IA dans la gestion du personnel

Comme beaucoup de domaine, la gestion du personnel n’échappe par à l’intelligence artificielle

Des IA pour trier les CV, des robots pour analyser les entretiens d’embauche, des fonctionnalités pour détecter les émotions par vidéo… l’IA et le machine learning font leur apparition dans le recrutement et promettent aux responsables RH des gains de temps considérables dans un process souvent fastidieux et complexe.

Si les solutions existent, y a-t-il un marché en France ? Avec les recrutements à distance qui s’intensifient pendant le confinement, ces technologies apparaissent comme une solution pour recruter plus vite et plus efficacement. Mais les promesses qu’elles offrent n’ont pas encore su rencontrer leur public, même si certains employeurs y voient déjà des perspectives intéressantes.

« Nous en sommes au premier stade de maturité de la technologie », analyse Stéphane Roder, CEO d’AI Builders. Autant dire que le chemin sera long avant de toucher les PME et convaincre les départements RH de tester ce type de solutions en interne.

Pour Stéphane Roder, c’est une question d’échelle. « Ce qui existe aujourd’hui est dédié aux grands groupes. Plus le volume est important, plus ce genre de technologie trouve son intérêt. » Les solutions de recrutement basées sur l’IA doivent avant tout convaincre sur le plan économique. « Ce n’est pas tant l’IA que les éditeurs de solutions vendent, mais les gains de performance. Il faut que ça ait du sens en termes de ROI », estime ce dernier. « Quand une société recrute ponctuellement, cela ne vaut pas la peine de faire l’acquisition de ce genre de solution. »

L’IA répond à des besoins très spécifiques

Afin que les recruteurs y trouvent leur compte, il faut qu’ils expriment « des besoins très spécifiques », insiste le spécialiste de l’IA. « Une société du BTP qui recrute en moyenne 100 géomètres par mois n’a pas le temps physiquement de faire passer des entretiens. Le tri est fait pendant la période d’essai. Le temps gagné à faire passer des entretiens est dédié au terrain, du coup le process s’inverse », observe-t-il.

L’expert constate que le recours à l’IA et au machine learning fait aussi gagner un temps précieux dans l’analyse de gros volumes de données. De telles technologies pourraient notamment permettre de « prédire l’absentéisme » dans certains secteurs comme les transports, où les roulements sont nombreux et où les recrutements doivent être anticipés.

Quand les entreprises n’ont pas besoin de recruter à tour de bras, l’IA n’est en revanche pas la priorité des DRH. « Dire que les recruteurs utilisent plus l’IA est une impression. Ce sont les algorithmes de LinkedIn qui sont aujourd’hui les plus utilisés, or c’est pour l’instant un simple moteur de recherche », note Stéphane Roder. « In fine, c’est l’humain qui fait le recrutement. »

Selon le spécialiste, les éditeurs de solution gagneraient à se focaliser davantage sur les besoins des clients. « Il y a un vrai marché, il faut arriver avec de bons produits dans le bon contexte. On voit beaucoup de choses qui se font aujourd’hui qui sont anecdotiques, parce que cela n’a pas de sens d’un point de vue économique. »

Une attitude plus « data centric » que par le passé

Ces perspectives amènent aujourd’hui le département RH d’iBanFirst à envisager un recours à de telles solutions dans le process de recrutement. Toutefois, la société réfléchira dans un premier temps à construire un algorithme en interne avec son département data et BI, « quitte à devoir créer un partenariat avec une école » plutôt que d’aller prospecter, indique Jennifer Bos.

Bien que cette logique puisse être le signe d’une certaine frilosité vis-à-vis de l’IA, elle relève surtout d’une logique budgétaire. « Nous essayons au maximum de réduire les coûts », justifie la DRH. Si une telle solution basée sur l’IA venait à se déployer, ce serait un « plus » pour le département RH.

Pour Jennifer Bos, l’entrée de la technologie dans les process internes est le témoin de l’attitude « data centric » des départements RH. La responsable souligne que la plupart des solutions vendues sur le marché s’arrêtent souvent au premier stade du recrutement, et ne comblent pas tout le champ des attentes des recruteurs. « Dans l’idéal, ce serait bien d’aller au-delà du simple Tinder du recrutement. »

Attention au biais des systèmes de recrutement

Tout algorithme est sujet à des biais ; tout simplement qu’il est « éduqué » par des « pauvres » humain qui inconsciemment peuvent transmettre des données biaisées… Dit autrement : les préjugés des humains sont transmis aux algorithmes.

Cas réelle d’une expérience :

Les scientifiques ont tout d’abord donné à 40 recruteurs humains de vrais CV pour des emplois chez UniBank, l’entreprise finance cette expérimentation.

La moitié du jury de sélection a épluché des candidatures où le sexe du candidat était déclaré, tandis que l’autre recevait les mêmes CV où les noms étaient interchangés. Ainsi, Mark devenait Sarah et Rachel était remplacé par John. Le constat est alors sans appel. Les recruteurs ont systématiquement préféré les CV de candidats aux prénoms masculins, même si ces derniers avaient des qualifications et une expérience similaires à leurs homologues féminines. Dans la foulée, les scientifiques ont ensuite utilisé ces données pour créer un algorithme de recrutement. Ce dernier a reproduit les préjugés des humains, même lorsque les noms des candidats ont été supprimés.

Fort de ce constat, les chercheurs estiment que pour réduire les risques de biais, les algorithmes de recrutement devraient être plus transparents. Ils jugent également qu’un travail d’éducation doit être mené contre les préjugés des humains, sans quoi ces derniers se répercutent au final sur les machines.

Le résultat est on ne peut plus claire. Ceci n’est qu’un exemple particulier mais, dans d’autres domaines comme pour la reconnaissance faciale avec « oubli » de certaines catégories comme les personnes de ‘couleur’.

The devil is in the détails…

DataRobot, Google AutoML, H2O.ai… Les solutions d’automated machine learning se multiplient depuis quelques années. Leur ambition ?

Automatiser la création de modèles d’apprentissage.

Nouveau buzzword de l’IA, l’automated machine learning (auto ML) promet comme son nom l’indique d’automatiser la création de modèles d’apprentissage. Ces dernières années, de nombreux acteurs se sont lancés à l’assaut de ce nouveau Far West. En 2012, les pure player DataRobot et H2O.ai s ouvrent la route. Google leur emboîte le pas en 2018 en lançant son service cloud AutoML. En 2019, c’est au tour de Microsoft avec Azure ML, et d’AWS avec Sagemaker Autopilot. En parallèle, des studios de data science entrent dans la danse en intégrant cette dimension à leur offre. C’est le cas du français Dataiku, de l’allemand Knime ou de l’américain Rapidminer (lire le comparatif des outils d’automated machine learning). Ces solutions peuvent-elles prétendre remplacer le travail du data scientist ? Evidemment en partie, mais pour l’heure elles sont avant tout considérées comme des outils susceptibles d’assister le scientifique de la donnée dans la mise en œuvre de ses projets.

« L’automated machine learning permet à un data analyst de créer rapidement un modèle simple, par exemple un classifieur d’images, en l’entraînant à partir d’un data set de photos labellisées », explique Didier Gaultier, directeur data science & AI au sein de Business & Decision, filiale d’Orange experte en data.  Le mode opératoire d’un environnement d’auto ML ? En fonction d’un problème à résoudre (une prédiction financière, une maintenance préventive, de la reconnaissance d’images…), il commence par  sélectionner plusieurs algorithmes possibles. Puis il les entraîne, comme vu plus haut, sur la base d’un set de données d’apprentissage prédéfini. Via une couche de scoring, il compare ensuite leurs résultats en mixant plusieurs combinaisons d’hyperparamètres. Dans le cas du deep learning, ces derniers correspondent par exemple au nombre de couches du réseau de neurones et au nombre de nœuds dans chaque couche. Compte tenu de l’objectif cible à atteindre, le modèle le plus performant est retenu au final.

L’auto ML, un assistant

Si le problème à résoudre devient plus complexe, l’automated machine learning sera vite dépassé. « Ces solutions sont très performantes pour benchmarker les modèles d’apprentissage supervisés classiques : régression linéaire, arbre de décision, forêt aléatoire, machine à vecteurs de support », constate Aymen Chakhari, directeur de l’IA au sein de l’ESN française Devoteam. « Sur ce périmètre, elles fourniront au data scientist des scores de fiabilité leur permettant de gagner du temps et réduire le time to value. » Mais pour aboutir à un résultat satisfaisant sur des prédictions complexes, par exemple en économétrie, en recherche pharmaceutique ou encore pour la détection des fraudes, il sera nécessaire de personnaliser les modèles voir de les combiner. « Prenons l’exemple des systèmes de détection d’attaques informatiques. Certaines attaques changent de signature en temps réel. Il n’est donc plus possible de les détecter via les algorithmes classiques. Pour les repérer, on doit passer par des approches semi-supervisées ou non-supervisées qui nécessitent l’intervention d’un data scientist. »

Autre cas d’école, Devoteam a publié début juin une modélisation sur l’évolution du Covid-19 en France. « La courbe de l’épidémie va s’aplatir, avec un nombre de décès qui atteindra 30 293 en France le 15 juillet, contre 29 021 au 4 juin », prédisait alors l’ESN. Résultat : mi-juillet, le nombre de morts du Covid-19 s’élevait dans l’Hexagone à 30 120, soit un degré de précision de 99,42% comparé à la projection initiale. Pour atteindre cette finesse de prédiction, l’entreprise de Levallois-Perret a d’abord eu recours à plusieurs technologies d’automated machine learning (Azure ML, Google AutoML, H2O.ai, Knime et Rapidminer). « Avec ces outils, nous avons obtenu des prédictions de l’ordre de 80 000 à 120 000 décès pour cette date, associées à des précisions estimées à environ 96%. Ce qui est évidemment à côté de la plaque. Mais nous savions que la probabilité d’un écart important existerait », reconnait Aymen Chakhari.

« Le feature engineering n’est pas une science, c’est plus de l’art, du feeling »

Pourquoi ? Car deux composantes centrales manquaient pour résoudre l’équation. La première : la nécessité de composer avec une grande variété de données (taux de propagation du virus, respect de gestes barrières, comportement des français dans les lieux publics…) « L’automated machine learning a certes permis de constater que la forêt aléatoire apportait une bonne précision, mais cet algorithme n’était pas capable de composer avec la diversité des contenus à traiter », explique Aymen Chakhari. « Nous avons dû le mixer avec l’apprentissage par renforcement du Bandit manchot. » Evidemment, l’auto ML est incapable d’atteindre un tel degré d’ingénierie, et notamment de réaliser de l’ensembling de modèles.

Seconde valeur ajoutée apportée par les data scientist de Devoteam : le feature engineering. Une étape qui consiste à sélectionner les variables intervenant dans l’algorithme et leur poids respectifs. « Le feature engineering n’est pas une science, c’est plus de l’art, du feeling », estime Aymen Chakhari.

10 ans avant le business understanding

L’automated machine learning permet, il est vrai, de détecter des types de variables dans un data set : variable d’horodatage, variable textuelle, variable numérique discrète ou continue, URL, de date… « Reste à savoir comment les coder. On pourra par exemple définir une valeur de vitesse par plages : entre 0 et 20 km/h, 21 et 60 km/h, 61 et 80 km/h, etc. Mais si les plages sont codées différemment, le résultat du modèle ne sera pas le même », pointe Didier Gaultier chez Business & Decision. « Du coup, les outils d’auto ML sont incapables de réaliser ce travail. Ils se contentent de faire un recodage par force brute, en calculant toutes les possibilités de codage d’une variable avec elle-même. Ce qui n’est pas très efficace et demande des ressources de calcul considérables. » Pour autant, l’auto ML permettra de mettre le doigt sur les 20% de variables vraiment importantes, et donner des pistes sur les poids à leur associer. « Des variables que le data scientist devra ensuite recoder à la main », ajoute Didier Gaultier.

Le poids à allouer aux variables est une autre dimension que l’automated machine learning appréhende difficilement. « Prenez la modélisation que nous avons réalisée pour estimer l’évolution du PIB français suite à la crise du Covid-19. L’algorithme a été entraîné sur des données de l’INSEE, de Statista, de la banque de France et de l’OCDE, couvrant les années 2017, 2018 et 2019 », indique Aymen Chakhari. Des opérations itératives de feature engineering ont ensuite été réalisées pour pondérer au plus juste l’impact des paramètres choisis en fonction du contexte : pertes d’emplois (avec un score volontairement plus important), création d’emplois, consommation des ménages, contribution des secteurs économiques… « Une sérialisation mathématique algébrique a été appliquée pour aligner la logique de pondération retenue à l’ensemble des paramètres », complète Aymen Chakhari. « Ici, la particularité est d’être dans un contexte non-stationnaire avec une évolution rapide sur l’activité, par conséquent des algorithmes de reinforcement learning ont été retenus et optimisés pour s’adapter à cette cinétique d’évolution et en tenir compte dans les prédictions. »

Ce dernier exemple démontre le chemin qui reste à parcourir avant d’aboutir à un automated machine learning capable de tenir compte d’un contexte métier et d’y apporter une réponse cohérente et adaptée aussi complexe soit-elle. « Il faudra attendre encore 10 ans avant que l’auto ML entre dans l’ère du business understanding. Cela devrait passer par des techniques comme le reinforcement learning ou les réseaux antagonistes génératifs », anticipe Aymen Chakhari.

Avec la pandémie, les entreprises accélèrent leur mue numérique, notamment pour s’adapter au télétravail généralisé. Certaines ont recours à l’intelligence artificielle (IA) pour recruter.

Comment recruter en plein confinement ?

Avec la pandémie, les entreprises accélèrent leur mue numérique, notamment pour s’adapter au télétravail généralisé. Et ce mouvement touche aussi les services des ressources humains, qui ont de plus en plus recours à l’intelligence artificielle (IA) pour recruter.

Dans une récente publication, l’Association pour l’emploi des cadres (Apec) observe un « essor » des solutions de recrutement basées sur l’IA, technologie déjà utilisée « par un large pan d’entreprises », même si cela reste « au stade exploratoire ». Des robots conversationnels pour faire un premier tri des CV, voire des entretiens analysés par un robot, détection des émotions par vidéo… A l’heure où de nombreux candidats sont confinés, ces outils peuvent faciliter les recrutements.

Un marché en pleine explosion

Randstad utilise par exemple un « chatbot » de pré-recrutement baptisé « Randy ». Il permet de valider un certain nombre de prérequis, avant de transmettre les profils les plus pertinents aux conseillers, un chauffeur poids lourd devant par exemple montrer qu’il sait préparer une palette avant de la charger. Dans les mois après confinement, l’outil a été utilisé environ « trois fois plus », indique à l’AFP Christophe Montagnon, directeur de l’innovation: signe d’une montée des usages du digital mais aussi des tensions sur le marché de l’emploi.

Jérôme Ternynck, PDG de Smartrecruiters, société de logiciels de recrutement, fait lui état d’un volume de candidatures ayant explosé avec « cinq fois plus de CV », ce qui rend « difficile » pour les entreprises de répondre de façon satisfaisante « sans avoir recours à l’IA ». L’entreprise propose à la fois un chatbot baptisé « SmartPal » et un outil d’analyse de CV qui permet de repérer les candidats « adaptés à un poste ».

« Les gens disent « c’est affreux, c’est une machine qui a lu mon CV » mais la machine à accès à beaucoup plus d’informations que le recruteur et ne fait pas de discrimination », ne s’arrêtant pas par exemple sur la consonance d’un nom, dit-il, estimant que la peur de ces algorithmes « ne se justifie pas » tant qu’on s’en tient aux compétences ».

InterviewApp est pour sa part spécialisée dans l’entretien vidéo automatisé. Seul face à sa webcam, le candidat répond à des questions préparées par le recruteur dans un temps limité. Des solutions permettent d’automatiser l’analyse de la vidéo, mais le recours à cet outil sur mesure « reste encore marginal », indique le président de cette société, Julien Dargaisse.

« Fantasme de la vérité objective »

L’Apec estime toutefois que « malgré un gain de temps et d’argent », l’IA « comporte des risques discriminatoires et d’uniformisation des profils », l’expertise des recruteurs restant « nécessaire lors de la sélection finale des candidats ». Lors d’une table ronde organisée cette semaine par la Commission nationale de l’informatique et des libertés (Cnil) sur la place de l’IA sur le marché de l’emploi, des experts ont mis en avant les questions éthiques soulevées par ces technologies.

Pour Laurence Devillers, professeur en intelligence artificielle au LIMSI-CNRS, certains outils comme la détection des émotions dans la voix « ne sont pas fiables » par exemple pour quelqu’un ayant un cheveu sur la langue. « Tant qu’on n’aura pas une évaluation claire, on ne devrait pas utiliser des outils d’apprentis sorciers », insiste cette « pro-techno ».

Les services de ressources humaines « sont sur-sollicités en ce moment par leur direction générale pour avoir recours à ces outils », « séduisants » de prime abord, observe Stéphanie Lecerf, DRH de PageGroup France et présidente de l’association « A compétences égales« . Il y a, dit-elle, un « fantasme de vérité objective dans le traitement algorithmique », mais c’est « plus complexe », notamment parce qu’ils sont conçus par des humains ayant « forcément des biais ».

Après avoir testé certains outils pour analyser les émotions d’un candidat, elle juge « assez contestable » de tirer des conclusions des expressions du visage. Idem pour les analyses par des robots des entretiens, où les outils développés ne sont « pas très rassurants ». L’IA « n’est pas une baguette magique », abonde Michel Cottura, chargé du pilotage de la stratégie en la matière chez Pôle emploi, assurant que le principe doit être « l’intelligence au service de l’humain et pas l’inverse ».

Les spécialistes, les techniciens et le ingénieurs de l’IA sont des profils de plus en plus recherchés dans les organisations à mesure que les technologies se diffuseront pour accroître l’automatisation et la productivité.

A mesure que l’IA devient un axe prioritaire de travail pour les organisations dans le monde, les métiers évoluent aussi. La complexité de l’IA favorise de nouvelles compétences dans les entreprises, conduisant à une évolution du marché de l’emploi dans les années à venir.

Comme l’affirme un article du Forum économique mondial, les besoins des travailleurs non qualifiés des entreprises se réduisent avec les progrès de l’automatisation. Et pour donner un exemple plus concret, selon le cabinet McKinsey, 15 % des entreprises de l’industrie automobile mondiale ont enregistré une baisse de 3 à 10 % de leur main-d’œuvre en lien avec le développement de l’IA en 2019 !

Data scientists et ingénieurs en robotique en vogue

L’adoption de cette technologies par les entreprises transformera les tâches, les emplois et les compétences d’ici 2025, d’après le Future of Jobs Report 2020 du Forum économique mondial (voir supra) .

Les données de l’enquête montrent que les entreprises s’attendent à restructurer leur main-d’œuvre en réponse aux nouvelles technologies liées à l’IA et la robotique. D’après le rapport, l’adoption de l’IA est particulièrement visible dans des domaines tels que l’information et les communications numériques, les services financiers, le secteur des soins de santé et des transports.

Parmi les postes les plus en vogue figurent les métiers de data analysts, de data scientists, d’ingénieurs en robotique et de spécialistes de l’IA et du machine learing.

Favoriser la diversité dans le recrutement

D’après un sondage de Gartner, près de la moitié des DSI interrogés disent qu’ils utilisent désormais l’IA ou qu’ils ont l’intention de le faire dans les 12 prochains mois. La plupart des organisations, cependant, ne savent pas toujours comment faire de l’IA une compétence informatique de base et la considère encore comme une spécialité de niche.

Le cabinet d’études encourage les entreprises à adopter cinq comportements pour tirer le meilleur parti de la technologie. Le premier d’entre eux concerne la diversité : Gartner conseille aux entreprises de monter des équipes mixtes autour des projets liés à l’IA.

Le cabinet encourage aussi les organisations à s’entourer de chefs de projet et de concepteurs d’applications, dont le rôle est essentiel pour diversifier les expériences et les points de vue. Pour Gartner, cela permet d’améliorer l’éthique de l’IA, la compréhension de la valeur de l’IA pour les clients et la manière dont elle doit être utilisée et les domaines où elle peut avoir le plus grand impact.

Gartner préconise par ailleurs d’inclure des responsables dans la stratégie et le financement des projets, et de limiter le nombre de POCs – bien que ce dernier conseil puisse sembler à première vue « contre-intuitif », concède le cabinet.

Prendre en compte l’IA dans les formations

Pour appréhender ces nouvelles connaissances, cela commence dès l’école. L’école d’ingénieurs Télécom SudParis vient d’annoncer la création d’une chaire d’enseignement dédiée aux applications industrielles de l’IA, en partenariat avec Devotea, intitulée « Interpretable AI for Mission-Critical Applications ». Cette formation en ingénierie de l’IA, destinée à former les futurs décideurs, permettra concrètement de les former à des domaines aussi divers que le management de connaissance, les bots et assistants virtuels, ainsi que le traitement du signal et le process mining.

Ceci n’est qu’un exemple pour l’enseignement supérieur ; mais il serait bien d’avoir une initiation (pas plus) à ce domaine dans le cursus scientifique dés la terminale. Pourquoi pas des formations diplômantes à l’université ?

Vous pourriez bien être évalué par une intelligence artificielle lors de votre futur entretien d’embauche. HireVue, une entreprise spécialisée dans la mise à disposition de talents pour des multinationales comme Unilever ou des firmes comme Golman Sachs, dispose d’une plateforme intelligence dédiée aux entrevues vidéo.

Le candidat à un poste chez un des clients de HireVue peut utiliser l’application mobile ou desktop de HireVue pour passer une entrevue vidéo. Avant 2008, cette plateforme était utilisée par des employeurs en prospection comme une base de données contenant des vidéos de candidatures. Il fallait donc que celles-ci soient passées en revue les unes après les autres pour le tri des profils recherchés. Depuis 2008, la plateforme intègre une combinaison d’intelligences artificielles dans les domaines de la reconnaissance vocale et faciale et du classement pour effectuer un tri préliminaire et ne retenir que les profils qui « méritent » de continuer l’aventure. Les gains de temps dans le processus de recrutement sont énormes si l’on en croit les retours des entreprises du portfolio client de HireVue. Un processus de recrutement qui, dans certains cas, mettait 4 à 6 mois a pu être ramené à 2 semaines grâce à l’intégration de la plateforme de HireVue dans le processus.

Schéma du principe appliqué :

Si l’apport en matière de gain de temps pour les équipes de recrutement semble indéniable, l’on reste néanmoins en droit de s’interroger sur la partialité d’un tel processus de recrutement. Ce serait même également le lieu de s’interroger un peu plus sur cette notion d’intelligence artificielle. En effet, l’outil apparaît plus comme une aide à l’automatisation des habitudes de recrutement d’une entreprise.

“Ce n’est pas un signe de bonne santé mentale d’être bien adapté à une société malade.”

Trois entreprises qui ont testé avec succès l’adaptive learning ; une approche qui consiste à personnaliser le contenu des programmes en fonction du profil de l’apprenant.

Comme dans bien d’autres domaines, la crise du Covid-19 a eu un impact sur la politique de formation professionnelle. Du jour au lendemain, les entreprises ont dû transformer des stages traditionnellement dispensés en salle et recourir à des modules d’e-learning, des classes virtuelles et autres moocs.

Ce concept vise à adapter un parcours pédagogique en fonction du profil de l’apprenant et de son niveau. C’est l’IA qui fait office de tuteur et personnalise les contenus à pousser.

Retrouvez l’article complet : Burger King, Crédit Agricole et Monoprix misent sur l’IA pour la formation interne
Publie sur le JDN par Xavier Biseul le 20 janvier 2017

Exemples :

• Burger King France : faire face aux changements permanents
• Crédit Agricole : former les futurs conseillers clientèle
• Monoprix : former au respect de la chaîne du froid

Après ces quelques exemples, essayons d’aller voir l’envers du décor.

Les logiciels de recrutement se sont beaucoup généralisés ces dernières années. Toutefois, plutôt que de rendre le système plus efficace, ils ont créé une population incapable de trouver du travail car ne rentrant pas dans les cases.

Les logiciels de recrutement rejettent automatiquement des millions de candidats qualifiés

Les entreprises font de plus en plus appel à des logiciels de recrutement pour filtrer les candidats à un poste, et pourtant elles peinent souvent à trouver des profils avec les qualifications demandées. Une étude publiée par la Harvard Business School a découvert que des millions de CV étaient automatiquement rejetés par ces logiciels, alors qu’ils pourraient parfaitement correspondre au poste.

L’étude s’est intéressée au recrutement aux États-Unis, au Royaume-Uni et en Allemagne. 75 % des employeurs américains font appel à ce genre de logiciel. Cela a pour effet de créer une population de « travailleurs cachés », des personnes qui ne parviennent pas à trouver un emploi malgré leurs qualifications. Aux États-Unis ils seraient 27 millions, avec une proportion similaire au Royaume-Uni et en Allemagne.

Un système automatisé incapable de prendre en compte les cas particuliers

Les chercheurs expliquent ce phénomène par des logiciels qui sont focalisés sur des éléments négatifs. Un écart de six mois dans le CV suffit pour qu’un candidat soit automatiquement refusé. La population des travailleurs cachés est très diverse, avec notamment les aidants naturels, les anciens combattants, les immigrés, les personnes handicapées, les populations défavorisées ainsi que les personnes ayant un casier judiciaire.

Les logiciels rejettent également ceux qui ont les compétences mais pas le diplôme ou certificat spécifique demandé. Aussi, à cause de l’évolution rapide des nouvelles technologies, un nombre croissant de compétences ne peuvent être acquises qu’au travail… Pour résoudre ce problème, les chercheurs conseillent aux employeurs de ne plus chercher le candidat parfait, mais plutôt d’adapter leur recrutement pour prendre en compte les travailleurs cachés.

Articles sur ce sujet :

Julie est micro travailleuse et elle a entraîné Cortana, l’assistante vocale de Microsoft. Nassim, lui, était livreur pour Deliveroo et son temps de travail était décidé par un algorithme. Deux histoires de micro travailleurs précaires qui posent d’importants problèmes éthiques.

La suite sur Mon boss est un algorithme publié sur France Culture le 5 juillet 2021 par Sonia Kronlund.

Du vécu … à lire absolument.

Ce qui ressemble à un horrible film de science-fiction pourrait bien devenir réalité.

C’est une histoire assez peu banale qui est arrivée cet été aux employés de Xsolla, une société de service de paiement. Sans qu’ils en aient été préalablement avertis, 150 des 450 salariés de ses bureaux de Perm en Russie, ont été licenciés sur la base d’une décision prise par un algorithme. L’IA a estimé que ces derniers n’étaient « pas engagés et improductifs » pour justifier sa prise de décision.

Loin d’être anecdotique, cette nouvelle approche des ressources humaines pourrait s’imposer dans le futur si l’on en croit l’analyse publiée par le journal El País. Le média espagnol cite aussi l’exemple d’Amazon aux Etats-Unis où un travailleur nommé Stephen Normandin a été limogé par une IA.

“De telles décisions ne devraient être confiées qu’aux humains”

Ce vétéran de l’armée américaine, âgé de 63 ans et domicilié à Phoenix, travaillait depuis quatre ans comme chauffeur-livreur pour le géant de la Tech. Il a, du jour au lendemain, reçu un e-mail l’informant que son contrat était résilié. L’algorithme qui suivait son activité au quotidien l’a jugé inapte au travail.

C’est un point de consensus. 

Oui, l’IA va détruire des emplois existants. Le mouvement est déjà en cours depuis des décennies avec, par exemple, la bureautique, la robotisation et la numérisation des chaînes d’assemblage. Mais l’IA l’accélère et l’étend à des secteurs jusqu’ici épargnés comme les transports ou le commerce.

Premiers emplois concernés : l’industrie et l’agriculture

En 2020, des économistes d’Oxford, ont estimé dès 2013 que la moitié des emplois aux États-Unis pourraient disparaître en vingt ans. Une estimation alarmiste que certains partagent en France : selon le cabinet Roland Berger, le taux de chômage pourrait ainsi, dans l’Hexagone, atteindre les 25 % en 2025 ! Ce que les spécialistes du ministère du Travail jugent extrêmement pessimiste. Une étude de l’OCDE, publiée en mars 2018, pointe que 14 % des emplois sont facilement automatisables et que 32 % seront profondément affectés par l’IA. Premiers concernés : l’industrie et l’agriculture, les deux secteurs qui comptent le plus d’employés sans haute qualification, menacés par la robotisation. L’introduction de l’IA dans les élevages, et des robots désherbeurs dans l’agriculture, notamment à haute valeur ajoutée comme la viticulture, devrait nettement réduire les besoins en main-d’œuvre.

Des seniors qui auront du mal à s’adapter

Plus généralement, les personnes les moins diplômées et les moins formées seraient les plus touchées. Toujours selon l’OCDE, les seniors, maîtrisant difficilement les outils d’intelligence artificielle, pourraient eux aussi avoir du mal à s’adapter aux nouvelles conditions d’exercice de leurs fonctions. Mais les jeunes ne sont pas à l’abri, car dans nombre de métiers, ils commencent souvent leur carrière en accomplissant des tâches routinières appelées à disparaître. Ainsi, dans les cabinets d’avocats, il est d’usage que les stagiaires des facultés de droit effectuent la recherche de la jurisprudence – une tâche de plus en plus souvent confiée à des plateformes juridiques spécialisées. Face à cette vague annoncée de destruction d’emplois, comment limiter la casse ? En passant par la formation professionnelle pour s’adapter au changement… ou, carrément, en s’orientant vers un nouveau métier.

Strateos : Une solution globale pour simplifier vos process et augmenter la performance de vos recrutements.

Le métier d’ingénieur est l’emploi cadre le plus recherché et parmi le plus difficile à recruter au monde. Profil pénurique depuis de nombreuses années, les cabinets de recrutement et des sociétés de conseil qui le chassent sans relâche. Pour optimiser les processus et aider les entreprises à recruter les profils de pointe, Strateos a mis au point une solution basée sur l’IA.

Les points mis en avant :

• Attirez des ingénieurs autour de votre marque employeur
• Accédez à une sélection d’ingénieurs disponibles et qualifiés
• Faites-vous accompagner par un expert

Pourquoi choisir Strateos ?

Optimisez vos coûts

En moyenne nos clients économisent 40% sur leurs recrutements.

Vous pouvez également lire l’interview de Alexandre Roy, fondateur et directeur par ce lien : Strateos

• De faux candidats à l’embauche utilisent des deepfakes pour infiltrer des entreprises
  Le FBI a publié une note alertant sur un nombre grandissant de plaintes pour des usages de deepfakes lors d’entretiens d’embauche. Les faux candidats chercheraient à postuler à des postes à distance afin de piller des données sensibles aux entreprises informatiques.
  Publié sur BFM le 30 juin 2022 par Pierre Monnier
• Et bientôt plus d’articles…