L’IA va exposer vos People Analytics, vos forces comme vos faiblesses.

La RAND Corporation, institut de recherche américain de référence sur les politiques publiques, a publié une étude sur les causes d’échec des projets IA. Constat de départ : plus de 80% de ces projets échouent. Sur la base de 65 entretiens menés avec des data scientists et ingénieurs IA expérimentés, deux causes dominent : l’incapacité organisationnelle de passer un pilote à l’échelle, et la qualité insuffisante des données mobilisées.

Ce constat appelle une lecture plus structurante. Les entreprises ne ratent pas l’IA parce qu’elles sont insuffisamment matures technologiquement, elles la ratent parce qu’elles investissent dans le mauvais ordre.

Pour les DRH, le constat porte une charge particulière, la donnée RH est historiquement la moins structurée de l’entreprise. La question n’est donc plus de savoir si l’IA va transformer la fonction, mais ce qu’elle va révéler.

Car l’IA est un amplificateur. Et dans une fonction où la data est fragmentée, partielle et peu gouvernée, cet amplificateur peut jouer contre le métier.

 

Le paradoxe IA : beaucoup d’expérimentation, peu de valeur

Le phénomène est désormais observé à grande échelle. L’étude MIT NANDA (The GenAI Divide: State of AI in Business, 2025) montre que seuls 5% des pilotes GenAI produisent une accélération de revenus mesurable. Les 95% restants stagnent, sans impact sur le P&L.

Les chercheurs parlent de « learning gap » : un déficit d’intégration de l’IA dans le tissu opérationnel de l’entreprise, c’est-à-dire sa donnée, ses processus, ses équipes. Un modèle générique ne compense pas une fondation absente. Il s’y appuie, et amplifie ce qu’il y trouve.

En RH, ce point est déterminant. La donnée RH est historiquement fragmentée entre paie, SIRH, LMS, ATS, outils de performance, fichiers Excel des managers. Elle est souvent à jour côté paie, mais incomplète côté compétences. Précise sur les effectifs, silencieuse sur les motifs de départ. Riche dans certaines BU, pauvre dans d’autres. C’est sur cette base que l’IA va opérer.

C’est précisément le piège dans lequel beaucoup d’organisations tombent : utiliser l’IA pour rattraper un retard data, alors que l’IA suppose la data, elle ne la crée pas. Résultat : elles financent deux fois le même chantier :

1. Une première fois sur l’IA qui ne produira pas de valeur.
2. Une seconde fois sur la mise à niveau data quand l’échec sera acté.

Le constat du MIT n’est donc pas un problème de technologie mais un problème de séquencement. Et ce problème de séquencement a une conséquence directe : il place la technologie en amont… là où la donnée devrait être la fondation.

 

La donnée RH comme fondation

Un LLM est, par construction, un modèle générique. Il produit ce que produit le langage humain en moyenne. C’est une force quand on cherche à reformuler un email, et une faiblesse dès qu’on lui demande de comprendre le contexte propre d’une entreprise.

Sans information structurée sur ces réalités, l’IA ne produit pas des réponses erronées. Elle produit des réponses moyennes. Et sur des sujets humains, le moyen est rarement acceptable.

L’IA sublime la donnée existante. Si elle est éparpillée, incomplète, mal définie, la donnée produit du bruit, pas du signal. Autrement dit, elle mélange des informations correctes et incorrectes, sans qu’il soit possible de les distinguer.

Et l’IA traite le bruit comme du signal ; toutes les données à sa disposition sont supposées correctes.

La priorité devient donc de s’assurer que les données d’entrée de l’IA vont lui apporter une information aussi juste que possible, et suffisamment riche pour passer d’une réponse générique à une réponse spécifique.

Une fois la donnée exploitable et propre, il s’agit d’adresser l’usage que l’IA peut en faire.

Le vrai angle mort : la gouvernance des données RH

Avant l’IA, une donnée RH mal gouvernée créait un risque de non-conformité et d’erreurs ponctuelles. Avec l’IA, elle crée un risque de décision erronée et d’exposition. Trois questions deviennent alors critiques.

• Qui accède à quoi ?

La question paraît triviale : les SIRH disposent tous de mécanismes de permissions natifs. Le risque ne vient pas d’une IA qui contournerait les droits d’accès, il vient du fait qu’elle les applique, tels quels.

Le premier angle mort tient à la complexité même des permissions. Dans un SIRH mature, elles sont historiquement empilées, peu lisibles, et pas toujours à jour au fil des mobilités, des réorganisations et des évolutions de périmètre.
Une IA qui requête ces données ne signalera pas qu’un droit d’accès n’a pas été révisé depuis dix-huit mois ; elle donnera immédiatement à voir au collaborateur qui l’a interrogée les informations qui ne devraient plus lui être accessibles.

Le second risque tient à la donnée RH qui vit hors du SIRH. Le fichier Excel posé sur un SharePoint d’équipe, le tableur de suivi des entretiens hébergé sur un drive collaboratif, le PowerPoint de revue de talents partagé sans verrou.

Tant que cette donnée n’était que peu accessible, sa relative invisibilité tenait lieu de protection. Une IA connectée peut exposer ces données sans qu’aucune règle explicite n’ait été violée.

• Qu’est-ce qui est à jour ?

Une IA ne juge pas la fraîcheur de la donnée qu’elle traite. Elle traite ce qu’elle trouve et s’appuie sur des référentiels non mis à jour, des champs partiellement alimentés, des processus abandonnés mais encore documentés.

Les recommandations qui en sortent porteront la confiance apparente du modèle malgré ces défauts.

• Quelle donnée a alimenté quelle décision ?

Une recommandation IA de mobilité interne, de promotion ou de rémunération doit pouvoir être expliquée, contestée, auditée. Cela suppose de savoir, en amont, sur quelles sources le modèle s’appuie, et de pouvoir le démontrer en aval.

La gouvernance data n’est donc pas un préalable bureaucratique. C’est la condition pour que les décisions de l’IA puissent être tenues, expliquées et corrigées. À défaut, une fonction RH s’expose à un double risque :

1. Prendre des décisions faussées par des données mal interprétées
2. Ne plus pouvoir les expliquer ou les défendre devant les collaborateurs, les ou les autorités.

L’IA ne compensera pas un système de gouvernance défaillant ou faussement conforme. Elle le rendra visible et elle en amplifiera les conséquences.

 

People readiness : ce que l’IA ne change pas

Données propres, gouvernance posée : même réunies, ces deux conditions ne produisent rien sans les équipes qui les exploitent ; et sur ce terrain, l’IA abaisse drastiquement la barrière technique. Construire un dashboard, structurer un reporting, croiser des données entre plusieurs sources, mettre en forme un export : ces tâches deviennent accessibles à tous.

En revanche, elle ne compense pas le manque de rigueur analytique. Une IA appliquée à une question mal posée produit une réponse confiante et inutile. Parfois pire : confiante et trompeuse.

La conséquence opérationnelle est claire : le travail de montée en compétence des équipes RH doit être avant d’être technologique. Anticiper la valeur qu’on peut tirer d’une analyse quantitative, savoir formuler un problème, identifier la bonne information à aller chercher, choisir entre plusieurs angles d’analyse, lire un résultat avec esprit critique : ces compétences ne s’externalisent pas à l’IA.

 

Conclusion

Donnée, gouvernance, compétences : ces trois chantiers ne sont pas des prérequis à l’IA. Ils sont ce que l’IA va mettre en lumière. L’IA ne va pas transformer mécaniquement la fonction People Analytics.

Elle va révéler son état réel mais cette fois, à grande échelle, et avec un impact direct sur les décisions.

La question centrale n’est donc plus : « êtes-vous prêts pour l’IA ? »
Mais : « êtes-vous prêts à assumer ce qu’elle va rendre visible ? »

Les données capturées, la gouvernance posée et les pratiques installées aujourd’hui détermineront la valeur – ou le risque – des usages IA de demain.

Dans ce contexte, la première étape est souvent simple : objectiver le niveau réel de maturité data pour construire votre feuille de route d’accélération de l’IA.

 

 

Sources :

• RAND Corporation, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI (RRA2680-1), 2024.
• MIT NANDA, The GenAI Divide: State of AI in Business 2025.