Optimisez l’acquisition de talents avec l’intelligence artificielle

Efficience oblige, les services de RH ont entamé leur mutation vers le numérique depuis plusieurs années. Dans ce contexte, les responsables du HCM (human capital management) se doivent d’évaluer, de choisir et de mettre en place des applications chargées de l’acquisition des talents. Des applications qui embarquent de plus en plus souvent des technologies d’intelligence artificielle et/ou de machine learning. D’ici à 2020, plus de 50 % des apps d’acquisition de talents incluront des technologies de ce type. Sur le terrain, la sélection de la bonne application s’avère complexe pour plusieurs raisons. L’engouement récent pour l’intelligence artificielle s’est traduit par un accroissement considérable du nombre de fournisseurs, start-up ou éditeurs établis, qui proposent des solutions basées sur de l’IA et/ou du machine learning. Or, l’application de ces technologies au domaine de l’acquisition de talents n’est pas encore mature. La deuxième difficulté repose sur une perception trop générale des possibilités de l’IA par une partie des responsables des processus d’acquisition des talents. Les technologies mises en oeuvre ne recouvrent pas l’ensemble du processus de recrutement, mais s’appliquent à des phases spécifiques comme le sourcing des candidats, l’identification de l’expérience… La mise en place d’une application unique capable de prendre en charge l’ensemble du recrutement demeure illusoire à ce jour.

Une approche analytique des besoins permet de contourner ces difficultés. Les responsables des applications doivent commencer dans un premier temps par identifier les étapes de recrutement qui bénéficieront le plus de l’intelligence artificielle et du machine learning, puis doivent ensuite les hiérarchiser en fonction des besoins spécifiques de leur entreprise. Ces étapes sont classiquement l’identification des candidats, l’optimisation des processus de sourcing et de sélection, l’automatisation du tri et du classement des candidats par rapport aux besoins, la prédiction sur les résultats des recrutements, les moyens de faciliter la mise à jour des informations sur les candidats, l’amélioration de la visibilité de la marque « entreprise » en tant qu’employeur, et, côté candidat, l’amélioration de son expérience. Parallèlement, il est nécessaire de définir des critères de résultats opérationnels et techniques destinés à évaluer les technologies, ce pour chacune des étapes formalisées. Ce qui amène à mesurer les performances du recrutement dans l’entreprise et à préciser les points pour lesquels une amélioration est sensible, et peut être obtenue par un outil. Par exemple, si un indicateur prioritaire est la probabilité que le candidat accepte le poste, le choix doit s’orienter vers une solution dont les algorithmes prennent en compte les temps de transport, la proximité avec d’autres membres de l’entreprise, etc. Dans d’autres cas, les compétences, la réputation de l’employeur précédent ou l’expérience seront plus importantes.

Approche complémentaire basée sur du machine learning, les analogies avec des profils de collaborateurs déjà en poste affineront le choix des candidats. Ces outils améliorent le taux de candidats potentiellement les plus aptes à accepter et à conserver le poste dans un panel déjà constitué de profils adaptés au poste en termes de compétences et d’expériences. Les outils analysent par exemple les interventions sur les réseaux sociaux, quantitativement et qualitativement, pour évaluer la « réelle » disponibilité des candidats.

Plus globalement, il importe de garder une démarche expérimentale dans l’utilisation de ces services et outils. L’offre du marché va continuer à progresser. Concrètement, cette démarche passe par une analyse des résultats concrets obtenus avec ces outils, mais aussi par un questionnement des fournisseurs et de leurs clients de référence. On s’attachera par exemple à savoir si la solution est générique ou spécialisée par domaine d’activité. Comme pour tout ce qui se touche à l’IA, il faut être conscient que les jeux d’apprentissage fournis peuvent générer des biais au détriment de l’efficacité. Au final, si la mise en œuvre de ces technologies est incontournable et bénéfique, une attention particulière doit être portée sur les résultats obtenus au fil de l’eau.

Helen Poitevin

Directrice de recherche, Gartner

Abonnez-vous à la newsletter hebdo d'IT for Business !

Rejoignez notre liste de diffusion pour recevoir toutes les semaines une sélection d'articles et quelques autres surprises préparées spécialement pour vous par notre rédaction.

ABONNEZ-VOUS !

Nous vous envoyons un e-mail de validation !