Quand l’IA se trompe… encore: Mode d’emploi pour bien l’utiliser.

[00:00:00] Intro: Bienvenue dans Salon RH Toolkit, le podcast officiel du salon RH. Le rendez vous incontournable des professionnels des ressources humaines en Suisse romande. Pendant le salon, nous avons donné la parole à celles et ceux qui font évoluer le monde du travail experts, responsables RH, dirigeants et acteurs de l'innovation. Des regards croisés, des expériences concrètes et des idées inspirantes pour mieux comprendre les enjeux d'aujourd'hui et imaginer les RH de demain. Installez vous confortablement et plongez au cœur des conversations du salon RH. Bonne écoute!

[00:00:37] Céline Chaléat Zito: Bonjour à tous et.Bienvenue dans ce podcast en direct du salon RH de Lausanne. Je suis Céline Chaleat Zito. Head of Marketing chez Lucca. On est ravi de passer un petit moment ensemble. Aujourd'hui, on vous propose un échange qui va faire du bruit parce qu'on va parler de ce que personne n'aime entendre. L'ia se trompe et on va voir comment l'utiliser quand même intelligemment. Peut être que vous vous souvenez de notre conférence lors du salon RH en ligne en mars dernier, Madeline Plard était déjà avec nous. Madeline est Product Manager, Talent et IA chez Lucca et elle avait décortiqué avec nous ce sujet. Vos retours avaient été massifs et positifs, Alors à la demande générale, on en reparle volontiers aujourd'hui. L'IA en RH, c'est moins une mode qu'une réalité et mieux vaut savoir comment s'y prendre. Madeline. Bienvenue.

[00:01:21] Madeline Plard: Merci Céline, je suis ravie d'être là. Merci à tous. Et oui, les retours en mars, ils ont été très positifs. Après, honnêtement, je pense qu'on a juste posé une question que tout le monde se pose un peu en silence est-ce que c'est normal que mon IA, Elles me disent parfois n'importe quoi? Alors la réponse on va détendre tout de suite tout le monde. Oui, c'est normal et il y a des raisons facilement explicable à ça et c'est ce qu'on va voir ensemble aujourd'hui.

[00:01:45] Céline Chaléat Zito: Ok, alors on va commencer par la base. Vous avez probablement tous utilisé une IA générative au moins une fois. Vous vous posez une question, vous attendez une réponse juste et parfois vous tombez sur quelque chose qui n'a pas vraiment de sens. Madeline. Pourquoi? Comment ça marche ça, en gros?

[00:01:59] Madeline Plard: Eh bien, c'est une bonne question. Déjà pour pour comprendre pourquoi l'IA, parfois elle dit n'importe quoi, il faut commencer par déconstruire une croyance. L'IA, elle ne raisonne pas comme nous. C'est pas un humain et son mécanisme de base c'est la prédiction. Ça veut dire que à chaque étape, elle va calculer quelle suite de texte est la plus probable. C'est même pas quel mot on appelle ça des tokens. Donc c'est quelle est la plus probable. Qu'est ce qu'elle a vu d'après tout ce qu'elle a appris? Et c'est un peu comme le jeu en fait. Complète la phrase, mais à une échelle astronomique. Et le mot important dans ce que je viens de dire, c'est probable. Probable? Pas forcément vrai. Et en fait, elle va optimiser ce qui sonne juste pour elle, mais pas ce qui est juste. Et c'est pour ça qu'elle peut se tromper avec beaucoup d'aplomb. Parfois on appelle ça des hallucinations. C'est des réponses qui vont être parfaitement crédibles mais qui sont fausses.

[00:02:44] Céline Chaléat Zito: Hallucinations? Ok, alors si on parle de choses crédibles mais fausses, on lisait l'autre jour une étude de la Columbia Journalism Review qui dit que l'IA donne de fausses sources dans 60 % des cas. Est ce que c'est vrai?

[00:02:58] Madeline Plard: Oui, en fait ça c'est une étude qui a été publiée début 2025. Donc, ce sont des chercheurs qui ont donné à huit moteurs de recherche. Il y a donc il y avait Chatgpt, Nexity, Copilot. Donc ils ont donné en fait des extraits d'articles de presse en demandant simplement aux IA de retrouver l'article d'origine. Résultat, dans plus de 60 % des cas, les réponses étaient fausses ou incomplètes. Il y avait de gros écarts selon les outils, mais aucun n'était irréprochable globalement. Et parfois, en plus, vous cliquiez sur le lien que l'IA vous donnait derrière l'article. Ça n'avait rien à voir ou le lien n'existait simplement pas. Donc le problème surtout de ça, c'est qu'on clique rarement. Il y a une autre étude menée aux États-Unis de Research Center qui montre qu'en fait que quand Google affiche un résumé IA, vous faites votre recherche. Avant, ça vous donnait des résultats, maintenant il y a un résumé, il y a les gens cliquent sur les sources citées dans à peine 1 % des cas. Donc, en fait, la source, elle est là, mais personne ne clique dessus, quoi.

[00:03:52] Céline Chaléat Zito: Exactement? Et en Suisse, on a justement le i-mode depuis octobre2025. Maintenant, effectivement, les résultats de recherche apparaissent directement, exactement là. Alors qu'à ce point, ça me fait penser à une vidéo très intéressante que j'ai vu il n'y a pas longtemps. C'est quelqu'un qui jouait à qui est ce avec l'IA? Donc l'IA devait penser à un personnage, la personne devait le deviner. À la question est-ce un homme ou une femme? L'IA a répondu C'est un homme et à la fin, il s'est avéré que c'était une femme. Donc le jeu est impossible. Comment est ce que ça s'explique ça?

[00:04:25] Madeline Plard: Ouais bah ça le ton exemple là du coup, c'est un exemple génial parce qu'il montre en fait ce qui se passe vraiment. C'est à dire on imagine nous que l'IA elle va choisir un personnage dans sa tête et qu'elle va le garder secret comme on va faire. Mais en fait non. Dans une conversation classique, rien n'est stocké comme ça, en secret, il n'y a que le texte de l'échange. Et donc en fait, elle va répondre à chaque question que la personne va lui poser de façon plausible, comme on a vu une par une. Mais rien ne garantit en fait qu'au bout du compte, il y a un vrai personnage qui corresponde à toutes ces réponses. Donc chaque réponse, elle a l'air cohérente, mais c'est l'ensemble qui ne tient pas en fait.

[00:04:55] Céline Chaléat Zito: D'accord, donc quelle est la première leçon à retenir de tout ça?

[00:04:57] Madeline Plard: Bah on vérifie en fait une réponse bien écrite. Déjà, c'est pas une réponse juste et surtout ce qui engage donc ça va être les questions juridiques, les chiffres, une décision évidemment sur une personne. La règle elle est simple, c'est pas de sources vérifiables, pas de décision.

[00:05:10] Céline Chaléat Zito: Donc l'IA peut se tromper, même quand on lui pose une bonne question. Et j'imagine qu'on ne lui facilite pas toujours la tâche, non?

[00:05:15] Madeline Plard: Exactement. En fait, l'IA, elle ne voit que ce que vous lui donnez. Donc imaginons, vous lui demandez rédige-moi un message pour un collaborateur en difficulté. Elle, elle sait pas en fait, si le collaborateur il a dix ans d'ancienneté, s'il est en stage, s'il traverse une période difficile ou s'il est en simple surcharge. Donc en fait, elle va s'appuyer sur ce à quoi ressemble en général un mail RH de ce type et elle va produire un mail qui est plausible, mais pas un mail adapté à votre contexte.

[00:05:39] Céline Chaléat Zito: Donc ça veut dire que plus on est imprécis, plus elle invente.

[00:05:41] Madeline Plard: Oui, d'une certaine façon, c'est ça. En fait, tout ce que vous lui dites, pas à l'IA, elle va le combler avec des hypothèses par défaut. Et ces hypothèses, en fait, c'est pas forcément les vôtres. Ça peut, mais c'est pas toujours le cas. Donc ce qu'il faut retenir, c'est d'être précis et chirurgicaux dans ce que vous lui demandez. Donc en donnant un contexte, un objectif, un ton, un destinataire et là ça la rend beaucoup plus pertinente.

[00:06:01] Céline Chaléat Zito: Et il me semble que tu faisais l'autre jour une analogie avec un trajet en taxi.

[00:06:05] Madeline Plard: Ouais, c'est ça en fait. Imaginez, vous montez dans un taxi à Genève et vous lui dites à la gare s'il vous plaît. En fait, le chauffeur, il va conduire impeccablement le trajet. Il est parfait. Vous êtes ravi. Sauf qu'en fait, vous êtes arrivé à Bâle alors que pour vous, vous vouliez aller à la gare de Lausanne. Et lui, il a rien fait de mal. Il a pris la destination la plus évidente pour lui, et parce que peut être tout le monde d'habitude va à Bâle. Et là c'est pareil. En fait, si vous lui demandez combien de semaines de vacances à un collaborateur sans préciser le pays, elle va risquer de vous répondre avec le droit français parce que c'est ce qu'elle a le plus vu quand quelqu'un demande cette question en français. Et du coup nous, ces cinq semaines en France. Calcul juste, raisonnement propre. Mais par exemple, si je suis Suisse, le minimum légal c'est de quatre semaines, donc c'est faux. Donc en fait le raisonnement il est bien mais la base elle est pas bonne.

[00:06:48] Céline Chaléat Zito: Ok, et alors là du contexte, il y a ce qu'elle comprend aussi de nos mots. Donc si quelqu'un écrit par exemple moi ça va, mais on sent le moi disons ça va. Elle, elle comprend littéralement que ça va.

[00:07:00] Madeline Plard: Ouais, c'est ça. En fait, elle peut, dans des cas explicites, vraiment quand c'est clair, repérer l'ironie ou un malaise quand ça se lit vraiment dans le texte. Mais elle, elle n'a que le texte, donc elle ne va pas entendre ce que tu peux faire. Voilà le non verbal. Elle ne connaît pas l'historique, elle sait pas non plus forcément que cette personne, quand elle dit non, ça va, ça veut dire je suis au bout de ma vie. En fait, je suis au bout du rouleau. Donc elle voit pas les non-dits, Elle va pas voir non plus la tension dans une relation managériale, les signaux faibles dans une équipe, un trou dans CV pour elle, un parcours atypique, une évaluation qui est mal rédigée, pour elle, c'est un signal. Pour un humain, ça peut être une histoire.

[00:07:34] Céline Chaléat Zito: Donc on peut dire que l'IA c'est team premier degré.

[00:07:37] Madeline Plard: C'est exactement ça. Et donc team premier degré, c'est encore plus piégeux en fait avec des données. Parce que imaginons, vous lui soumettez un fichier de suivi des temps de repos pour vérifier que vous respectez les 11 h de suivi de temps de repos hebdomadaire quotidienne. Pardon si votre fichier il est mal rempli. Par exemple, il y a 30 %des heures qui n'ont pas été saisies. L'ia, elle peut très bien vous répondre Tout va bien, Vous respectez la loi.

[00:08:00] Céline Chaléat Zito: Donc attends, ça, ça veut dire qu'elle ne voit pas qu'il y a des cases vides.

[00:08:04] Madeline Plard: Elle peut le signaler certains cas, mais globalement, elle ne fera pas toujours. Moi j'ai fait un test il y a quelques semaines, j'ai donné en fait à l'IA un fichier d'utilisation des objectifs d'équipe. Donc dans notre logiciel de performance, chez nos clients et dans une colonne, il y avait 50 % des cases qui étaient vides. Moi elle m'a. Elle m'a répondu avec une assurance totale 98 % de tes clients n'utilisent pas les objectifs d'équipe. Et en fait, elle a analysé ce qu'il y a dans le fichier, mais pas ce qu'il devrait être dans le fichier, donc les cases vides. Et elle vous présente surtout le résultat avec des pour centages. Un beau tableau, un aplomb. Ça a l'air vrai. Et là, vous pensez avoir Dans mon cas d'objectif, ce n'est pas le cas, mais par exemple pour les heures, un bouclier juridique. Et en fait, vous avez la preuve de votre propre manque de contrôle.

[00:08:43] Céline Chaléat Zito: Alors comment on fait pour se protéger de ça justement?

[00:08:45] Madeline Plard: Deux réflexes. Un on le rappelle, vous lui donnez le contexte, comme si vous briefer un nouveau collègue qui arrive dans votre entreprise, qui n'a pas le contexte, vous la briefer comme ça et vous vous lui dites aussi avant de répondre pose moi les questions dont toi dont tu as besoin. En fait là on inverse le rôle, c'est elle qui va vous aider à être précis, parce que vous n'avez peut être pas pensé à tout et du coup, elle va vous challenger un peu. Et deux Vérifiez vos données avant de lui confier. En fait, ce fichier Excel dont j'ai parlé à un collègue, il vous aurait dit en fait, 50 % des cadres sont vides. Donc vraiment, regardez et demandez lui aussi explicitement, c'est à dire signale moi les données manquantes ou incohérentes avant de conclure OK? Voilà. Après il y a aussi pire que lui, trop d'informations comme on vient de voir. Il y a aussi lui donner des mauvaises pistes.

[00:09:22] Céline Chaléat Zito: C'est à dire?

[00:09:23] Madeline Plard: Bah en fait l'IA elle va amplifier vos biais avant de les corriger. Donc par exemple là on recrutait des product manager, donc moi je suis du coup je suis product manager, on recrutait des gens dans l'équipe et les candidats nous ont envoyé des tests techniques. J'ai fait des tests, enfin volontairement, en donnant le test technique à une IA, en lui disant franchement ce test je le trouve nul. Enfin voilà, dis moi, dis moi ce que tu en penses. Et il m'a dit ouais bien sûr. Voilà pourquoi ce candidat, il ne faut pas le retenir avec des arguments et tout. Et ensuite je lui ai donné le même test en lui disant franchement c'est le meilleur test qu'on a reçu. Résultat, elle a été dans mon sens aussi en disant ouais, tu as raison, il faut que tu recrutes absolument ce candidat, c'est le meilleur test qu'on a reçu. Donc en fait, elle a validé mon avis, quelle que soit la direction que je lui donnais.

[00:10:05] Céline Chaléat Zito: On entend souvent cette phrase Ah oui, tu as raison. Donc elle ne nous contredit pas. C'est ce que tu évoquais lors de la conférence en ligne en mars dernier, la fameuse sycophancy. Donc, autrement dit, la complaisance, l'IA qui dit tout le temps oui.

[00:10:19] Madeline Plard: C'est ça, c'est exactement ça, c'est la complaisance, la flatterie artificielle. J'ai une petite anecdote sur le sujet. Je me suis mise au sport récemment et je fais du HIIT, donc c'est les entraînements fractionnés. Là. Et attends la suite. Et je j'ai demandé à l'IA de me faire un petit. Elle m'a mis des burpees dedans. Donc pour ceux qui ne connaissent pas, allez voir sur Google, c'est un peu de la torture. Et j'ai dit l’IA, franchement, à 40 secondes de burpees, c'est trop difficile pour moi, je n'y arrive pas. Et ce qu'elle m'a répondu c'est enrobé. Mais en gros Madeline, le problème ce n'est pas toi, c'est les burpees. Donc en fait, elle ne m'a pas contredite, elle m'a juste flatté. Quoi?

[00:10:53] Céline Chaléat Zito: Et alors, pourquoi elle ferait ça?

[00:10:54] Madeline Plard: Bah en fait, ça fait partie de son entraînement d'apprendre les préférences humaines. Et on lui montre quelle réponse les gens jugent bonne. Et sans surprise, on est des humains. On a tendance à préférer qu'on nous donne raison. On est comme ça. Donc elle, elle n'a pas d'ego, elle ne ressent rien. Mais elle a appris que l'accord, globalement plaît. Donc les modèles évoluent rapidement. Les éditeurs d'IA, ils travaillent à corriger ce défaut, mais il reste très réel quand même.

[00:11:16] Céline Chaléat Zito: On connaissait la bulle social media qui qui amplifie selon certains, certaines, on va dire, certains courants d'opinion, certains algorithmes et là ça devient un amplificateur de biais quasiment personnalisé quoi.

[00:11:28] Madeline Plard: Ouais, c'est ça. En fait, vous avez une intuition, qu'elle soit juste ou fausse, bah elle, elle va la renforcer. Et là où vous pensez en fait avoir un regard critique, vous avez juste un écho.

[00:11:35] Céline Chaléat Zito: D'accord. Alors comment on fait pour forcer justement la contradiction, la critique?

[00:11:41] Madeline Plard: Trois. Enfin, trois astuces. Là par exemple, si on reprend l'exemple de mon test candidat. Déjà, ne donnez pas votre avis avant de lui demander si vous ne partez pas avec un biais de bah je trouve qu'il est nul, Franchement je trouve que c'est bien juste. Voilà. Soyez neutre pour lui présenter votre travail. Ensuite, demandez explicitement la critique. J'appelle ça des promptes de challenge où vous allez lui dire quels sont les points faibles de ce test? Quels sont les points forts? Qu'est ce qu'un recruteur exigeant poserait comme questions par rapport à ce test? Et vous lui donnez un rôle comme ça, ça va la la mettre dans une posture et elle va aller chercher dans Internet. Ça va la la cibler en fait. Vous lui dites par exemple là tu es recruteur senior ou tu es product manager senior challenge, ce travail et ça va évidemment pas la rendre infaillible, ça c'est impossible, mais vous allez passer de l'écho au vrai feedback pour le coup sur le travail.

[00:12:27] Céline Chaléat Zito: D'accord. Ouais, les fameux, les fameux promptes avec un framework avec un rôle précis. Ok, donc l'IA ne nous contredit pas spontanément, mais au moins sans émotion, sans parti pris, elle est objective.

[00:12:39] Madeline Plard: Bah en fait non, C'est une autre grande illusion ça. Non mais elle fait des choses bien, c'est en fait, c'est le problème, c'est que l'IA, elle va donner une impression de logique froide, presque objective, et elle va exceller pour analyser du texte, passer au crible des centaines de CVs, repérer des tendances. Ça, elle est forte, mais elle n'a pas de recul, pas d'intuition sociale et pas de sens des conséquences non plus. Donc imaginons que vous lui demandiez identifier les 10 % de salariés les moins rentables pour préparer un départ vers. Voilà, elle, elle va croiser les lignes budgétaires. Ouais, c'est ça les KPI. Mais elle va elle va vous sortir une liste et elle ajoutera peut être une mise en garde générale, mais elle connaît pas globalement votre climat social, ni votre timing, ni ce que le plan va déclencher dans les équipes. Donc elle, elle exécute.

[00:13:18] Céline Chaléat Zito: Alors ça c'est vraiment très intéressant parce que c'est contre intuitif. On soupçonne plutôt le jugement humain d'être biaisé par un système supposément neutre. Ah, j'ai lu un cas là-dessus d'ailleurs. Alors c'est Amazon qui avait développé un outil de tri de cv entraîné avec plus de dix ans de données de candidatures. Il s'est avéré que le système, enfin, l'outil, a en quelque sorte, en quelque sorte appris à défavoriser les femmes sur des recrutements de profils techniques, parce que justement, la majorité des profils techniques recrutés étaient des hommes. Oui, l'outil a fini par être abandonné par par Amazon. Comment ça se passe ça concrètement?

[00:13:57] Madeline Plard: Ouais bah ça c'est un parfait exemple en fait que le système va voir un pattern dans des données historiques. Et en fait, historiquement, par le passé, les jobs dans la tech étaient surtout pourvus par des hommes parce que c'est eux qui candidataient. Et les femmes étaient moins formées à ça. Et à l'inverse, on a vu cet outil qui favorisait, par exemple pour des postes de secrétaires, des profils de femmes, parce que historiquement, c'est le cas. Donc en fait, il va en ce qui ressemble à un profil masculin pour des jobs tech. C'est un bon signal. C'est sans malveillance. Évidemment, l'IA n'est pas sexiste comme quelqu'un, enfin un humain pourrait l'être, mais c'est discriminatoire parce qu'elle reproduit justement ces données historiques. Là, ce n'était pas de l'IA générative, mais le principe est le même. C'est une IA qu'apprendre des données, donc des biais passés, et elle ne les corrige pas, elle reproduit. Et le problème c'est qu'il y a un vernis d'objectivité là dessus quoi.

[00:14:42] Céline Chaléat Zito: D'accord, mais donc on peut quand même garder la décision.

[00:14:44] Madeline Plard: Ah oui, il faut garder la décision. En fait, toujours il y a une règle simple s'il y a assiste l'humain, c'est pertinent. Si elle remplace le jugement humain, c'est là que c'est dangereux.

[00:14:51] Céline Chaléat Zito: D'accord. Alors, messages reçus sur les pièges très très importants. Merci beaucoup. Si maintenant on veut regarder ça du côté plus positif. Quand est ce que l'IA est utile voir carrément pertinente? On vous propose de regarder ça domaine par domaine. Alors on commence par le recrutement. Sujet clivant quand on parle d'IA, clairement, il touche à plein de choses, à l'expérience candidat à la marque, employeur, à l'acquisition de talents. Bien évidemment, des sujets résolument humains.

[00:15:19] Madeline Plard: Oui c'est ça. En fait, on l'a vu avec l'exemple d'Amazon, l'IA, vu qu'elle hérite des biais historiques et favorise les profils classiques, il ne faut surtout pas lui donner la sélection finale des candidats sans validation humaine en fait. Et déjà en plus, elle ne va pas voir, elle, le potentiel, l'évolution être. Il y a eu des exemples aussi, un peu comme comme l'exemple d'Amazon dont on vient de parler, une entreprise qui avait lancé un outil d'automatisation des entretiens vidéo mais sans supervision. Et en fait ça, on a vu que l'IA, elle discriminait parce qu'elle confondait par exemple stress et incompétence. A l'inverse, elle pouvait aussi prendre de l'assurance pour de la compétence, alors que c'est juste. On voit bien des fois des personnes qui arrivent très bien à donner le change et du coup, elle passait à côté de talents qui peuvent être introverti ou des fois elle discriminaient des accents aussi, ou même des personnes en situation de handicap.

[00:16:06] Céline Chaléat Zito: Ok ok. Alors effectivement compliqué. Alors qu'est ce qu'on peut faire à la place?

[00:16:10] Madeline Plard: Ouais bah par exemple pour le recrutement, donner des critères strictement objectifs, on ne lui envoie pas en fait, comme on a dit, toutes les données de genre d'âge parce que elle, elle n'est pas capable de faire elle même la non discrimination. Donc envoyer que des données techniques, voilà. Genre vous cherchez un développeur qui développe en Python. Ça c'est objectif, vous envoyez le CV en excluant toutes les données personnelles dont on a parlé, et ça, elle va être forte. Et aussi, nous, on a fait des tests sur notre outil de recrutement. Du coup, chez Lucca, construire en deux étapes en fait un prompte pour se backer comme enfin si je peux dire. Donc dans un premier temps, on va donner l'offre et on va dire tu es un recruteur expérimenté, propose moi cinq critères de sélection pour cette offre. Et dans un deuxième temps, un deuxième prompt où il dit relis ces critères comme un juriste spécialisé en droit du travail et écarte tout ce qui pourrait être discriminatoire. Donc justement, l'âge, sexe, origines, situation familiale, santé. J'ai un exemple pour. Sur certaines offres d'emploi qu'on avait, c'était écrit cinq ans d'expérience maximum. Et en fait, ce qu'on nous a dit, ça, ça peut globalement être un critère discriminant parce que souvent, si j'ai moins de cinq ans d'expérience, ça veut dire que je suis jeune et on n'a pas le droit de discriminer selon l'âge. Donc voilà, c'est en fait se mettre des gardes fous, garder une trace justement des critères, écarter et suivre les dérives dans le temps.

[00:17:27] Céline Chaléat Zito: Et donc ça, ça peut vraiment changer le résultat.

[00:17:29] Madeline Plard: Ouais, en fait, vous la forcez à proposer puis à se relire. Et en fait on retrouve l'astuce de la contradiction, ça, elle est très forte pour ça. Et la validation finale juridique, évidemment, elle reste de votre côté, là. Ensuite, dans le recrutement où elle va exceller, c'est le texte. Les LLM sont forts pour ça. Donc rédigé par exemple une offre en plusieurs versions pour l'interne, pour l'externe. Automatiser aussi les refus. Alors ça, je sais qu'à chaque fois que j'en parle, ça, ça fait un peu polémique parce que les gens disent ouais, mais pour l'expérience candidat, quand je reçois un mail automatique, ça me. Enfin, c'est pas terrible. En même temps quand on reçoit 200 CV et lettres de motivation. C'est quand même quelque chose vraiment aider. Donc un pour automatiser aussi pour personnaliser ses emails. Et elle va aussi être forte pour repérer des incohérences dans un parcours, comme par exemple une chronologie qui colle pas. Après ça reste un signal, c'est pas c'est pas un verdict définitif.

[00:18:18] Céline Chaléat Zito: Tu vois. Pour rebondir sur les emails de refus. C'était un sujet à True Geneva où on était la semaine dernière aussi avec l'équipe Lucca. Et parfois il vaut mieux un refus automatisé que pas de bien sûr du tout. Donc voilà.

[00:18:29] Madeline Plard: Tout à fait.

[00:18:30] Céline Chaléat Zito: Toujours, voilà, c'est toujours un compromis à trouver, bien sûr. Alors si on parle performance maintenant, tu parlais durant ta conférence ce matin sur le Salon du feedback comme levier de croissance. Déléguer une évaluation à l'IA. On est d'accord, c'est un red flag.

[00:18:45] Madeline Plard: Ouais c'est ça. Et même enfin, je fais une petite parenthèse sur le feedback. Justement, j'en parlais ce matin. Déléguer la rédaction d'un feedback à l'IA par exemple, c'est pareil, on perd en impact. Parce que si moi je vois qu'un avis a été écrit par un automate. Je préfère un, on va dire un retour maladroit qu'un retour lissé. Mais je sais que c'est pas la personne qui a pris le temps de le faire, donc ça attention aussi. L'IA, elle peut aider à reformuler et tout, mais il faut que la communication interpersonnelle en entreprise, elle reste humaine. Et en effet, ce que tu disais sur la note de performance, enfin une évaluation évidemment pas faire ça à la place du manager, c'est une responsabilité clé. L'IA, elle va ignorer en plus les efforts invisible et dynamique d'équipe. Et du coup ça peut vraiment casser ça la relation managériale. Et on a vu aussi que quand il y a des outils qui font ça, les managers, il hésite du coup à mettre des commentaires, tout ça parce qu'ils savent derrière que l'IA va transformer ça en jugement, en note. Donc ça casse vraiment. Et la relation entre les RH et les managers, et aussi la relation managériale. Éviter aussi, c'est lui faire diagnostiquer seul les causes par exemple d'une baisse de performance. Elle va confondre facilement corrélation causalité comme on l'a vu tout à l'heure, elle va combler un peu les trous par ses hypothèses qui ne sont pas du tout forcément votre contexte. Donc c'est pas bon. Par contre, dans le contexte de la performance et de l'engagement, il y a énormément de choses pour lesquelles elle excelle. Parce que contrairement à l'humain, elle va être très forte pour analyser de grands volumes de données. Donc dans tous les entretiens, dans tous les avis, dans tous les commentaires d'engagement, elle, elle va pouvoir repérer des signaux de risques psychosociaux, par exemple dans des gros volumes de retour et repérer un signal d'épuisement, un conflit, par exemple, une surcharge ou de l'isolement, et elle va en isoler, et ça va permettre aux managers et aux RH d'intervenir avant la crise. En tout cas, en tant qu'humain, si je lis 500 commentaires, je vais avoir plus de mal. Peut être parce que je suis fatigué. Elle, elle m'a fatigué quoi. Donc après ça reste toujours un signalement, c'est c'est pas un diagnostic. Surtout que moi quand j'avais fait des tests là dessus, elle a tendance aussi à faire du zèle. Là c'est à dire attention, la personne elle dit je suis fatigué, on a un risque de burn out alors que pas forcément faux, mais bon c'est pas mal parce que ça permet de remonter et ça fait un pré-tri pour l'humain derrière qui lui va analyser vraiment ce que ça veut dire. Donc après on y reviendra. Les collaborateurs, ils doivent savoir quand même que leurs commentaires, ils sont analysés par l'IA. Mais ça, c'est un point qu'on traitera après. Elle peut aussi, là où elle va être forte, aider à préparer les entretiens, par exemple en suggérant à partir des objectifs, à partir de l'historique du collaborateur, les questions à poser en entretien. Synthétiser aussi les retours d'avis de pairs, les feedbacks de tout le monde et avoir quelques idées claires applicables. En gros, elle va amplifier le manager mais jamais elle le remplace.

[00:21:21] Céline Chaléat Zito: D'accord. Et alors? Si on parle du domaine de la formation, la formation des collaborateurs, elle peut aider en fait.

[00:21:28] Madeline Plard: Alors déjà, le premier truc que je ne ferai pas, moi, si j'étais responsable de la formation dans une entreprise, c'est construire le budget avec l'historique, en fait, de ce qui a été fait, parce qu'elle va ignorer les virages stratégiques, les transformations et du coup, il y a un gros risque de sous financer des métiers d'avenir et à l'inverse, de garder des budgets sur des métiers qui n'en ont plus. Par contre, dans le domaine de la formation, évidemment, aller chercher énormément de contenus, donc articles, vidéos, webinaires, vous gardez la sélection finale mais au moins vous fait gagner des heures de recherche et surtout repérer des thèmes récurrents dans des demandes. Si vous avez trois demandes, 300 demandes isolées, elle, elle va voir des patterns là où vous non. Elle va aussi être forte pour cartographier les compétences à partir des entretiens annuels et repérer des compétences en tension, par exemple. Et peut être derrière, vous n'avez pas de formations qui vont avec. Donc ça, ça peut être très intéressant. Et les possibilités de mobilité interne notamment.

[00:22:19] Céline Chaléat Zito: Ok, alors ça, c'est très intéressant, On en parlait justement, le mapping des compétences, voire même plan de succession, etc. Plan de carrière, donc vraiment très intéressant. Alors effectivement, on en entend beaucoup parler, c'est puissant. Traiter des gros volumes de données, reconnaître les patterns, les schémas récurrents. Pour ça, l'IA est vraiment pertinente. Alors c'est très clair, Merci beaucoup pour ça. Et comme tu le disais, l'IA est là pour assister, pas pour décider. Chez Lucca, on aime dire l'IA propose, l'humain dispose. Pour récapituler, tu nous partages quatre règles vraiment concrètes.

[00:22:50] Madeline Plard: Ouais, alors ça je l'ai répété, je le répète encore, on l'a dit. Règle un vous êtes le pilote En tant que RH, elles vous aident à réfléchir, mais la décision, vous revient. L'IA, c'est le copilote. On s'essaie à l'IA et de commencer utile et petit, on la teste sur un vrai problème concret. Un mail, une offre, un verbatim? Pas sûr. Fais moi un plan de transformation RH mondial parce que là, vous vous risquez d'être déçu. D'itérer et on va dire elle devient pertinente l'IA, quand elle s'ancre vraiment dans votre quotidien et qu'elle va vous aider de manière récurrente. La règle trois. Et ça c'est un peu ma préférée parce que c'est on ne le dit pas assez, c'est de garder des tâches légères. C'est à dire, il y a une étude de Forbes Advisor, là, en 2025, qui montre que 73 % des experts RH anticipent une amélioration de leur productivité grâce à l'IA. C'est super! Je pense qu'on a vu tous les cas. Mais même s'il y a, elle peut prendre en charge des tâches répétitives. Il ne faut surtout pas supprimer tous les moments légers dans votre journée.

[00:23:45] Céline Chaléat Zito: Alors ça, c'est vraiment intéressant. Garder des micro-tâches, tu dis? Pourtant, on dit bien qu'on veut automatiser pour gagner du temps.

[00:23:51] Madeline Plard: Ouais, c'est sûr, mais c'est le risque en fait d'automatiser tout ce qui est léger. Donc je pense aux mails, je pense à plein de choses. Je passe des analyses de fichiers. S'il vous reste que du deep work, donc du travail vraiment de réflexion, de créativité. 8 h d'affilée par jour, c'est votre cerveau, il n'est pas fait pour ça et il ne se fera pas. C'est ça. Et en fait, c'est des petites tâches, des fois, qui sont des respirations ou des moments de lien avec l'équipe. C'est peut être pas là que en tant que RH, vous allez vous. Votre plus grosse valeur ajoutée, mais c'est ces petits moments de respiration qui vont faire tenir et vont nourrir la créativité et le jugement.

[00:24:24] Céline Chaléat Zito: D'accord. Et il y avait une quatrième règle, je crois, c'est ça.

[00:24:28] Madeline Plard: Très importante. Enfin, last but not least, comme on dit, la confiance et l'éthique. Donc, en Suisse, il y a la nouvelle loi fédérale sur la protection des données qui l'encadre. Et il y a quatre réflexes. Donc, la transparence, c'est ce que je l'ai dit tout à l'heure, mais, je le répète, les collaborateurs doivent savoir qu'en l'IA est utilisée. Donc, par exemple, vos commentaires de performance ou d'engagement sont analysés par une IA. Il n'y a pas de Big Brother caché quoi. La proportionnalité aussi, c'est à dire on ne traite que les données nécessaires au but poursuivi. On n'en voit pas tout à l'IA et après débrouille-toi. C'est à dire la surveillance par exemple du comportement des collaborateurs. Elle est strictement encadrée par le droit. Donc c'est hyper important de se renseigner là dessus et de de faire les choses bien et la maîtrise des données. Donc ça, c'est dans les contrats que vous passez avec avec les les providers d'IA quoi. Savoir où vont vos données, si les fournisseurs les réutilisent pour entraîner des modèles par exemple, pouvoir rectifier vos données, les supprimer. Ça, ça se vérifie dans les contrats. Et c'est important parce que la responsabilité, c'est vous les RH, c'est pas, c'est pas OpenAI, c'est pas tout, c'est pas les providers qui vont être responsables derrière, c'est pas l'éditeur.

[00:25:32] Céline Chaléat Zito: Donc c'est une responsabilité lourde.

[00:25:33] Madeline Plard: Ben oui, c'est pour ça. Et enfin, on n'est pas seul sur ces sujets, il faut s'entourer des DSI dans les entreprises. C'est pas juste une responsabilité de RH, c'est aussi une vraie stratégie documentée. Évidemment, quand vous utilisez l'IA, sur quelles données, pour quelles décisions. Et ça, c'est votre meilleure protection.

[00:25:50] Céline Chaléat Zito: D'accord. Alors pour résumer, l'IA n'est pas une menace. Ce n'est pas non plus un miracle. C'est un outil prédictif qu'on apprend à dompter. Et alors en RH, sa vraie valeur.

[00:26:00] Madeline Plard: Ouais bah si on doit résumer la vraie valeur, c'est vraiment dégager du temps pour ce que personne d'autre ne sait faire, comme comme vous aussi bien c'est écouter, comprendre et accompagner le reste. On l'a vu. Vérifier si un cv est cohérent, Analyser des centaines de commentaires, rédiger. Bah oui, l'IA peut le faire, ça il n'y a pas de problème. Mais votre job c'est de rester dans le conseil, l'empathie et la stratégie. Et c'est là que vous êtes vraiment indispensable.

[00:26:22] Céline Chaléat Zito: C'est là que vous êtes vraiment indispensable. On va poser ça là. Chez Lucca, on aime bien dire l'humain a de la ressource. Alors si vous nous écoutez aujourd'hui, en direct du salon RH de Lausanne, on vous invite à choisir un vrai problème que vous traitez à la main en ce moment. Une tâche pénible, répétitive, répétitive, chronophage Et de tester l'IA dessus, de vraiment la tester. Et là, on vous invite à vous poser les questions qu'on a évoqué aujourd'hui. Est ce que c'est une décision ou une assistance? Est ce que j'ai assez de contexte et est ce que je peux vérifier le résultat, le challenger? Et après vous nous direz si ça marche.

[00:27:00] Madeline Plard: Tout à fait. Si vous avez des questions ou des vrais cas d'usage, des dilemmes, des applications spécifiques aussi en Suisse. Lucca On est là, on développe nous, des outils IA éthiques et responsables pour ça, notamment dans la gestion des talents. Comme on a vu, on utilise de l'IA pour détecter les RPs, synthétiser, vous aider à préparer les entretiens pour le recrutement. Donc l'idée c'est que vous ayez des outils qui soient évidemment puissants mais surs et qui respectent bien sûr la loi.

[00:27:24] Céline Chaléat Zito: Merci beaucoup Madeline, c'est un plaisir d'échanger avec toi, comme d'hab. Merci à tous de nous avoir écouté. On vous dit à très vite sur le salon, Lucca on est au stand D02! Cocktail offert et vous pouvez aussi nous retrouver en ligne sur Lucca.software.ch.

[00:27:39] Madeline Plard: Merci beaucoup Céline et à bientôt pour les cocktails!

[00:27:41] Céline Chaléat Zito: Merci pour votre écoute.

[00:27:43] Intro: Cet épisode vous a plu? Alors retrouvez nous la prochaine fois en live! Les 6 et 7 octobre 2027 à Beaulieu, Lausanne. Plus d'infos sur SalonRH.com. A bientôt!