AI Adoption Across a Multinational Workforce: Sociotechnical Conditions for GenAI Acceptance in Human Resources
Cet article étudie l'adoption de l'IA générative au sein d'un département RH multinational, révélant que l'acceptation est portée par l'alignement entre la conception du système et les positionnalités des employés, le développement de la confiance par des pratiques de vérification, et la qualité de l'infrastructure de connaissances organisationnelles, offrant ainsi des directives de conception pour un déploiement de l'IA inclusif et responsable.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez qu'une entreprise massive décide de moderniser son « Service d'aide RH » interne. Pendant des années, les employés ont utilisé un vieux système de bibliothèque fiable appelé STEVE pour trouver des réponses sur la paie, les vacances ou les politiques. Il fonctionnait comme un moteur de recherche traditionnel : vous tapiez un mot-clé et il vous donnait une liste de documents à lire.
Récemment, l'entreprise a introduit un nouvel outil rutilant appelé PEOPLE TOOL. Ce nouveau système utilise l'Intelligence Artificlle Générative (IA générative). Au lieu de simplement lister des documents, il essaie de les lire pour vous et de rédiger une réponse directe à votre question, comme un assistant intelligent.
Les chercheurs voulaient savoir : Tout le monde a-t-il commencé à utiliser le nouvel assistant intelligent, ou certains ont-ils été laissés pour compte ? Ils ont examiné les registres de recherche, posé des questions à 25 employés et interrogé 10 personnes pour le découvrir.
Voici ce qu'ils ont découvert, expliqué simplement :
1. Ce n'est pas un « interrupteur », c'est une « boîte à outils »
Les chercheurs s'attendaient à ce que les employés arrêtent d'utiliser l'ancienne bibliothèque (STEVE) pour passer entièrement à l'IA (PEOPLE TOOL). Cela ne s'est pas produit.
Au lieu de cela, les employés ont agi comme des acheteurs intelligents. Ils ont gardé les deux outils dans leur boîte à outils.
- S'ils avaient besoin d'une réponse rapide et simple, ils utilisaient l'IA.
- S'ils avaient besoin de voir la formulation juridique exacte d'une politique, ou si l'IA semblait confuse, ils revenaient à l'ancienne bibliothèque ou demandaient à un collègue humain.
La métaphore : Pensez à la cuisine. Si vous avez besoin d'une idée de recette rapide, vous demandez à une application de cuisine intelligente (IA). Mais si vous devez connaître les ingrédients exacts d'une marque spécifique de sauce pour une allergie, vous lisez l'étiquette sur la bouteille (l'ancien système) parce que vous faites plus confiance à l'étiquette qu'à la supposition de l'application.
2. Le problème du « Taille unique »
Le nouveau système d'IA a été conçu avec un type de travailleur spécifique en tête : quelqu'un assis à un bureau avec un ordinateur portable, à l'aise avec la technologie et parlant anglais.
Le test de réalité :
- L'employé de bureau : Il correspond parfaitement au design. Il pouvait taper des questions et obtenir de bonnes réponses.
- L'ouvrier d'usine : Il n'avait souvent pas d'ordinateur portable, travaillait en équipes ou parlait une langue différente. Pour lui, le nouveau système ressemblait à une porte verrouillée. Il ne pouvait même pas taper sa question dans le bon « langage de l'entreprise » car il n'était pas habitué aux termes RH.
La métaphore : Imaginez que l'entreprise ait construit un ascenseur sophistiqué (l'IA) pour tout le monde. Mais l'ascenseur n'a des boutons que pour le 10e étage et plus, et ne parle qu'anglais. La personne qui travaille au sous-sol (l'ouvrier d'usine) ne peut pas l'utiliser, alors elle continue de prendre les escaliers (l'ancien système ou demander à un manager), même si l'ascenseur est « disponible » pour elle.
3. Il faut apprendre un nouveau « langage »
Utiliser l'IA ne consistait pas seulement à avoir accès, mais à savoir comment lui parler.
- Avec l'ancien système, vous tapiez des mots-clés courts comme « vacances ».
- Avec l'IA, vous deviez écrire des phrases complètes, donner du contexte et parfois reformuler si la réponse était étrange.
Beaucoup d'employés ne s'en rendaient pas compte. Ils essayaient de parler à l'IA comme ils parlaient à l'ancien moteur de recherche, obtenaient une mauvaise réponse, puis abandonnaient. Ils devaient apprendre une nouvelle compétence : la littératie de recherche par IA.
La métaphore : C'est comme passer d'une télécommande (ancien système : on appuie juste sur un bouton) à un smartphone (nouveau système : vous devez savoir quelle application ouvrir, comment taper et comment dépanner). Si vous ne savez pas utiliser le smartphone, vous pourriez simplement continuer à utiliser l'ancienne télécommande, même si le téléphone est plus rapide.
4. La confiance se construit sur la « double vérification »
Même quand l'IA donnait une bonne réponse, les employés ne la faisaient pas aveuglément confiance. En RH, une mauvaise réponse pourrait signifier perdre de l'argent ou des jours de vacances.
Comment ils ont instauré la confiance :
- La « vérification de la source » : Ils cliquaient sur les liens fournis par l'IA pour lire le document original.
- La « vérification par le commérage » : Ils demandaient à un collègue : « As-tu entendu parler de ça ? »
- La « vérification par le manager » : Ils demandaient à leur patron de confirmer.
La métaphore : Imaginez que l'IA est un guide touristique dans une ville étrangère. Vous pouvez écouter le guide, mais vous vérifiez quand même la carte vous-même, demandez à un commerçant local ou regardez un panneau pour vous assurer que le guide ne vous mène pas vers le mauvais musée. Vous ne suivez pas le guide aveuglément.
5. La règle du « Garbage In, Garbage Out » (Déchet en entrée, déchet en sortie)
Les chercheurs ont découvert que l'IA n'était aussi bonne que les documents qu'elle lisait.
- Si les documents RH de l'entreprise étaient désordonnés, obsolètes ou difficiles à trouver, l'IA donnerait des réponses confuses ou erronées.
- Les employés blâmaient l'IA pour les mauvaises réponses, mais le vrai problème était la bibliothèque que l'IA consultait.
La métaphore : L'IA est comme un chef. Si vous donnez au chef des ingrédients frais et de haute qualité (bons documents), il prépare un excellent repas. Si vous lui donnez des légumes pourri (documents mauvais ou désordonnés), même le meilleur chef fera un mauvais repas. Le problème n'était pas le chef ; c'était le garde-manger.
La grande conclusion
L'article conclut que le simple fait de donner accès à un outil d'IA sophistiqué à tout le monde ne signifie pas que tout le monde en bénéficie.
- Accès formel (avoir l'identifiant) Accès pratique (être capable de l'utiliser efficacement).
- Pour que l'IA soit équitable, les entreprises doivent réparer le « garde-manger » (organiser leurs documents), apprendre aux gens comment « cuisiner » (les former à poser des questions) et réaliser que certains travailleurs (comme le personnel d'usine) pourraient avoir besoin d'un type d'outil différent, et non purement numérique.
En bref : La technologie n'est utile que dans le contexte pour lequel elle a été construite. Si vous construisez un outil pour le bureau, l'ouvrier d'usine sera toujours laissé pour compte.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.