L’intelligence artificielle générative promet aux fonctions RH un gain de temps considérable : des centaines d’heures économisées dans une entreprise de dix salariés, des dizaines de milliers dans un grand groupe. Mais cette promesse repose sur une condition que l’on oublie trop souvent : l’IA n’améliore que des méthodes qui fonctionnent déjà. « L’IA ne peut pas faire ce que vous ne savez pas faire » Antoine Rial-Petat.

Efficacité d’abord, efficience ensuite

Antoine Rial-Petat distingue deux notions. L’efficacité consiste à atteindre les objectifs de la fonction ; l’efficience à les atteindre avec le même niveau de qualité, mais moins de moyens. L’IA agit sur la seconde, à condition que la première soit acquise. Automatiser un processus mal maîtrisé, c’est seulement produire plus vite de mauvais résultats.

Pour lui, la fonction doit d’ailleurs changer de nom. Il propose de parler d’IA « TO » (Talents et Organisation) et de SITO plutôt que d’IA RH et de SIRH. L’expression « ressources humaines » lui paraît réductrice : elle oublie les postes et l’organisation, et réduit les personnes à des ressources alors qu’elles ont aussi une psychologie et des motivations. La mission de la fonction est de mettre en relation les postes et les personnes, au service de la performance des organisations, mais aussi de la santé et de la sécurité de chacun. Il rappelle à ce titre que la charte de l’Organisation internationale du Travail ne parle jamais de « RH » et affirme que le travail n’est pas une marchandise.

Trois conditions préalables

Le premier pilier est la qualité des données. L’IA amplifie le signal : une base mal tenue produira des analyses fausses, mais présentées avec aplomb. Les données doivent être disponibles, intègres, sécurisées et conformes (le principe « DISC »), et la direction doit décider explicitement lesquelles peuvent être confiées à une IA générative.

Le deuxième pilier est l’expression de besoin doit être experte et opérationnelle. Un bon prompt demande deux compétences : savoir décrire précisément le livrable attendu, ce qui relève de la gestion de projet, et maîtriser le processus RH concerné. Il faut savoir répondre de façon argumentée à chaque candidature, expliquer un salaire à l’euro près, mettre en place une formation efficace ou repérer les départs probables. Sans cette expertise, la demande est floue et la réponse approximative.

Le troisième pilier est le contrôle humain. L’IA préfère répondre de façon approximative plutôt que d’avouer qu’elle ne sait pas, et ses productions sont formellement impeccables, donc séduisantes même lorsqu’elles sont fausses. Tout livrable doit être relu et validé par les experts métiers, les dirigeants et les parties prenantes avant d’être utilisé. L’IA reste un assistant intelligent, pas un décideur.

Des indicateurs pour piloter

Antoine Rial-Petat suit le cycle de vie d’une entreprise : des fondateurs passionnés, un carnet de commandes qui s’allonge, puis la nécessité d’embaucher, de former et de rémunérer. Trois indicateurs stratégiques mesurent la performance de la fonction :

• le taux d’occupation des postes, c’est-à-dire la part des postes non pourvus, qu’il considère comme l’indicateur numéro un ;
• le taux d’adéquation entre les compétences des personnes et celles des postes ;
• le suivi de l’absentéisme, des accidents du travail et des maladies professionnelles.

Une fois ces objectifs posés, chaque processus doit être décliné dans un agent IA dédié.

Construire le socle : le système d’information et le référentiel de données

Le premier agent définit l’architecture du système d’information Talents et Organisation (SITO), qui alimente un entrepôt de données, le Talent and Organisation Data Lake. Il s’appuie sur le modèle DOOD (Demande-Offre / Offre-Demande), qui décrit le marché de l’emploi comme une double rencontre symétrique. L’entreprise demande des compétences, des connaissances et de la disponibilité, et offre des conditions de travail, de la formation et une rémunération. La personne offre ses compétences et demande du sens, des perspectives d’évolution, une culture, un salaire. Chacun est à la fois offre et demande.

Le deuxième agent produit le référentiel de données de l’organisation à partir de sa stratégie, de ses produits et de ses clients. Il couvre quinze catégories : compétences et connaissances, conditions de travail, missions et objectifs du poste, identité, contrats, statuts, gestion des temps, localisations, rémunération, données judiciaires, santé, parcours, formations, administration et organigramme. Chacune fait l’objet d’un agent, puis l’ensemble est consolidé dans un dictionnaire de données.

Une règle gouverne tous les livrables : ils doivent être authentiques, uniques et opérationnels. Le générique, qui pourrait s’appliquer à n’importe quelle entreprise, dégrade le signal.

Le cas LIPPI : un référentiel de compétences en un clic

Le document détaille un seul de ces agents, celui des compétences et connaissances, appliqué à LIPPI, fabricant français de portails et de clôtures (95 % de production en France, plus de 240 collaborateurs, environ 30 000 références). Son offre est organisée en trois univers : Délimitation, Aménagement et Expression.

L’agent produit un tableau qui croise dix-neuf compétences (techniques, sectorielles, comportementales, connaissances produit) avec sept actions de l’entreprise : conception, production, vente, marketing, réseau, conseil client et pilotage. Trois règles de gouvernance l’encadrent :

1. les postes demandent des compétences et les personnes en offrent, ce qui rend possible un rapprochement ;
2. une échelle de cotation commune, applicable aussi bien au niveau requis par le poste qu’au niveau détenu par la personne (de « non requise » à « référence », la matrice appliquée allant de 0 à 5) ;
3. des définitions précises : une compétence est un savoir-faire qui produit un résultat tangible, une connaissance est la maîtrise de l’information utile et la capacité à la mobiliser.

Chaque cotation élevée est justifiée par un trait distinctif de l’entreprise. La fabrication industrielle atteint ainsi le niveau 5 parce que LIPPI revendique son rang de deuxième industriel français du secteur, et l’animation de réseau aussi parce que son modèle repose sur ses concessionnaires et installateurs.

Ce référentiel sert ensuite de base à toute la gestion des talents. En le croisant avec les fiches de poste et les entretiens annuels, on construit une base unique postes/talents. Un agent de formation calcule l’écart entre le niveau requis et le niveau détenu, par compétence et par salarié : un écart de -2 sur l’écoute signale un besoin de formation, un écart positif désigne un futur tuteur ou formateur. La même base permet de repérer les hauts potentiels et d’identifier les carences de l’organisation.

Quand l’IA se trompe : deux démonstrations

L’annonce de recrutement. L’auteur demande à ChatGPT de réécrire l’annonce d’un poste de directeur de copropriété. À chaque tour, l’IA retombe dans un travers. Elle commence par fonder la sélection sur le diplôme et l’expérience, qui ne sont que des présupposés de compétences et non des garanties. Elle produit ensuite un texte générique, où la curiosité et la diplomatie conviendraient à n’importe quel secteur. Enfin, elle oublie les exemples concrets. Il faut quatre corrections de l’expert pour obtenir une annonce juste, qui décrit des situations réelles (un dégât des eaux, une assemblée générale, un copropriétaire mécontent, un prestataire défaillant), n’exige aucun diplôme particulier et promet une évaluation puis une formation à l’arrivée. Ces exemples permettent au candidat de se projeter et écartent naturellement ceux que le métier n’intéresse pas.

L’analyse de CV. L’auteur soumet son propre CV à l’IA, qui répond avec assurance qu’elle le convoquerait « sans hésiter » et lui attribue des notes sur dix. Il lui oppose qu’un CV est déclaratif, parfois faux, et qu’on ne peut en déduire aucune compétence. L’IA reconnaît son erreur et formule une distinction utile entre ce qui est écrit, ce qui est supposé et ce qui est réellement démontré. Un CV est une hypothèse sur un candidat, pas une mesure. Elle ajoute une question de fond : cherche-t-on quelqu’un qui sait déjà faire le travail, ou quelqu’un capable de réussir dans le travail ? Sur un marché où les profils sont rares, former en interne un candidat qui possède 70 % des compétences peut valoir mieux que d’attendre le profil idéal. Les processus automatisés centrés sur le CV favorisent le premier critère, plus facile à repérer, et risquent d’écarter un excellent candidat faute du bon mot-clé.

Du référentiel aux autres processus

Le référentiel de compétences n’est que la première brique : chaque processus doit d’abord être solide en lui-même, l’IA venant ensuite l’accélérer.

Le recrutement est décomposé en une chaîne d’agents successifs : établir l’offre et la fiche de poste, rédiger l’annonce, choisir les canaux de diffusion, anonymiser les candidatures, apprécier les compétences et connaissances, mesurer la correspondance entre l’offre de l’entreprise et les motivations du candidat, formaliser une décision argumentée, la communiquer, puis assurer l’intégration. L’anonymisation et la décision argumentée témoignent d’un souci d’équité : l’IA doit aider à décider de façon lisible et contrôlable, pas à trier dans l’opacité.

La rémunération suit une logique descendante. On part du business plan pour déterminer la masse salariale, on définit les avantages sociaux, puis on décline la masse en salaires bruts et en parts variables, individuelles ou collectives. Pour pondérer les postes, Antoine Rial-Petat renvoie aux méthodes classiques de cotation, notamment Hay et Mercer. Une politique performante reste celle que les salariés comprennent et jugent équitable.

La formation s’appuie directement sur le référentiel : les écarts de compétences révèlent les besoins, et les personnes en avance sur leur poste deviennent des tuteurs ou des formateurs, y compris dans une logique de mentorat inversé. Antoine rappelle toutefois que le succès d’une formation dépend autant du fond que de la méthode, du contexte, de la pédagogie et du public.

La logique est partout la même : on définit d’abord le processus avec un expert, on en fait ensuite un agent, et un humain valide chaque production avant usage.

Par où commencer

Les principes qui dessinent une démarche réaliste pour une organisation qui débute :

1. Cadrer l’usage de l’IA. La direction décide quelles données peuvent être partagées avec une IA générative et dans quelles conditions, conformément aux principes de disponibilité, d’intégrité, de sécurité et de conformité.
2. Recenser les systèmes d’information utilisés pour gérer les personnes et les métiers, afin de savoir quelle donnée sert à quoi.
3. Construire le référentiel de compétences à partir de la stratégie et de l’offre de l’entreprise, puis le faire valider par les managers, les experts métiers et les RH.
4. Renseigner la base postes/talents avec les fiches de poste et les entretiens annuels, et en tirer les premiers écarts de compétences.
5. Déployer les agents un par un, en commençant par les processus que l’on maîtrise le mieux, et relire chaque résultat avant de l’utiliser.

Antoine Rial-Petat reconnaît l’ampleur de la tâche : déployer l’ensemble des agents représente des centaines d’heures de travail pour une organisation de quelques dizaines de salariés, et des milliers pour une grande structure. C’est précisément ce qui justifie l’effort, puisque ces heures sont ensuite récupérées chaque année.

Ce qu’il faut en retenir

• Les fondations d’abord. Des données propres, un besoin exprimé par un expert et un contrôle humain systématique conditionnent tout le reste.
• Le référentiel de compétences est le socle commun. Il alimente à la fois le recrutement, la formation, la rémunération et le pilotage.
• Le spécifique l’emporte sur le générique. Une IA livre volontiers un texte plausible mais standard ; c’est à l’expert d’exiger l’authentique et le concret.

L’IA n’est donc pas un substitut à l’expertise RH : elle l’amplifie, pour le meilleur comme pour le pire. Les organisations qui en tireront parti seront celles qui auront d’abord clarifié ce qu’elles veulent, et savent reconnaître une mauvaise réponse lorsqu’elle est bien rédigée.

_________________

Article de Antoine Rial-Petat, référent Management et Performance RH à l’IFG Executive Education

Antoine Rial-Petat est Directeur exécutif Talents & Organisation chez Poieo Technologie, Référent Performance et Management RH à l’IFG Executive Éducation, enseignant à l’IAE de Corse et à l’Institut de Gestion Sociale. Fort d’un parcours de Chief Data Officer et DRH au sein de grands groupes internationaux (BNP Paribas, Cardif IARD, Moody’s ESG Solutions), il est aujourd’hui conseiller de dirigeants. Expert reconnu de la data RH, il a notamment structuré des « Talent & Organisation Data Lake » et conçu des stratégies de référentiels data au service de l’IA RH opérationnelle. Conférencier international, il s’appuie sur de grands événements historiques pour en tirer des enseignements utiles aux leaders d’aujourd’hui. Son approche, une fonction RH plus stratégique, mesurable et directement connectée aux enjeux opérationnels. Son credo : ne pas parler de data ou d’IA pour faire moderne, mais les utiliser pour obtenir des résultats.