Chapitre 2
Technologies émergentes et limites
Distinguer automatisation, prédiction et génération afin de choisir des applications proportionnées.
2.1 Apprentissage automatique
L’apprentissage automatique ajuste des modèles à partir d’exemples. En ressources humaines, il peut faciliter la classification documentaire, la recherche de compétences ou l’identification de tendances collectives. Son utilité dépend de la qualité de l’objectif, de la représentativité des données et d’une évaluation indépendante de l’entraînement.
Une prédiction n’identifie pas, à elle seule, les causes d’un résultat. Lorsque le contexte change, les relations apprises peuvent perdre leur stabilité. Il faut comparer le modèle à des solutions simples et vérifier si l’amélioration compense les coûts, la complexité et les risques supplémentaires.
2.2 Langage et assistants génératifs
Les modèles de langage peuvent aider à rédiger des descriptions de postes, à résumer des politiques ou à proposer des supports de formation. Leurs réponses doivent être vérifiées avant de communiquer des conditions de travail ou d’interpréter des règles. La fluidité d’une explication ne prouve ni l’existence de la source ni l’exactitude de la conclusion.
Un assistant interne doit délimiter ses sources, signaler l’incertitude et orienter les questions sensibles vers des professionnels. Les documents récupérés peuvent eux aussi contenir des instructions malveillantes. Les essais doivent inclure des questions ambiguës, des politiques contradictoires et des demandes dépassant les autorisations de l’utilisateur.
2.3 Automatisation des processus
L’automatisation fondée sur des règles peut traiter des tâches répétitives sans recourir à l’intelligence artificielle. Traiter une demande complète ou vérifier un champ obligatoire sont des exemples d’opérations relativement circonscrites. Choisir une solution simple facilite les essais et réduit la dépendance à des composants difficiles à expliquer.
Tout flux automatisé doit gérer les exceptions et empêcher qu’une erreur se répète à grande échelle. Il doit exister une file d’attente pour examen, une personne responsable et un moyen d’arrêter l’exécution. Les améliorations se mesurent sur l’ensemble du processus, y compris le travail nécessaire pour corriger les incidents.
2.4 Émotions, biométrie et surveillance
Il ne faut pas présumer que la voix, le visage ou les microexpressions permettent de déduire valablement l’honnêteté, la personnalité ou l’aptitude professionnelle. Une corrélation apparente peut refléter le contexte, un handicap, la langue ou les conditions d’enregistrement. Ces usages nécessitent une évaluation scientifique et juridique particulièrement rigoureuse.
Dans le cadre européen, le règlement sur l’intelligence artificielle interdit certaines inférences émotionnelles au travail, avec des exceptions délimitées pour des raisons médicales ou de sécurité. Il ne constitue pas une autorisation générale de surveiller le bien-être. Il convient de consulter le texte en vigueur et les orientations officielles applicables au cas concerné [R1].
2.5 Choisir une technologie proportionnée
Le choix commence par un besoin vérifiable. Il faut ensuite examiner les solutions possibles, les données nécessaires, l’accessibilité, les coûts de maintenance et la possibilité de retrait. Un outil n’est pas préférable du seul fait de sa nouveauté. Certains besoins trouvent une meilleure réponse dans des changements organisationnels ou dans la formation.
L’analyse doit préciser qui bénéficie de la solution et qui supporte le risque. Une solution qui fait gagner du temps au service peut créer des obstacles pour les candidats. La décision doit intégrer ces points de vue et décrire les limites d’utilisation de façon compréhensible.
Questionnaires
Compréhension du chapitre & Dilemmes en ressources humaines
Les dilemmes ne donnent lieu à aucune note morale et ne servent pas à évaluer des candidatures.