Voici le terrible constat partagé par de nombreux responsables RH. Le coupable
souvent mis en avant est
le parc d’outils SIRH qui ne serait pas assez souple, moderne, innovant…
En réalité, ces derniers se sont contentés de répondre à la demande :
- Définir des métiers uniquement dans le but d’évaluer le collaborateur et
non pour mieux le connaître en tant qu’individu propre. - Destinés principalement à des utilisateurs RH, donc
peu engageants voire complètement fermés aux collaborateurs. - Déconnectés des opérations du quotidien.
- Éviter de rendre le collaborateur acteur de son parcours.
Mais c’est malheureusement une fuite en avant que vit le monde SI-RH aujourd’hui :
- Pas de Data, pas de chocolat.
- LinkedIn n’utilise pas une IA pour avoir des profils
complets et à jour. - Les outils ne sont pas magiques, les RRH doivent connaître
et maîtriser leurs données. (gestion des compétences)
Certes, l’IA révolutionne petit à petit de nombreux domaines.
Seulement, attention : en attendant de développer un sens commun comme
les humains, l’IA repose sur des
mécanismes d’apprentissage qui nécessitent beaucoup de données et d’entraînement. (si ce sujet vous intéresse, plus d’information ici)
IA (Intelligence Artificielle) = Big Data + Machine learning
[ Exemple: ce n’est pas parce qu’on a montré des millions de photos
de chat a une IA qu’il va pouvoir reconnaître un chat
la prochaine fois… ]
→ Des millions de chat = Big Data
→ Apprendre que c’est un chat = Machine learning
Ainsi, en l’absence de données internes et spécifiques à une entreprise, les
algorithmes reposent encore beaucoup sur des données publiques, ce qui pose des limites :
-
- Des données pas assez spécifiques pour être utilisable sur des problématiques
particulières à l’expertise de l’entreprise. - Le risque de reproduire des biais en se basant
sur le passé (Discrimination, favoritisme lié au diplôme…). - Les algorithmes sont efficaces lorsqu’ils se concentrent sur un cas d’usage spécifique (exemple : Mobilité grâce au Matching Offre d’emploi / Profil collaborateur), mais
ne permettent pas de réutiliser les données dans un autre contexte (ex :
Formations)
- Des données pas assez spécifiques pour être utilisable sur des problématiques
Mais alors, comment nourrir une IA avec la donnée interne de l’entreprise en complément de l’externe ?
Historiquement, les solutions SI-RH ont été conçues dans le but de faciliter la réalisation des processus RH. Techniquement
comme fonctionnellement, la donnée générée se limite au strict nécessaire. Comme
détaillé dans l’article précédent (Comment capturer la Skill Data ?),
les données servant aux analyses en matière de mobilité, d’évolutions de carrières,
de pilotage des ressources ou de GPEC sont issues de sources multiples et complexes
dans l’entreprise.
Deux actions sont à mener sur ce sujet :
- Enrichir les données avec l’activité quotidienne de
l’entreprise. - Rassembler toutes les sources de données disparates
pour les rendre disponibles aux algorithmes.
En d’autres termes : identifier et interpréter la Skill Data.
Une fois cette donnée rendue intelligible, basée sur l’ensemble des processus
RH et opérationnels, elle deviendra réellement la matière première précieuse de l’entreprise.
C’est ainsi que l’IA prendra tout son sens et sa dimension, en
prenant en compte et en apprenant de tous les paramètres, tous les enjeux et
toutes les contraintes d’une entreprise.
Avant de construire la raffinerie, creusons un puit de pétrole !
