Voici la vérité qui dérange : La plupart des entreprises prennent des décisions déterminantes quant aux recrutements, au développement des talents et au déploiement des effectifs sur la base de données incomplètes et statiques. Et, à mesure que l’IA devient centrale dans ces décisions, le problème de la qualité s’aggrave. La différence entre un système de compétences réellement efficace et un système qui finit au placard réside dans l’architecture de données sous-jacente. Sans une architecture de données de qualité, votre IA ne fait qu’accélérer les erreurs à grande échelle. Ces six questions vous aideront à aller au-delà du discours marketing et à évaluer si une solution repose sur des bases suffisamment solides pour être réellement performante lorsque les décisions comptent.
1. Traite-t-elle les compétences de manière probabiliste ou déterministe ?
Le problème : la plupart des systèmes traitent les compétences comme de simples cases à cocher. Le collaborateur X possède la compétence Y : VRAI. Mais ce n’est pas comme cela que fonctionnent les compétences. Elles sont évaluées en tenant compte d'un niveau de confiance, lequel évolue au fil du temps.
À quoi faire attention : le système peut-il exprimer de l'incertitude ? Indique-t-il « sûr à 85 % » au lieu d’un simple « oui » ? Comprend-il que Python pour la science des données est complètement différent de Python pour le développement web ? Si le système est incapable d'indiquer son degré de confiance dans une évaluation, c'est qu'il ne fait que deviner. Et vous n’avez aucun moyen de savoir quand ces suppositions sont fausses.
2. Capture-t-elle les signaux du travail réel ou uniquement les archives ?
Le problème : les données concernant la formation montrent ce que les collaborateurs ont étudié. Les auto-évaluations montrent ce qu’ils pensent savoir faire. Aucun de ces deux éléments ne vous dit ce qu’ils sont réellement capables de fournir lorsque cela compte vraiment.
À quoi faire attention : est-ce que le système est connecté là où le travail s’effectue réellement ? Peut-il extraire des signaux de GitHub, Jira, Confluence et de vos outils de gestion de projets ? La meilleure preuve d’une capacité est un travail démontré, pas un certificat d’achèvement de cours. Si le système ne connaît que les récapitulatifs de formation et les évaluations annuelles, il lui manque le signal le plus important.
3. Comprend-elle le contexte ou se contente-t-elle d’une mise en correspondance de mots-clés ?
Le problème : « Python » n’est pas une compétence unique. Python pour la science des données (pandas, scikit-learn) est complètement différent de Python pour le développement web (Django, Flask) ou l’automatisation DevOps. Les systèmes qui se contentent de mettre en correspondance des mots-clés produisent de mauvaises recommandations.
À quoi faire attention : le système comprend-il le contexte sémantique ? Peut-il faire la distinction entre l'expression « analyse de données » utilisée dans un contexte financier par rapport à son utilisation dans un contexte marketing ? Sait-il que les compétences en React requises pour la création de tableaux de bord diffèrent de celles requises pour le développement d'applications mobiles ? Sans compréhension sémantique, votre mise en correspondance n’est guère plus qu’une coûteuse recherche par mots-clés.
4. Permet-elle de modéliser la dégradation temporelle ?
Le problème : une compétence que vous avez utilisée hier vaut plus qu’une compétence que vous avez utilisée il y a trois ans. Les compétences s'affinent avec la pratique. Elles s’affaiblissent lorsqu’elles sont négligées. La plupart des systèmes les traitent toutes de la même manière.
À quoi faire attention : interrogez-vous sur la récence : il y a combien de temps que la compétence a été mise en pratique pour la dernière fois ? La fréquence : à quelle fréquence cette compétence est-elle utilisée ? La trajectoire : est-ce que la compétence progresse ou régresse ? Si chaque compétence paraît également valable, qu’elle ait été utilisée la semaine dernière ou il y a trois ans, vos données deviennent peu fiables dès qu’une personne change de poste ou se détache d’une capacité.
5. Peut-elle expliquer ses évaluations ?
Le problème : si vous ne pouvez pas voir pourquoi le système estime qu’une personne possède une capacité, vous ne pouvez pas la valider. Vous ne pouvez pas la déboguer. Vous ne pouvez pas l'améliorer. Et la confiance s’érode rapidement lorsque la logique est invisible.
À quoi faire attention : pour chaque évaluation, vous devez être en mesure de retracer le raisonnement. Quelles preuves étayent cela ? Quels systèmes ont fourni des données ? Quand la dernière mise à jour a-t-elle eu lieu ? Quel est le degré de confiance du système ? Qui l'a validé ? L'explicabilité est essentielle pour prendre des décisions que l’on peut assumer.
6. Est-ce qu'elle synthétise plusieurs sources ou dépend d'une seule ?
Le problème : aucune source unique ne donne une vision complète de la situation. Les auto-évaluations sont optimistes. Les évaluations des managers sont peu fréquentes. Les enregistrements de formation montrent l’étude, plutôt que la mise en pratique. Les preuves du travail sont dispersées dans une douzaine de systèmes.
À quoi faire attention : le système combine-t-il plusieurs signaux et les pondère-t-il intelligemment ? Preuves du travail, activités de formation, évaluations des managers, validation par les pairs, auto-évaluations. Tous ces facteurs comptent. Aucun d’entre eux ne suffit à lui seul. Les systèmes à source unique héritent de tous les biais et angles morts de cette source. La synthèse de plusieurs sources est plus difficile à concevoir. C'est aussi la seule qui fonctionne.
Et maintenant, que faire ?
Ces six questions ne suffiront pas, à elles seules, à conclure une vente ni à terminer une évaluation. Mais elles vous permettront de déterminer rapidement si un fournisseur a sérieusement réfléchi au problème des données, ou s’il met en avant la taxonomie et l’IU en espérant que vous ne creuserez pas davantage.
La dure réalité, c’est que la plupart des systèmes de compétences ne sont pas conçus pour répondre efficacement à ces questions. C’est une information utile à connaître avant de vous engager.
Vous voulez en savoir plus sur les données ? Lisez notre article de blog : Données sur les compétences : comprendre les bases de la workforce intelligence.
