Le feedback continu sur la performance semble révolutionnaire… jusqu’à voir comment les entreprises le mettent en place
Bénéfice de l’IA: Le feedback piloté par l’IA peut fournir des informations en temps réel, réduisant les biais présents dans les évaluations traditionnelles.
Qualité des données: De nombreuses organisations peinent à fournir des données suffisantes, à jour ou cohérentes, ce qui nuit à la qualité du feedback.
Problèmes de confiance: La transparence autour du feedback généré par l’IA est essentielle ; la façon dont on informe les salariés influence leur confiance et l’efficacité du feedback.
Écart d’implémentation: Le fossé se creuse entre les bénéfices potentiels de l’intelligence artificielle et la réalité de son application dans les organisations.
Boucles de feedback: Des boucles de feedback inefficaces raccourcissent les cycles d’évaluation sans corriger les défauts des entretiens annuels.
Les retours continus sur la performance alimentés par l'IA sont passés du statut de vœu pieux lors des conférences à celui de déploiement à grande échelle dans les entreprises, plus rapidement que la plupart des pratiques actuelles de gestion des talents.
Le discours commercial est le même chez tous les fournisseurs : des retours en temps réel, une réduction du biais de récence, un feedback qui n'est pas influencé par l'humeur du manager au moment de l'évaluation.
Les salariés réclament depuis longtemps des retours plus fréquents et plus précis que ceux apportés par les entretiens annuels. Les systèmes assistés par l'IA sont conçus exactement pour cela, mais l'écart entre la promesse et la mise en œuvre devient de plus en plus difficile à ignorer.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Le problème du simple visa par le manager
Les managers approuvent des synthèses générées par l’IA sans examiner les modèles qui les ont produites.
Andrew Whyatt-Sames, psychologue du travail et co-fondateur d’UptakeAI, qui accompagne des organisations déployant l’IA sur leurs processus RH et de performance, a observé cette situation à plusieurs reprises.
Lorsque l’IA génère une synthèse de performance, la plupart des managers la considèrent comme un projet à valider, et non comme un point de départ à questionner.
Un manager, trois mois après la mise en place du système dans une entreprise de 2 000 employés, lui confie : « Il était écrit ‘bon communicant’ et j'ai validé — toutes les données sont là, non ? »
Le modèle sous-jacent évaluait la communication à partir du taux de présence en réunion. Personne n’avait prévenu les managers de ce critère.
Le problème est en partie fondamental. Les systèmes de feedback continu nécessitent des données continues et de haute qualité. La plupart des organisations n’en disposent pas.
« Il n’a que le contexte que vous lui fournissez », explique Matt Poepsel, vice-président de l’Optimisation des Talents chez The Predictive Index, lors de notre échange à la conférence Transform en mars dernier. « C’est comme demander conseil à un ami sur votre manager qui vous répondrait : 'Je ne le connais pas vraiment — tu vas devoir me donner plus d’informations.' »
Les données RH, fait-il remarquer, étaient déjà incohérentes avant l’arrivée de l’IA. Des descriptions de poste issues d’annonces obsolètes, des évaluations de compétences liées à des exigences qui ont évolué, des profils comportementaux jamais élaborés parce que les managers n’avaient jamais été formés à les créer.
Nous avons des tonnes de données. La question est de savoir si ce sont les bonnes données.
Quand la qualité des données est faible, le feedback continu ne corrige pas le problème : il l’amplifie à une fréquence plus élevée.
La transparence est problématique dans tous les cas
La confiance ajoute une difficulté supplémentaire à l’adoption. Comme nous l’avons déjà évoqué, une étude de 2021 publiée dans le Strategic Management Journal a démontré que les feedbacks générés par l’IA sont plus efficaces que ceux des managers sur les critères mesurables, mais uniquement si les collaborateurs ignorent qu’ils proviennent d’une machine. Dès que l’origine est révélée, les effets positifs disparaissent.
Kamaria Scott, fondatrice et CEO d’Enetic, a constaté ce dilemme de transparence sur le terrain.
« Il ne faut surtout jamais mentir à ce sujet », affirme-t-elle. « Il faut être transparent. »
Les managers qui révèlent l'origine numérique du feedback risquent que les employés le rejettent. Ceux qui ne disent rien s’exposent à un problème de transparence qui finit généralement par remonter à la surface.
Selon Scott, l’enjeu est de savoir si ces systèmes servent de point de départ ou de point d’arrivée.
L’évaluation n’est pas la finalité. L’évaluation est le point de départ de la conversation.
À son avis, l’utilisation la plus défendable de l’IA dans la gestion de la performance consiste à l’utiliser comme une entrée de données qui ouvre la discussion, et non comme un résumé autonome. « Quelque chose qui dit : ‘Voici un point de départ neutre’ — c’est utile. Mais il faut se rejoindre au milieu. »
Les employés savent ce qui est mesuré
Selon Whyatt-Sames, le problème du contournement apparaît généralement environ six mois après le déploiement.
Les employés comprennent ce que le système surveille, le plus souvent par des moyens informels plutôt qu'officiels, et s’y adaptent. Plus de commentaires lors des points de suivi, plus d’objectifs balisés, une production compréhensible pour le système mais peu utile pour les humains. Un responsable formation avec qui il a travaillé appelait cela « jouer avec le tableau de bord ».
Le problème du volume suit un schéma similaire. Les organisations mesurent l’adoption par le nombre d’activités, donc tripler le volume de feedback semble être un succès.
Quand on audite le feedback lui-même, l’utilité baisse fortement, a déclaré Whyatt-Sames. Il devient plus court, plus stéréotypé et se concentre uniquement sur ce que le système récompense.
L’inversion du rapport signal/bruit n’apparaît souvent que lorsqu’une rétrospective est menée, alors que le schéma est déjà bien installé.
Quand le travail lui-même est partagé avec un agent
Scott a soulevé en mars une question qui reste sans véritable réponse : « À quoi ressemble la performance si les personnes ne réalisent plus elles-mêmes le travail, ou si les agents font la moitié du travail ? Comment allez-vous évaluer ma performance en tant que personne pour un travail que je ne réalise même plus complètement moi-même ? »
C’est une question à laquelle la plupart des solutions actuelles ne sont pas conçues pour répondre. Elles mesurent encore la production individuelle dans un contexte où les frontières de la contribution personnelle deviennent plus floues.
Pour Whyatt-Sames, la raison pour laquelle ces problèmes persistent relie les différents modes d’échec individuels.
Les organisations considèrent la couche IA comme la solution et sautent l’architecture du changement, a-t-il expliqué. Le système génère le feedback ; personne ne se demande si ce feedback modifie les comportements. C’est un problème de conception du déploiement, et la plupart des implémentations n’ont personne en charge de le résoudre.
Quant à l’enjeu fondamental, Poepsel a été très clair.
« Chaque décision concernant les personnes est une décision à fort enjeu. Nous devons y réfléchir attentivement pour aller aussi vite que nous le souhaitons. »
L’intérêt du feedback continu assisté par IA reste indéniable. Ce n’est pas la technologie en elle-même qui résout le problème de management pour lequel elle a été conçue.