L’intelligence artificielle (IA) est sans aucun doute un outil puissant. Sa valeur économique augmente énormément et transforme de nombreux secteurs tels que l’industrie manufacturière, FinTech, la santé et l’industrie automobile. Les travailleurs des finances et du marketing connaissent beaucoup de succès avec les technologies d’IA, tandis que les gestionnaires des ressources humaines (RH) trouvent plutôt difficile d’intégrer ces technologies dans leurs pratiques quotidiennes.

Prasanna Tambe, Peter Cappelli et Valery Yakubovich disent dans leurs recherches : « Il y a des différences systémiques et structurelles dans les RH qui rendent plus difficile l’élaboration d’un système fondé sur l’IA. « [1] La qualité et le pouvoir explicatif de Big Data et de l’intelligence artificielle étant limités, ils sont encore considérés comme non conventionnels dans les domaines des RH et de l’emploi. Afin de mieux comprendre ce sujet, les problèmes d’IA doivent être considérés sous l’angle de la science des données dans la gestion des RH.

Les pratiques en matière de RH posent trois grands défis en ce qui concerne la science des données. Le premier problème est le manque de cohérence dans la gestion des processus RH à travers la vie professionnelle. Par exemple, pour déterminer quel candidat devrait être embauché ou qui devrait être promu, il est crucial de consigner et d’analyser de façon cohérente les critères et les compétences qui ont été les facteurs décisifs dans le processus d’embauche précédent.

Le deuxième problème dans les pratiques RH est la limitation des ensembles de données produits dans la gestion des RH. Contrairement à certains secteurs comme le marketing et la finance, où beaucoup de données sont générées et facilement accessibles, la collecte de données dans la gestion des RH fait face à des défis majeurs en termes de quantité et de qualité. En outre, les données dans la gestion des ressources humaines sont souvent non structurées (sur papier, Excel ou PDF). Par conséquent, il est difficile pour l’ordinateur de traiter les données.

La dernière difficulté concerne les questions éthiques liées au traitement des données. Les résultats des décisions RH peuvent avoir un impact significatif sur la carrière d’une personne. Il est donc impératif de réfléchir à la manière dont l’équité et la transparence peuvent être réalisées. D’autre part, il est également crucial de savoir comment les employés réagissent à des résultats qui ne sont basés que sur des algorithmes basés sur des données. Morgan Hampton de Tesla a déclaré que « le recrutement devrait être automatisé autant que possible, l’embauche devrait rester humaine ».

En tenant compte de ces trois questions, lorsque les gestionnaires de RH cherchent des solutions d’IA, ils devraient se concentrer sur les aspects suivants pour utiliser plus efficacement l’IA. Les gestionnaires de RH doivent créer le processus des RH qui est prêt pour l’ère numérique ainsi que la technologie de l’IA.

À présent, les technologies d’IA sont indépendamment séparées, par exemple dans le recrutement et l’acquisition de talent, le management de gestion de la paie et dans les transactions de self-service. Cependant, elles manquent un mécanisme pour générer les données qui peut assister l’ensemble du processus d’IA dans les pratiques de RH.

Souvent, les responsables de RH ne conservent que les applications qui les intéressent et ignorent celles qui sont éliminées. Cela conduit à une conclusion et à une analyse unidimensionnelles[1]. Tous ces critères devraient être respectés lors de la collecte des données et devraient être évalués à terme pour faciliter l’élaboration de modèles de Big Data et de processus d’IA.

En outre, il est important de générer des données de manière durable. Par exemple, il existe des applications d’IA qui peuvent prédire quels travailleurs quitteront bientôt leur emploi et certaines permettent de suivre les points de données dans les réseaux sociaux ou les courriels des employés [2]. Si les employés étaient au courant d’un tel système, ils changeraient probablement leur comportement et produiraient délibérément des données trompeuses.

L’année passée, l’histoire sur l’outil de recrutement d’IA d’Amazon qui est biaisé contre les femmes étant la preuve que l’apprentissage automatique peut reproduire les attitudes humaines. Le sexe n’est pas le seul aspect, qui peut être à l’origine de la discrimination. L’âge, la nationalité ou l’ethnicité peuvent également avoir un impact négatif, empêchant des entreprises de recruter de manière inclusive et diversifiée. Les gestionnaires de RH doivent collecter avec soin des échantillons de données représentatifs et ils devraient chercher des solutions d’IA explicables. Les réseaux neuronaux complexes de l’apprentissage profond sont loin d’être explicites.

A ce jour, les critères de données standards que les responsables de RH doivent respecter tout au long du cycle de pratique RH n’existent pas encore. Cela signifie que les gestionnaires de RH doivent faire équipe avec le service informatique interne de leur entreprise ou avec des fournisseurs d’IA externes, afin de déterminer quelles données sont tracées et comment il faut les mesurer, pour ainsi établir les meilleures pratiques pour l’IA dans leur entreprise.

Chez JANZZ.technology, nous croyons que la collecte et la structuration des données sont fondamentales pour créer de Smart Data. Notre outil d’analyse extrait les entités correctes du papier, d’Excel ou de PDF, assurant un traitement des données de bout en bout équitable dès le début. Voulez-vous savoir plus sur notre analyseur et comment nous pouvons vous aider dans votre voyage de transformation AI ? Veuillez écrire à sales@janzz.technology

[1]Prasanna Tambe, Peter Cappellli and Valery Yakubovich. 2019. Artificial intelligence in human resources management: Challenges and a path forward. URL:https://www.researchgate.net/profile/Peter_Cappelli/publication/328798021_Artificial_Intelligence_in_Human_Resources_Management_Challenges_and_a_Path_Forward/links/5c5edc7f299bf1d14cb7dc5f/Artificial-Intelligence-in-Human-Resources-Management-Challenges-and-a-Path-Forward.pdf [2019.10.20]

[2] Samantha Mclaren. 2019. Here’s how IBM predicts 95% of its turnover using data. URL:https://business.linkedin.com/talent-solutions/blog/artificial-intelligence/2019/IBM-predicts-95-percent-of-turnover-using-AI-and-data[2019.10.20]