15 % entre la valeur prédite et la valeur réelle sur une échelle de 1 (« Pas du tout ») à 7 (« Très fortement »).
- L’épuisement psychologique présente le lien le plus fort avec l’intention de départ (β = 0,40, PME = 1,17), suivi de l’écart salarial perçu (β = 0,33, PME = 1,13) et du salaire de base (β = 0,27, PME = 1,09). Le coefficient β indique la force du lien entre chaque variable et la variable cible, tandis que la perte moyenne par exclusion (PME) mesure l’augmentation de l’erreur de prédiction lorsque la variable est retirée du modèle.
