IA on the job : répartir les missions sans confondre équilibre et équité
Un assistant d'IA peut proposer une répartition des dossiers, des clients ou des projets à partir des disponibilités déclarées. La question managériale est précise : comment vérifier que cette répartition ne concentre pas les occasions d'apprendre chez les mêmes personnes, sous couvert d'équilibrer la charge ?
Ce que la littérature établit
Jason A. Colquitt (2001, Journal of Applied Psychology) apporte des éléments empiriques en faveur de quatre dimensions distinctes de la justice organisationnelle : distributive, procédurale, interpersonnelle et informationnelle. Le résultat obtenu, la manière de le produire, le traitement des personnes et les explications fournies ne constituent donc pas un seul jugement indifférencié. Appliquée à une répartition assistée par l'IA, cette distinction invite à ne pas prendre l'égalité des volumes pour une preuve suffisante d'équité.
Des critères de justice qui ne se remplacent pas
Jason A. Colquitt, Donald E. Conlon, Michael J. Wesson, Christopher O. L. H. Porter et K. Yee Ng (2001, Journal of Applied Psychology) montrent, dans une méta-analyse, que ces dimensions présentent des relations en partie distinctes avec les attitudes et les comportements au travail. Une explication détaillée et une distribution favorable ne sont donc pas des substituts simples. Pour le management, cela signifie qu'il faut examiner séparément les critères d'attribution et la valeur des missions attribuées.
La conclusion trop rapide
On pourrait en déduire qu'une répartition devient juste dès lors que ses critères sont explicites et appliqués uniformément. Ce serait aller trop vite : un critère comme l'expérience antérieure peut être pertinent pour sécuriser une mission tout en réservant durablement les missions formatrices aux personnes déjà expérimentées. Ce risque constitue une hypothèse à vérifier dans l'organisation, non un effet de l'IA établi par les études citées. (nos formations pour cadres et collaborateurs)
Ce que les données ne permettent pas de conclure
Ces travaux portent sur la justice organisationnelle, pas sur l'attribution de missions par une IA générative. Ils ne permettent ni de certifier l'équité d'un outil, ni de déterminer la bonne pondération entre disponibilité, compétence et développement professionnel. La vérification doit aussi tenir compte des préférences exprimées et des contraintes réelles : une mission visible n'est pas automatiquement une occasion souhaitée.
Une implication pratique, vérifiable à Lugano
Dans le cadre d'« IA on the job » de SHR, un exercice consisterait à examiner, sur un mois, toutes les missions éligibles à une répartition assistée dans une équipe : dossiers bancaires, lancements dans la mode, relations fournisseurs dans le négoce ou projets d'une PME familiale italophone. Avant la répartition, le responsable et l'équipe définiraient en italien ce qui constitue une occasion de développement, puis consigneraient pour chaque mission les personnes éligibles, leurs disponibilités, leurs souhaits et l'attribution finale. La mesure serait, pour chaque personne, le nombre de missions de développement reçues rapporté au nombre de celles pour lesquelles elle était éligible, disponible et volontaire. Un écart ne prouverait pas une injustice, mais fournirait un objet vérifiable pour examiner les raisons d'attribution, sans transmettre de données clients à un outil non autorisé. Pour aller plus loin : découvrez la formation IA on the job à Lugano, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : IA on the job à Lugano
- ia on the job
- Lugano
- recherche
- formation lugano