L’IA peut accélérer le tri, la recherche ou le résumé d’un corpus qualitatif RH. Elle ne rend pas le corpus représentatif, ne transforme pas un thème en cause et ne permet pas de diagnostiquer l’état d’une personne. Avant de l’utiliser, définissez la décision, le matériel autorisé, les catégories, les erreurs à surveiller et le temps humain nécessaire pour revoir les sorties.
Commencer par un corpus et une sortie précis
« Analyser le ressenti des collaborateurs » est trop vague. Une demande testable décrit le corpus, le contexte et l’usage final. Par exemple : « Classer les récits autorisés d’un retour d’onboarding selon les difficultés d’accès, les consignes ou les relations de travail, afin qu’un responsable décide quel point vérifier. »
| Champ | Exemple de décision à prendre |
|---|---|
| Corpus | Contributions recueillies pour un programme d’onboarding, période définie |
| Unité | Une contribution, un passage ou une personne unique, sans les confondre |
| Catégories | Accès, consigne, formation, coordination, autre ou incertain |
| Sortie | Tableau avec extrait source, catégorie proposée et incertitude |
| Exclusion | Score d’engagement, diagnostic de santé, classement ou prédiction individuelle |
| Responsable | Analyste RH qui valide la sortie et le prochain test |
Le guide GOV.UK sur l’analyse de séances de recherche recommande de séparer ce qui a été observé de ce que l’analyste en déduit. Cette distinction reste essentielle avec une IA : une étiquette proposée n’est pas un fait sur une personne ni la preuve d’un mécanisme.
Comparer le travail manuel et l’assistance IA
Ne comparez pas seulement la vitesse. Une comparaison utile vérifie la fidélité aux extraits, les erreurs de classement, les absences et le coût de correction.
| Étape | Travail manuel | Assistance IA à tester |
|---|---|---|
| Préparer | Définir les catégories et exemples limites | Vérifier que la consigne et les catégories sont identiques |
| Classer | Relire les extraits et appliquer le guide | Produire catégorie, raison brève et niveau d’incertitude |
| Contrôler | Comparer des relecteurs sur un échantillon | Comparer chaque sortie à la source et aux décisions humaines |
| Décider | Regrouper les éléments vérifiés | Conserver les contre-exemples et les cas incertains |
| Mesurer le coût | Temps de codage et de revue | Temps de contrôle, correction et traçabilité inclus |
Un gain apparent disparaît si une personne doit réécrire tous les résumés, retrouver les sources perdues ou démêler des catégories incohérentes. Le cadre AI RMF du NIST invite à évaluer le contexte, la pertinence des données, les limites de généralisation et la supervision. Faites de ces exigences une grille de test, pas une déclaration générale.
Exemple fictif : 24 retours d’onboarding
Une entreprise fictive opérant à Manchester et Boston collecte 24 contributions volontaires après une nouvelle arrivée. Pour ce test, elle retient un passage analysable par contribution : le corpus compte donc 24 passages. Elle veut savoir si une modification du parcours d’accès mérite une vérification. Deux analystes codent six contributions à la main avant de donner les mêmes définitions à l’outil.
L’outil propose « accès » pour 18 passages, « consigne » pour quatre et « autre » pour deux. La revue humaine constate que quatre des 18 passages concernent l’accès à une personne référente, non l’accès à un système. Parmi les quatre passages « consigne », un décrit en réalité une charge de travail. Un récit contraire indique que le parcours fonctionne bien sur un autre site.
Le registre final ne dit pas : « l’accès est la cause de l’échec d’onboarding ». Il dit : 24 contributions, deux sites, des catégories révisées, une couverture limitée, un contre-exemple et une action proposée : vérifier la séquence d’accès et de référent pour la prochaine cohorte. La responsable fixe une date de revue. Si les sources sont trop hétérogènes ou si les erreurs de classement restent fréquentes, elle suspend l’automatisation.
Garder la piste de preuve et la vie privée
Pour chaque sortie, conservez l’identifiant de source, le contexte pertinent, la version de la consigne, la catégorie proposée, la correction humaine et la date. Prévoyez ce qui se passe lorsqu’un élément est corrigé ou retiré : la synthèse et les exports doivent être réexaminés.
Les repères GOV.UK sur les données de recherche insistent sur la minimisation, l’accès restreint, la durée de conservation et l’usage conforme au but annoncé. Ils ne fournissent pas une règle universelle pour le travail RH. Les équipes compétentes doivent approuver la base et le dispositif applicables à leur contexte.
Ne promettez pas d’anonymat à partir d’une agrégation seule. Un extrait rare, un lieu ou une période peut permettre une reconnaissance. Ne cherchez pas non plus des « non-dits », le ton ou une intention cachée : une IA de texte ne les observe pas de façon fiable.
Utiliser un résultat comme une hypothèse de travail
Une sortie est exploitable lorsque le responsable peut répondre à cinq questions : quel matériel la soutient, qui manque au corpus, quel contre-exemple existe, quelle autre explication est possible, et quelle décision limitée est envisageable ? L’IA peut préparer ces éléments ; elle ne doit pas décider quelle personne, équipe ou carrière appelle une intervention.
Le guide People analytics qualitatif traite la méthode de recherche d’un corpus. Cette page traite le test d’une assistance IA sur ce corpus. Le guide Analyse de sentiment des employés traite un autre sujet : une classification de texte n’est pas un diagnostic de sentiment.
Où Lontra peut aider
Lontra peut organiser une conversation sur une question de travail approuvée avec des collaborateurs invités. Le manager reçoit un brief orienté action et jamais les réponses brutes. Les personnes responsables examinent les thèmes, les exemples autorisés, les limites et le suivi. Lontra ne doit pas être présenté comme un système de diagnostic émotionnel ou de notation individuelle.
Après avoir défini votre corpus et votre protocole de revue, comparez ce flux à la page produit. L’essai est limité à une campagne, jusqu’à 30 invitations pendant 60 jours, sans carte ; il est utile pour tester le travail, les sorties et la revue humaine, pas pour prouver une causalité organisationnelle.
Sources
- NIST, AI RMF Core : cadre pour le contexte, les données, les limites et la supervision.
- GOV.UK, analyser une séance de recherche : séparation entre observation, interprétation, constats et actions.
- GOV.UK, gérer les données de recherche : minimisation, accès et conservation.
FAQ
À quoi sert l’IA dans une analyse qualitative RH ?
Elle peut aider à repérer, classer ou résumer du matériel autorisé. Un relecteur doit pouvoir revenir aux extraits, corriger les sorties et conserver les contre-exemples.
Une analyse qualitative IA mesure-t-elle le sentiment d’une personne ?
Non. Une classification de texte décrit un corpus selon une consigne. Elle ne permet pas de diagnostiquer un état, une intention ou un risque individuel.
Comment comparer l’IA au travail manuel ?
Faites coder un échantillon défini avec les mêmes catégories, comparez les erreurs et désaccords aux extraits sources, puis estimez le temps de revue avant toute décision.
