Les chatbots : automatisons-nous ce qui devrait être éliminé ?

Une équipe des RH crée un chatbot pour guider les gestionnaires d’embauche à travers un formulaire de demande de dotation à 14 champs. Ça prend trois mois et une bonne partie du budget. Au lancement, le pourcentage de formulaires correctement remplis passe de 30 % à 75 %. Grande réjouissance. Des tasses à café « Magicien de l’IA » sont distribuées.

Puis un gestionnaire d’embauche pose une question que personne n’avait pensé à poser : combien de ces 14 champs les RH utilisent-elles réellement — et combien demandent des données que les RH ont déjà ?

La réponse : seulement quatre des quatorze champs devaient être remplis par le gestionnaire.

• Quatre champs collectaient de l’information qui n’allait nulle part.
• Six auraient pu être remplis automatiquement à partir de données que l’organisation possédait déjà — le code de direction, le code financier et la classification du dernier poste similaire comblé.

En d’autres mots : dix des quatorze champs n’avaient pas à être posés au gestionnaire d’embauche.

Le formulaire aurait dû avoir (net) quatre champs : des champs clairement étiquetés avec des instructions simples, rédigées en langage clair. Dans bien des organisations, c’est le genre de demande qu’un gestionnaire pourrait remplir en quelques minutes — sans chatbot, ni aide des RH. Et ce formulaire simplifié aurait pu être développé rapidement et facilement.

À la place, l’organisation a bâti une solution d’IA pour compenser un formulaire qui n’aurait probablement pas dû être aussi compliqué au départ.

Je vois une version de cette erreur souvent dans le travail du savoir : automatiser le gaspillage au lieu de l’éliminer.

Faciliter la mauvaise chose pour le fournisseur de services au lieu de rendre la bonne chose simple pour le client.

Même si un chatbot aide le gestionnaire d’embauche à remplir ces champs superflus, le gestionnaire vit quand même le processus comme trop complexe — et tire une conclusion silencieuse sur ce que c’est que de travailler avec les RH.

Le temps que le gestionnaire passe à chercher, interpréter et expliquer est peut-être guidé par l’IA, mais c’est quand même du temps que le client ne s’attendait pas à dépenser.

Cette frustration se retourne contre les RH, pas contre le chatbot. Réduire le formulaire à ce qui compte vraiment économise des efforts, accélère l’expérience et démontre de la compétence.

Et une fois que le chatbot existe, il peut devenir un obstacle à la simplification.

Quelqu’un dira : « On ne peut pas revoir le formulaire maintenant — on vient d’investir dans un chatbot qui utilise ces 14 champs. » La technologie censée améliorer le processus protège maintenant le processus défaillant contre toute correction.

Le principe est simple : éliminer la complexité inutile d’abord. Ensuite, si le processus restant est encore véritablement complexe — exigences réglementaires, coordination entre plusieurs parties, détails techniques légitimes — utilisez l’IA pour guider les utilisateurs à travers ce qui reste.

Vous direz peut-être : un agent d’IA moderne n’a pas besoin de formulaire du tout — il peut extraire l’information d’une conversation de 30 secondes avec le gestionnaire d’embauche. C’est vrai. Et la question s’applique quand même. Êtes-vous certain de devoir collecter les 14 informations ? Êtes-vous certain que les RH utilisent ce qui est collecté ? Un agent d’IA qui recueille des données non pertinentes plus rapidement recueille quand même des données non pertinentes. Le principe d’élimination en premier ne porte pas sur l’interface. Il porte sur le travail.

Un chatbot pour quatre champs essentiels qui nécessitent une vraie guidance ? Ça peut être intelligent.

Un bon processus a besoin de moins d’IA.

Points à retenir :

• Avant de bâtir une solution d’IA, posez-vous la question : cette étape ou ce champ devrait-il exister du tout ?
• Éliminez la complexité inutile d’abord. Ensuite, utilisez l’IA pour ce qui reste.
• Un chatbot pour un mauvais formulaire reste un mauvais formulaire.
• La technologie qui compense une mauvaise conception devient un obstacle à la corriger.

La bonne question n’est pas « est-ce que l’IA peut aider ici ? » C’est « ce processus devrait-il être aussi compliqué ? »

Craig Szelestowski est un ancien cadre reconverti, fondateur de Lean Agility inc., instructeur au Centre Telfer pour la direction d’entreprise de l’Université d’Ottawa, et expert en la matière au New Jersey Institute of Technology.