Le retour d’information continu sur la performance semble révolutionnaire… jusqu’à voir comment les entreprises l’appliquent
Avantage de l’IA: Le feedback généré par l’IA permet des aperçus en temps réel, réduisant les biais observés dans les évaluations traditionnelles.
Qualité des données: Beaucoup d’organisations rencontrent des difficultés avec des données insuffisantes, obsolètes ou incohérentes, ce qui nuit à la qualité du feedback.
Problèmes de confiance: La transparence du feedback généré par l’IA est cruciale : la divulgation influence la confiance des employés et l'efficacité du retour d'information.
Fossé de mise en œuvre: Un écart croissant existe entre les bénéfices potentiels de l’IA et son application concrète dans les entreprises.
Boucles de feedback: Des boucles de feedback inefficaces raccourcissent peut-être les cycles d’évaluation mais ne résolvent pas les problèmes des revues annuelles.
Le feedback continu sur la performance, propulsé par l’IA, est passé de tendance lors des conférences à un déploiement en entreprise plus rapidement que la plupart des pratiques de gestion des collaborateurs de ces dernières années.
Le discours est cohérent chez tous les fournisseurs : des retours en temps réel, moins de biais lié à la mémoire récente, un feedback qui n’est pas influencé par l’humeur du manager au moment de l’évaluation.
Les employés expriment depuis longtemps leur souhait d’obtenir des retours plus fréquents et plus précis que ceux des entretiens annuels. Les systèmes assistés par IA sont conçus précisément pour cela, mais l’écart entre les promesses et leur 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 manager tampon
Les managers valident des synthèses générées par l’IA sans examiner les modèles qui les produisent.
Andrew Whyatt-Sames, psychologue organisationnel et cofondateur d’UptakeAI, qui accompagne des organisations dans le déploiement de l’IA pour les processus liés aux collaborateurs et à la performance, a observé ce phénomène à de multiples reprises.
Quand l’IA génère un résumé de performance, la plupart des managers le considèrent comme un brouillon à approuver plutôt que comme un point de départ à questionner.
Un manager opérationnel, trois mois après le déploiement dans une entreprise de 2 000 personnes, lui a déclaré : « Ça dit ‘communicateur efficace’ et j’étais d’accord — toutes les données sont là, non ? »
Le modèle sous-jacent accordait une grande importance à la participation aux réunions comme indicateur de la qualité de communication. Personne n’avait informé les managers de cela.
Le problème est en partie structurel. Les systèmes de feedback continu ont besoin de données continues et de qualité. La plupart des organisations n’en disposent pas.
« L’IA ne dispose que des éléments de contexte que vous lui fournissez, » explique Matt Poepsel, Vice-Président Talent Optimization chez The Predictive Index, lors de notre discussion à la conférence Transform en mars. « C’est comme demander conseil à un ami sur son patron alors qu’il ne le connaît pas du tout — il faut d’abord lui expliquer. »
Il précise que les données sur les collaborateurs étaient déjà incohérentes avant même l’arrivée de l’IA : fiches de poste dépassées, évaluations des compétences reposant sur des critères obsolètes, profils comportementaux non construits, faute de formation des managers à la collecte de ces éléments.
Nous avons une masse de données. La question est de savoir si ce sont les bonnes données.
Lorsque les données de base sont faibles, le feedback continu ne permet pas de corriger les erreurs automatiquement. Il accentue au contraire le problème, à un rythme plus élevé.
La transparence pose problème, peu importe l’approche
Il existe une dynamique de confiance qui complique davantage l’adoption. Comme nous l’avions déjà évoqué, une étude publiée en 2021 dans le Strategic Management Journal a montré que le feedback généré par l’IA donne de meilleurs résultats, d’un point de vue mesurable, que celui des managers humains — mais uniquement lorsque les employés ignorent que cela provient d’une machine. Une fois la source dévoilée, ce gain disparaît.
Kamaria Scott, fondatrice et CEO d’Enetic, a observé ce phénomène de transparence de près.
« Mais surtout, il ne faut jamais mentir à ce sujet, » dit-elle. « Il faut jouer la carte de la transparence. »
Les managers qui révèlent l’usage d’un retour généré par IA risquent de le voir rejeté par les collaborateurs. Ceux qui taisent ce recours finissent souvent rattrapés par le problème tôt ou tard.
L’enjeu, selon Scott, est de savoir si ces systèmes doivent servir de point de départ ou de point final.
L’évaluation n’est pas la finalité. L’évaluation est le point de départ de la conversation.
De son point de vue, la meilleure utilisation de l'IA dans la gestion de la performance est celle d'une donnée d'entrée qui ouvre la discussion, et non pas celle d'un résumé autonome. « Quelque chose qui dit : 'Voici un point de départ neutre pour nous' — cela est utile. Mais il faut ensuite se retrouver au milieu. »
Les employés savent ce qui est mesuré
Le problème de détournement apparaît généralement environ six mois après le déploiement, selon Whyatt-Sames.
Les employés apprennent ce que le système analyse, le plus souvent via les canaux informels plutôt qu'officiels, et s'ajustent en conséquence. Plus de commentaires lors des suivis, plus d'objectifs tagués, des résultats lisibles par le système mais inutiles pour toute autre personne. Un responsable formation avec qui il a travaillé a qualifié cela de « jouer avec le tableau de bord ».
Le problème de volume suit un arc similaire. Les organisations mesurent l'adoption via le nombre d'activités, donc tripler le volume de retours semble être une réussite.
Lorsqu'on audite les retours eux-mêmes, le caractère actionnable s'effondre rapidement, a expliqué Whyatt-Sames. Ils deviennent plus courts, plus formatés et se concentrent sur ce que le système récompense.
L'inversion du rapport signal/bruit n'apparaît souvent que lorsqu'une rétrospective est réalisée, et à ce stade le schéma est déjà bien ancré.
Quand le travail lui-même est partagé avec un agent
Scott a posé une question en mars qui n'a toujours pas reçu de réponse satisfaisante : « À quoi ressemble la performance si les personnes elles-mêmes ne font plus le travail, ou si des agents en font la moitié ? Comment allez-vous évaluer ma performance personnelle pour un travail que je ne réalise même plus entièrement moi-même ? »
C'est une question que la plupart des implémentations actuelles ne sont pas conçues pour adresser. Elles mesurent toujours la production individuelle, alors même que les frontières de la contribution personnelle deviennent moins claires.
L'analyse de Whyatt-Sames sur la persistance de ces problèmes relie les différents modes d'échec individuels.
Les organisations traitent la couche IA comme la solution et négligent l’architecture du changement, expliquait-il. Le système génère les retours ; personne ne s'interroge sur le fait que ces retours induisent réellement un changement de comportement. C’est un problème de conception du déploiement et, dans la plupart des cas, personne n’est chargé de le corriger.
Quant à l’enjeu de fond, Poepsel l’exprime simplement.
« Toute décision concernant les personnes est une décision à forts enjeux. Il faut l’aborder avec atention afin d'aller aussi vite qu'on le souhaite. »
La cause du feedback continu assisté par IA reste valable. Mais croire que le simple déploiement de la technologie résout le problème managérial qu'elle est censée adresser est une erreur.