Dans cet article, RedCore partage cinq leçons tirées du développement et de la mise en œuvre d’outils internes d’IA RH, expliquant pourquoi une automatisation efficace nécessite plus que des invites, depuis des données propres et des résultats spécifiques aux rôles jusqu’à des résultats significatifs, une logique métier claire et une surveillance humaine.
Choisissez un modèle, connectez les données, rédigez quelques invites et obtenez un outil qui accélère vos processus 100 fois et libère vos spécialistes des tâches ingrates en un clin d’œil. Cela semble parfait, n’est-ce pas ? Sauf que, dans la pratique, les choses fonctionnent un peu différemment.
Cela devient particulièrement visible lorsque l’IA cesse d’être une expérience et devient partie intégrante du travail quotidien. Chez RedCore, l’automatisation est l’un des domaines prioritaires : avec un business group de près de 5 000 spécialistes travaillant avec les marques, la réduction des tâches routinières peut libérer des centaines d’heures de travail.
“Nous sommes constamment à la recherche de tâches que la technologie peut prendre en charge. Mais notre expérience dans le développement et la mise en œuvre de nos propres outils d’IA a montré qu’il y a un long chemin à parcourir entre “cela peut être automatisé” et “cela fonctionne réellement de manière pratique, efficace et sûre au quotidien””, déclare Iuliia Shkut, responsable des opérations RH chez RedCore.
Cela est particulièrement évident dans deux projets RedCore qui répondent à des défis RH complètement différents. L’un d’entre eux est un ChatBot interne qui aide les spécialistes à trouver les informations dont ils ont besoin parmi plus de 10 000 documents d’entreprise. L’autre est AI Feedback Assistant, qui fonctionne avec les résultats des évaluations de performances et des évaluations de la période de probation, générant des résumés distincts pour les partenaires commerciaux, les managers et les spécialistes.
Les tâches sont différentes, mais à mesure que ces produits évoluaient, l’équipe a rencontré des problèmes étonnamment similaires. Et ce qui est le plus intéressant, c’est que chaque nouveau problème devenait de moins en moins susceptible d’être résolu par « juste une autre invite ».
Chez RedCore, l’équipe a partagé son expérience en matière de développement d’outils internes d’IA RH et a expliqué ce qu’elle devait enseigner l’IA – et ce qu’elle devait apprendre elle-même en cours de route.
Leçon 1. L’IA connaît de nombreuses langues. Mais parle-t-il la langue de votre entreprise ?
Chez RedCore, le premier défi était l’argot d’entreprise ordinaire. ChatBot a commencé à recevoir un flot de requêtes contenant des expressions telles que « sikliv » au lieu de congé de maladie, BP au lieu de partenaire commercial, etc. À un moment donné, tout ce mélange de caractères cyrilliques et latins, d’abréviations et de fautes de frappe a simplement entraîné l’apparition d’une « Erreur 404 » à l’écran.
Pour apprendre au système à gérer des requêtes réelles, un groupe de discussion composé de spécialistes de différents départements a été impliqué dans les tests.
“Tout le monde a joué un rôle : les spécialistes techniques, les concepteurs, les recruteurs, les partenaires commerciaux. Ils ont commencé à poser des questions comme ils le font dans la vraie vie, et c’est exactement ce qui nous a aidé à former ChatBot”, explique Iuliia.
Avec Feedback Assistant, le même problème est apparu sous un angle différent. Pas dans les requêtes, mais dans les données d’entrée. Par exemple, si un responsable laisse des commentaires du type « tout va bien, gère bien les tâches », l’assistant ne peut tout simplement pas déterminer exactement dans quoi le spécialiste est bon, quels résultats soutiennent cette évaluation ou ce qu’il devrait développer davantage. Le résultat finit par être un résumé tout aussi générique.
« Nous avons dû apprendre aux managers et aux spécialistes comment fournir un retour d’information de qualité, car ils constituent les principales sources d’information », explique Iuliia.
La règle est simple : avant d’attendre que l’IA produise une sortie structurée, vous devez mettre de l’ordre dans l’entrée. Sinon, le système ne fonctionnera tout simplement pas correctement. “Si vos documents sont en désordre, que les informations nécessaires sont difficiles à trouver et que les mêmes choses portent des noms différents, les premières heures d’utilisation de l’outil le révéleront”, explique Iuliia.
Leçon 2. Une taille unique ne convient pas à tous
Le prochain défi pour les deux produits était le contexte utilisateur. Initialement, ChatBot ne distinguait que deux rôles : spécialiste et gestionnaire. Mais il est vite apparu que cela ne suffisait pas.
“Il est important de comprendre dans quel rôle une personne pose une question particulière, car cela détermine quelles informations et quel document elle doit recevoir”, explique Iuliia.
En conséquence, RedCore a appris à ChatBot à reconnaître des rôles supplémentaires, notamment celui de recruteur et de partenaire commercial. En fonction de la position de l’utilisateur, le système détermine son niveau d’accès et sélectionne uniquement les informations et documents auxquels il est autorisé à accéder.
Feedback Assistant fonctionne sur le même principe. Le système analyse le même ensemble de données mais adapte le résultat à la personne qui l’utilisera.
“Pour un BP, ce qui compte, ce sont les analyses avec lesquelles il peut travailler plus loin. Pour un manager, elles fournissent un résumé structuré des informations déjà contenues dans les documents d’évaluation, qui peuvent être utilisées comme contexte de soutien pour les conversations avec le spécialiste. Pour un spécialiste, il s’agit d’une image claire de ses propres résultats. Il n’y a pas de solution universelle ici, et il ne devrait pas y en avoir”, explique Iuliia.
En conséquence, le travail sur les rapports chez RedCore, qui prenait auparavant environ une heure et demie à deux heures, a été réduit à environ sept minutes.
Leçon 3. Réaliser une tâche ≠ Résoudre un problème
Pour ChatBot, la première victoire a été d’apprendre à trouver la bonne information. Mais immédiatement après, une autre question s’est posée : qu’est-ce qui a réellement changé pour l’utilisateur ?
Si, après avoir reçu une réponse, l’utilisateur doit encore ouvrir Confluence, trouver la section correspondante, comprendre les instructions et terminer l’ensemble du processus de manière autonome, le problème n’est pas vraiment résolu.
« ChatBot est passé de « trouver » à « réponse », et maintenant à « faire ». Par exemple, chez RedCore, un spécialiste n’a plus besoin de passer à un autre système pour demander des vacances : ChatBot vérifie le solde de congés disponible, crée la demande et l’envoie au responsable pour approbation”, explique Iuliia.
Avec Feedback Assistant, cette frontière est apparue entre la génération de texte et la fourniture d’une conclusion utile. Générer un résumé s’est avéré relativement simple. Apprendre au système à identifier ce qui compte le plus et à fournir des informations spécifiques qui pourraient être utilisées davantage s’est avéré beaucoup plus difficile.
Dans l’une de ses premières versions, l’Assistant pouvait produire quelque chose comme : « Le spécialiste démontre en toute confiance d’excellents résultats qui pourraient potentiellement être encore améliorés au cours de la prochaine période d’évaluation.
“Et alors ? Qu’est-ce qui doit être amélioré exactement ? Quels résultats ? Comment sommes-nous censés travailler avec cela ? Cela semble bien, c’est techniquement correct – et pratiquement inutile”, se souvient Iuliia de sa réaction.
C’est pourquoi, dans ce cas également, le premier résultat de travail n’a pas été le résultat final.
“Pour un produit d’IA, “ça marche” n’est pas la ligne d’arrivée. L’utilisation dans le monde réel place constamment la barre plus haut pour ce qui devrait être considéré comme un bon résultat”, explique Iuliia.
Leçon 4. L’IA peut tout comprendre. Sauf ce qui compte le plus
Le cas le plus révélateur s’est produit avec Feedback Assistant à la fin d’une période d’essai.
“Le responsable avait déjà décidé de ne pas continuer à travailler avec le spécialiste. Cela était même consigné dans le rapport initial. AI a correctement analysé les informations et a ensuite proposé un plan de développement sur six mois pour le spécialiste”, se souvient Iuliia.
En attendant, le partenaire commercial reste le réviseur final et peut modifier, ignorer ou remplacer tout résultat généré par l’IA. Les décisions liées à l’emploi sont prises par des décideurs humains autorisés.
Pour le modèle, c’était logique : s’il existe des domaines à développer, il doit suggérer des moyens de les améliorer. Pour l’entreprise, cela ne servait à rien car la décision était déjà prise. Et résoudre ce scénario s’est avéré plus difficile que prévu. Même après des éclaircissements supplémentaires, l’assistant a continué à chercher des moyens de « sauver » le spécialiste.
“L’IA doit comprendre non seulement les faits, mais aussi leur hiérarchie : quels signaux peuvent être pris en compte lors de l’élaboration d’une recommandation, et lesquels changent complètement ce qui se passe ensuite. Et plus nous permettons à l’IA de passer de l’analyse à l’action, plus ces règles deviennent importantes. Nous automatisons tout, mais nous automatisons judicieusement”, conclut Iuliia.
Finalement, Feedback Assistant a appris à prendre en compte non seulement les notes et les commentaires eux-mêmes, mais également le statut final de l’évaluation. Désormais, d’autres recommandations sont générées en gardant à l’esprit la décision déjà prise.
Leçon 5. L’IA doit savoir non seulement quoi faire, mais aussi où s’arrêter
Dans le même temps, bien entendu, le partenaire commercial reste le réviseur final dans Feedback Assistant.
“Le modèle n’a tout simplement pas accès aux mêmes informations qu’un humain. Le système ne sait pas, par exemple, que l’équipe a travaillé sous une charge de travail inhabituellement lourde au cours des derniers mois. Il ne sait pas que des retours négatifs ont pu apparaître après un conflit récent. Il ne connaît pas l’historique complet de la relation entre le spécialiste et l’équipe.” dit Iuliia.
L’objectif de l’automatisation n’est pas de supprimer à tout prix les humains du processus, mais de comprendre quelles parties du processus une machine est réellement plus performante et où doit s’arrêter son autorité.
Selon Iuliia, malgré l’automatisation des processus RH, le rôle du Business Partner chez RedCore reste fort précisément parce que les BP travaillent avec les managers et les équipes dans un contexte réel que le système n’a pas.
Les deux produits RedCore continuent d’évoluer, même s’ils sont déjà utilisés quotidiennement. Et c’est peut-être cela qui décrit le mieux la principale leçon que l’IA nous enseigne à tous : vous ne pouvez pas la configurer une seule fois et la considérer comme terminée. Vous devez continuer à l’enseigner – et à apprendre parallèlement.
La mise en œuvre efficace de l’IA nécessite une implication humaine, tandis que le processus de développement lui-même met rapidement en évidence des éléments qui pouvaient auparavant passer inaperçus : des lacunes dans les données, la documentation, la logique métier et les processus internes. Et en enseignant l’IA, les entreprises apprennent inévitablement à mieux se comprendre.
Vous souhaitez travailler avec une équipe solide ? Envoyez votre CV à RedCore. https://link.redcore.group/4hBbLuR
