Je ne suis pas certain qu’on ait commencé à y recourir en fait… d’abord parce que l’on ignore ce qui se cache derrière cette expression. Une vraie intelligence artificielle, c’est-à-dire une machine qui apprend, et pas une machine qui se contente de traiter des données, moi, je ne sais pas en citer une aujourd’hui, du moins qui ne soit pas expérimentale. De plus en plus de machines traitent les données, oui ; mais peu en deviennent plus intelligentes, et rares sont celles qui font des choses originales.

C’est vrai. Et ne pas définir précisément ce terme peut présenter plusieurs dangers. D’abord, cela donne lieu à une mode. Pour paraître modernes, puisque c’est dans l’air du temps, les entreprises se précipitent pour acheter des solutions de ce type. C’est particulièrement vrai pour les services des ressources humaines qui, depuis 30 ans, cherchent leur identité. Je viens de participer à une étude pour la Harvard Business Review. La question était de savoir comment un DRH choisit un algorithme. Nous en avions choisi un pour trier les CV. Et pour le leur vendre, nous avions inventé deux types d’argumentaires. Un très objectif, qui expliquait de façon sémantique ce qu’il allait faire et comment, sans promesse irrationnelle. L’autre assurait qu’il allait tout changer, faire baisser le turn-over… sans la moindre explication sur le mode de fonctionnement. Résultat ? Sans pression de leur direction générale, les DRH choisissent le premier logiciel, celui qui a été vendu avec les explications. Mais s’ils sont mis sous pression, le deuxième l’emporte. Cela montre bien que les DRH ont peu de liberté pour choisir de façon rationnelle. Ils sont notamment soumis à la pression de la concurrence : les autres sont équipés, je dois y aller, pour ne pas passer pour un ringard. Et puis introduire un tel logiciel peut leur permettre d’exister dans l’organisation, et de damer le pion à d’autres, les directeurs financiers par exemple.

L’autre péril, c’est la confusion que cette expression entretient entre la machine et l’algorithme. L’algorithme, c’est la logique de traitement. La machine informatique, c’est celle qui stocke les résultats ainsi obtenus. On pense trop souvent qu’un algorithme est un logiciel, et on se met à fantasmer sur cette boîte noire que devient alors la machine… Les algorithmes sont en effet entourés d’un halo de mystère. Ce mot veut vous tenir à distance, vous faire croire que vous ne pouvez pas comprendre. En digitalisant, on a prétendu que tout ceci était réservé à une élite. On se dispense d’expliquer alors qu’on aurait vraiment besoin de comprendre ce que fait la machine. On découvrirait notamment qu’en réalité, l’algorithme réalise des opérations qu’on faisait tout aussi bien avant, même avec un papier et un crayon. Mais on le faisait à une moindre échelle. Et aussi peut-être avec plus de transparence…

D’aussi loin que je me souvienne, les DRH ont toujours fait de la gestion prévisionnelle des emplois et des compétences. Le réflexe de connaître les compétences mobilisées pour occuper un poste n’est pas neuf. Certes, c’était moins précis, avec un simple tableur Excel. Que maintenant des machines le fassent à plus grande échelle ne répond toujours pas aux deux questions de base. Comment repérer des compétences, et qu’est-ce que le travail ?

On ne cesse de dire que la digitalisation va permettre de supprimer des postes inutiles, que le travail deviendra plus qualitatif… Mais alors est-ce que le tri des CV est une tâche trop bête pour la confier à un être humain ou au contraire, est-ce trop intelligent pour lui ? Je n’ai pas la réponse à la question. Je me demande en revanche si un logiciel de tri des CV ne peut pas permettre de réduire les biais des êtres humains… La machine peut bien sûr faire des erreurs, mais par exemple, elle ne choisira, ni n’écartera, un candidat en raison de son lieu d’habitation… Ce dont un homme ou une femme ne peut être certain. Même s’il ne le fait pas volontairement, le recruteur peut introduire des biais venus de son inconscient. La machine, elle, ne le peut pas.

Il faudra faire du testing de machine, comme on fait une check-list avant d’entrer dans un avion. Une façon de dire que ce qui est intéressant dans ces machines, c’est ce que vont en faire les hommes. Comment vont-ils se les approprier, voire les détourner, y compris de façon positive. Les développeurs ont une vision abstraite du travail mais, dès que les utilisateurs s’en emparent, le travail fait son grand retour et les activités réelles avec lui. Et donc au contact des utilisateurs, les outils deviennent plus performants.

Il y a cinq ans, j’aurais répondu oui à cette question. Aujourd’hui, plus que la formation, le problème selon moi tient à la composition des équipes en charge des ressources humaines. Depuis deux ou trois ans, on confie les missions de recrutement à des profils juniors, voire à des alternants. Ils sont à peine formés et en plus n’ont pas les compétences sur les aspects relationnels et politiques du recrutement. Par exemple, savent-ils que le profil idéal n’existe pas mais qu’un recrutement doit être le fruit d’un consensus entre les différents acteurs ?

Sur le plan éthique du traitement des données, il faut d’abord démystifier les data et les algorithmes. Ils ne traitent que les informations dont on dispose et, pour qu’ils fonctionnent, il faut que les données soient propres et situées dans un contexte. Ensuite, il faut encadrer les usages. Et donc comprendre ce que fait la machine et comment, pour ensuite décider de ce que l’on en fait, conclut, ou pas. Enfin, il convient de remettre de la stratégie dans tout ça… Il faut, à l’acquisition d’un nouvel outil, se demander en quoi il est réellement utile à l’entreprise, sur le long terme. Nous arrivons à un tournant. Il y a deux ou trois ans, les entreprises se sont jetées sur ces nouveaux outils sans discernement, pour se copier les unes les autres. D’autres les ont testés sans vraiment avoir les moyens de les évaluer, et ont conclu que ça ne fonctionnait pas. Aujourd’hui, on en revient donc à d’anciennes méthodes. Il faut trouver un point d’équilibre, parce que, par exemple, le tri des CV montre bien que des outils digitaux utilisés à bon escient peuvent apporter beaucoup. En particulier pour les tâches que les humains font mal, comme le tri de CV, le repérage de compétences, ou la gestion de carrière et des mobilités. Or, il est urgent de repenser la relation entre le salarié et son entreprise et, au-delà, le contrat social. Dans ce cadre, si la digitalisation permet aux équipes de s’épargner des tâches opérationnelles pour retrouver du temps afin de s’occuper des collaborateurs, ce sera une bonne chose. Il faudra alors repenser les parcours et les carrières professionnelles, en finir avec l’idée selon laquelle l’emploi n’est que l’affaire de l’individu, qui n’a qu’à bien se former pour rester employable, et pas, aussi, de l’entreprise.

Décider. Ce ne doit jamais être à elle de déterminer un recrutement. La machine doit juste nourrir la réflexion du recruteur. Sans ça, elle risque d’écarter les bons profils.

Psychologue et docteur en sciences de gestion, auteur, en 2009, d’une thèse intitulée Les Mondes de la carrière : approche socioproductive du succès, objectif de carrière des cadres français, soutenue à l’université de Paris-Nanterre, Jean Pralong, 47 ans, enseigne à l’école de management de Normandie. En lien avec le Lab RH, il s’interroge de longue date sur les questions de data et sur leur rôle dans la gestion des ressources humaines. Dernier ouvrage paru : The Good Job, Pearson, 2016.