D'autres articles sur le thème des technologies et de la transformation

Workforce planning : comment l'IA va révolutionner cette pratique

Workforce planning : comment l'IA va révolutionner cette pratique

Le Workforce Planning (WP) est étroitement imbriqué à la gestion du capital humain. Il est devenu une pratique récurrente dans les directions de R.H., étant à l’origine des décisions d’avenir. Son moteur est la planification des compétences nécessaires à l’entreprise dans un futur proche. Celle-ci est aussi abordée à travers la GPEC de manière très ‘légaliste’ ; le WP, lui est lié à la stratégie de l’entreprise. Il dessine l’entreprise future, et donc son organisation, à travers la gestion des ressources et des compétences. La démarche passera en premier lieu par la qualification des compétences de demain, puis l’adéquation avec celles d’aujour­d’hui pour définir, activer les plans de mobilité et de recrutement. 

Lire la suite

Mesure de l’expérience collaborateur : de l’analyse du ressenti à l’analyse des données !

Mesure de l’expérience collaborateur : de l’analyse du ressenti à l’analyse des données !

Les études rapportent une corrélation entre le succès de l’expérience client et l’engagement des collaborateurs. De son côté, l’expérience collaborateur est un dérivé de l’expérience client et représente un des facteurs principaux influençant l’engagement des collaborateurs. Nous pouvons donc déduire un lien entre l’expérience collaborateur, l’engagement des collaborateurs et l’expérience client.

La notion d’expérience des collaborateurs est devenue un nouveau contrat entre l’employeur et le collaborateur (Deloitte Global Human Capital Trends, 2017). Mais il existe un écart dans ce contrat entre les pratiques RH mises en œuvre par la direction et les interprétations, la perception des collaborateurs influençant en fin de compte leurs attitudes, comportements et performances au travail.

Lire la suite

Philosophie et IA

Philosophie et IA

Pourquoi un philosophe s’intéresse-t-il à l’Intelligence artificielle ?

L’intelligence a toujours posé question à la philosophie, de même que la technologie qui, depuis au moins un siècle, se trouve au centre des préoccupations. La combinaison de l’intelligence et de la technologie est ainsi doublement philosophique. Des philosophes comme Aristote et Leibniz l’ont anticipé. Actuellement, les débats sur l’intelligence artificielle ont deux dimensions. La première est épistémologique : elle cherche à interroger la part « intelligente » de l’intelligence artificielle. Si la capacité pour une machine d’émuler l’intelligence humaine la rend véritablement intelligente, cette dernière caractéristique doit-elle être entendue comme une qualité, ou juste comme une capacité ? Un dispositif capable de comportements intelligents a-t-il cette qualité qu’est l’intelligence, voilà la question. La seconde dimension du débat contemporain est plus prospective et sociale. Elle interroge les conséquences humaines et civilisationnelles des évolutions actuelles du couple humain-machine, avec aussi bien le spectre d’un chômage accru et d’un remplacement du travail humain par le travail machinique, que les espoirs transhumanistes, souvent utopistes, d’une humanité régénérée par ses outils. Toutes les questions soulevées par le progrès depuis deux siècles se retrouvent dans ce débat, exacerbé par les exemples toujours plus nombreux de robotisation de certaines activités.

Lire la suite

Il y a urgence à acculturer nos dirigeants d’entreprise à l’intelligence artificielle

Il y a urgence à acculturer nos dirigeants d’entreprise à l’intelligence artificielle

Par Thomas Houdaille, fondateur de Catalix, l’école de l’IA pour le business

Nous vivons une période paradoxale : il n’y a jamais eu autant de buzz au sujet de l’intelligence artificielle (IA), mais très peu de dirigeants d’entreprises françaises en ont une vision claire. Or l’IA, le Machine Learning en particulier (associé à l’IA symbolique le cas échéant), devrait être un sujet prioritaire pour la plupart des grandes (et moins grandes) entreprise car elle impacte potentiellement le développement de leur chiffre d’affaires et l’ensemble des processus, leur organisation, et car elle pose nombre de questions nécessaires sur la relation entre l’homme, l’employé et le citoyen, et les technologies digitales. D’où l’importance de sensibiliser et d’acculturer les dirigeants d’entreprise et leurs managers à l’IA 

Plusieurs études récentes sur l’impact de l’IA à l’horizon 2035 affirment que la croissance économique d’un pays ne s’évaluera plus en fonction de son capital mais en fonction de son degré́ de maturité́ en Intelligence Artificielle. D’après une étude d’Accenture, l’IA pourrait accroître de près de 38% en moyenne la rentabilité des entreprises à cette échéance ! Sans prendre ces études pour parole d’évangile, force est de constater la montée en puissance et la diversité́ des exemples d’applications de l’IA autour de nombreux usages : mieux comprendre ses clients et prédire les ventes, optimiser les opérations et processus métiers, détecter les fraudes ou pannes, transformer les produits et inventer de nouveaux modèles économiques, en lien notamment avec les objets connectés (ex véhicule autonome) … 

Dans un futur proche, l’IA modifiera la nature même du travail et des relations homme-machine. Elle prendra en charge les tâches répétitives et codifiables et bousculera les modèles traditionnels d’organisation du travail. Elle permettra d’augmenter les capacités professionnelles des collaborateurs, en les déchargeant de tâches d’analyse et en réduisant le temps menant a la prise de décision. L’IA pourrait ainsi permettre aux entreprises de devenir plus performantes, plus flexibles, et plus horizontales ; et d’offrir à ses salaries des perspectives d’évolution vers des tâches à plus forte valeur ajoutée et complémentaires à l’IA. Certaines fonctions vont probablement disparaître et l’impact sur l’emploi sera significatif, même s’il est très difficile de faire des prévisions. Raison de plus pour s’y préparer. Mais on n’en est pas encore là, et la réalité de l’IA en entreprise est très variable, en particulier en France, qui globalement accuse un retard significatif par rapport à la Chine, aux USA et au Canada. Dans l’industrie, de 15 à 20% des entreprises auraient mis en place des pôles de compétence dédiés, et commencé à déployer des solutions opérationnelles. Quelques grandes banques françaises sont déjà très avancées quand d’autres ont à peine démarré. Certains acteurs du digital et startups sont quant à elles déjà des « AI companies ».

Dans les grandes entreprises françaises, on est encore la plupart du temps dans une phase d’expérimentation, avec des projets pilotes qui ne tiennent pas toujours leurs promesses. La première raison est sans doute que les entreprises lancent beaucoup d’initiatives en parallèle au lieu de se consacrer sur quelques projets prioritaires. La seconde, qui est indirectement liée, est que le management (top et opérationnel) n’est pas assez investi sur le sujet. Il délègue bien souvent aux CDO et aux Data Scientists, par manque de culture et de vision stratégique sur le sujet.

Or les projets IA sont par la nature même de l’apprentissage automatique des projets qui nécessitent une approche « agile », beaucoup de « test and learn » et une forte association des équipes métiers aux data scientists. Au-delà de l’algorithmie (qui nécessite un vrai savoir-faire), il y a un enjeu particulier autour des process métiers travaillés, des données utilisées… et il faut souvent combiner les techniques d’analyse des données avec l’holistique et l’empirique que connaissent les gens du métier pour être capable de sortir un signal significatif.

Il est temps que les dirigeants et leurs managers se saisissent de l’IA ! Et ca n’est pas seulement un sujet de technologie, mais de culture d’entreprise et donc également de ressources humaines. Plus généralement si certains salariés sont prêts à jouer la carte de l’IA parce qu’ils en voient les bénéfices, pour d’autres, c’est l’inquiétude d’une grande déshumanisation qui règne. A l’aube d’une époque où la transformation des métiers va s’accélérer, beaucoup d’information et de formation reste à faire pour combler ce large déficit de compréhension et tordre le cou à nombre de fantasmes.

« Machine learning is a fundamental new technology that can create immense value to humankind. At the same time, it will challenge society. Not to try to understand how it works would be irresponsible ». Risto Siilasmaa, Pdt du Conseil d’Administration de Nokia, qui s’est formé au Machine Learning et a décidé de former tous les employés de son entreprise ! 

  

 

 

        

Lire la suite

Les Human Ressources Analytics peuvent-elles contribuer à l’efficience de la GRH ? Eléments de débat et pistes de réflexion

«On ne conduit le peuple qu’en lui montrant un avenir : un chef est un marchand d’espérance» Napoléon Bonaparte

A l’image de Girardin pour qui «gouverner, c’est prévoir» ou de Fayol pour qui prévoir revient à «supputer l’avenir et le préparer», les Hommes ont toujours essayé de prévoir le futur afin de réduire l’incertitude. Les spécialistes du genre s’appellent les «stratèges» même si pour Allais, «les plus belles stratégies s’écrivent au passé». Pour Descartes (1637), nous parviendrons par la connaissance de la science «à nous rendre comme maîtres et possesseurs de la nature». En 1755, le tristement célèbre tremblement de terre de Lisbonne rappela, via Voltaire, le caractère arbitraire avec lequel les personnes mouraient ou survivaient. Cette évocation de notre fragilité, toujours âprement ressentie, ne manque pas de rappeler notre actualité.

A contrario de ce qui précède et au moyen de modèles statistiques, les HR Analytics (HRA) se donnent pour objectif d’exploiter une masse de données stockées notamment dans le SIRH. Grâce à des analyses poussées, il deviendrait possible de prendre des décisions opérationnelles ou stratégiques en s’appuyant sur des informations “ rationnelles». Plus fort encore, les HRA permettraient d’anticiper des tendances dites «sociales».

Les promesses, ainsi formulées, ne peuvent que susciter la suspicion chez l’universitaire qui ne manquera pas de relever la présence de nombreux concepts, explicités ou sous-jacents, apparemment antinomiques avec les promesses des HRA. C’est donc à l’étude bienveillante et constructive d’une controverse contemporaine que nous convions le lecteur.

1. L’incertitude, entre danger et espoir

Knight (1921 introduit notre premier élément de réflexion : est il possible de rendre compte scientifiquement de l’incertitude ? L’économiste américain, fondateur de la première école de Chicago (qui couvre aussi l’application du calcul stochastique aux marchés financiers), distingue le risque de l’incertitude. Une situation est qualifiée de risquée quand la prévision peut se faire à partir de probabilités. Le risque serait, pour d’autres auteurs, non ou mal évaluable en raison de l’absence de statistiques non fiables car s’appuyant sur des évènements passés permettant paradoxalement de définir des probabilités de survenue d’évènements futurs. L’anticipation des risques révèlerait ainsi de l’illusion d’une sécurité parfaite. Pour Knight (1921), une situation incertaine, par essence unique, n’est pas probabilisable. La prévision repose alors sur un double exercice de jugement : intuition et/ou expérience. Il s’agira de mesurer la validité du jugement effectué ex post ce qui est évidemment peu satisfaisant pour une société gouvernée par les notions potentiellement antinomiques d’«efficience» à court terme et de «principe de précaution». Ce dernier oblige à développer des procédures de prévision et d’évaluation, afin de tenter de prévenir les risques majeurs pouvant notamment conduire à engager la responsabilité des décideurs.

2. La rationalité limitée

Théorisée par Simon (1965), la rationalité limitée est l’idée selon laquelle la capacité de décision d’un individu est altérée par un ensemble de contraintes comme le manque d’information, des biais cognitifs ou encore le manque de temps. Pour Simon (1978) l’incertitude n’existe que dans l’esprit d’un individu.

3. Le mimétisme et la mode, moyens simples et frugaux de lutter contre l’incertitude

Les sciences de gestion s’intéressent aux rôles des acteurs au sein de ces organisations, ainsi qu’à la signification des situations et des conduites que l’on peut y observer. En cela, elles appartiennent aux sciences sociales autrement qualifiées de «sciences de la culture» (dites «molles») par opposition aux «sciences de la nature» (souvent improprement qualifiées d’«exactes»). Les sciences de gestion proposent des approches principalement basées sur la prévision, l’évaluation et le contrôle. Laufer (1999) en a proposé une définition simplifiée : les sciences de gestion réduisent l’incertitude.

Un paradoxe découle toutefois de ce qui précède. Nous avons vu que l’homo eoconomicus cherche à sécuriser ses prises de décision. Pour ce faire, il s’est doté d’un très vaste ensemble de connaissances... Dans lequel il se perd lui-même ! Comment, dès lors, réellement simplifier ? Deux choix complémentaires s’offrent au décideur :

A Le mimétisme.

Les travaux sur l’innovation et particulièrement les théories de la diffusion mettent depuis longtemps l’accent sur le rôle important de l’imitation (Schumpeter 1935 ; Levitt 1966 ; Rogers 1983). Les individus confrontés à l’incertitude vont, en effet, plutôt s’aligner sur un modèle considéré comme raisonnable ou comme normal (Gomez, 1996). La théorie dite «néo-institutionnelle» (DiMaggio et Powel, 1983), qui s’efforce d’expliquer le phénomène de l’homogénéité dans les organisations, utilise le terme d’«isomorphisme».

B La théorie des modes managériales est née au milieu des années 1980 avec les travaux de Midler (1986) et d’Abrahamson (1986). Elle estime que le mimétisme, le conformisme et la quête de légitimité tendent à expliquer la diffusion d’une pratique de gestion.
L’économie de l’attention (Goldhaber, 1997) désigne un ensemble de travaux qui analysent ou modélisent l’économie sous l’angle de l’attention en mettant l’accent sur sa rareté. Un acteur, placé dans un contexte de surcharge informationnelle, cherchera à l’économiser. Une institution se donnera, au contraire, pour mission de la capter à des fins commerciales.
Il s’ensuit que le HRA pourrait être un concept flou mais prometteur, essentiellement destiné à capter l’attention en vue de stimuler des décisions d’investissement. Mais l’intérêt pour le HRA pourrait, tout aussi bien, procéder d’un éternel besoin de maitrise obtenue en économisant les ressources cognitives des gestionnaires RH au moyen de son outil de référence : le SIRH.

4. Instrumentation et GRH

Créé dans les années 70, le SIRH s’est considérablement développé sur le plan technologique au point évidemment d’impacter ses usages. Son objectif générique est de permettre à la fonction RH de jouer tout son rôle : de l’administration du personnel au pilotage stratégique. Sa désormais possible extension à l’ensemble des collaborateurs conduit, depuis 2019, le Cercle du SIRH à promouvoir la notion de Système de Management des Ressources Humaines (SMRH). Les éditeurs et les consultants prescripteurs mettent principalement en avant l’automatisation des opérations de gestion courante, la fiabilisation des données gage d’aide à la prise de décision, l’harmonisation des pratiques, les gains financiers liés à la qualité du pilotage en temps réel ainsi que des économies sur la masse salariale affectée à l’administration des collaborateurs (Cercle SIRH, 2017 ; Baudoin et al., 2019). Or, de plus en plus de publications mettent en évidence une complexité organisationnelle et une inflation des budgets qui doivent être prises en compte par la GRH (cf., par exemple : Dacher, Maillard et Pellissier-Tanon, 2019). Certains craignent que la digitalisation de la profession se fasse au détriment de la GRH de proximité tant du point de vue qualitatif (Comtet et Chassigneux, 2017) que quantitatif (Roland Berger et al., 2014).

5. Les controverses scientifiques et méthodologiques

Les méthodes quantitatives permettent de mesurer des opinions ou des comportements ainsi que de décrire les caractéristiques d’une population ayant une opinion ou un comportement particulier. Les méthodes quantitatives s’inspirent des «sciences de la nature» (exactes) par opposition aux «sciences de la culture» (humaines) citées plus haut. En raison de l’exigence de rigueur scientifique, ainsi que de la comparaison constamment opérée entre «sciences humaines» et «sciences exactes», il n’est pas surprenant de constater qu’il est de plus en plus exigé des nombres, des quantités et des données statistiques pour valider les résultats obtenus. Il s’ensuit que publier un article de recherche, purement qualitatif, est aujourd’hui chose difficile. Une approche mixte prônant, opportunément à notre avis, la complémentarité entre «quali» et «quanti» est trop souvent mise en avant pour faire accepter une recherche auprès de la communauté scientifique. Tel ne serait-il pas le biais des HRA ? Nous les supposons aussi orientées vers la légitimation de la GRH aux yeux des directions financières marquées par la controversée «culture du chiffre».

Pour Sorokin (1956), Gaulejac (1993) et Vienne (2003) la littérature scientifique, souvent proche de l’expertise, est notamment dominée par le prophétisme et la quantophrénie. Rappelons que cette dernière est une pathologie qui consiste à vouloir traduire systématiquement les phénomènes sociaux et humains en langage mathématique. Au niveau universitaire la GRH, longtemps classée dans les sciences humaines, a largement entamée sa migration vers des Unités Formation Recherche en Sciences de gestion. Ce phénomène ne nous semble toutefois pas écarter toute interrogation sur sa nature profonde. Or, entre autres exemples, Bruhnes (1989) distingue flexibilité numérique (quantitative) et flexibilité fonctionnelle (qualitative) du travail. Ceci permettrait de supposer aussi que la GRH se trouverait à la confluence des deux grandes options méthodologiques et vouée par nature aux méthodes mixtes.

Pour conclure

Des recherches récentes (Baudoin et al., 2019 ; Dacher et al., 2019) démontrent qu’il y a, pour l’heure, tout lieu de nuancer les opportunités offertes par le SIRH. Ce dernier est, à la fois, un «atout primordial et indispensable» mais qui ne devrait toutefois «pas être considéré comme une finalité» (Baudoin et al., 2019). Même imparfait, l’outil est cependant indispensable à la GRH pour assurer ses missions quotidiennes car il permet l’accomplissement du travail, à condition toutefois d’exercer une vigilance constante complétée par de fréquentes actions correctrices en raison de dimension qualitative de la GRH et aux constantes modifications de son environnement. Les HRA, qui en procèdent, est évidemment négativement impacté par ces éléments factuels.

Le 20ème siècle concrétisa un vaste effort tendant à l’accroissement des capacités physiques de l’Homme. Il lui rendit presque son espoir de maitrise sur son environnement. La mondialisation et son ingérable complexité l’éloigna de nouveau. Le 21ème siècle verra t’il, grâce à un traitement massif de données quantitatives, l’avènement d’une humanité aux capacités intellectuelles accrues par le concept, encore flou, d’intelligence artificielle ? Nous pensons la chose partiellement possible à la nécessaire condition d’articuler harmonieusement sujets (les salariés), objets (les instruments) et méthodes (qualitatives et quantitatives). Il s’ensuit que nous nous alignons donc prudemment sur les écrits de Brynjolfsson - directeur de la MIT Initiative on the Digital Economy - et McAfee (2016) relatifs au Deuxième Âge de la machine. En effet, la nécessaire exploration des biais cognitifs possiblement induits par les HRA et la prise en compte des risques réputationnels (au regard du RGPD) contribueront à les fiabiliser et donc à tenir les promesses mentionnées en introduction.

Nicolas DACHER
Docteur en sciences de gestion , ECE, PRISM SORBONNE

Nicolas Dacher, diplômé de l’université Paris 1 Panthéon-Sorbonne, de l’IAE de Paris et de HEC Paris est Docteur en sciences de gestion et ex-DRH. Il est chercheur associé au Pôle de Recherche Interdisciplinaire en Sciences du Management (PRISM) Sorbonne, responsable du département sciences humaines, sciences de gestion et langues chez ECE Paris-Lyon et chargé de cours à l’Université Paris 1 et Evry Val d’Essonne. Il y enseigne notamment la stratégie, le management, la théorie des organisations, la conduite du changement, la GRH et la stratégie SIRH.

  • MagRH1
  • MagRH2
  • MagRH3
  • MagRH4
  • MagRH5
  • MAgRH6
  • MagRH7
  • MAgRH7b
  • MagRH8
  • MagRH9LT
  • MagRH10
  • MagRH11
  • MagRH12

Mots-clés: MAGRH10, DATA RH

Transformation numérique, technologies, intelligence artificielle ...