Un modèle de préparation qui arrive trop tard
La plupart des cadres de préparation organisationnelle à l'IA partagent une caractéristique structurelle qui les fragilise. Ils font passer la capacité avant le contrôle. Les fondations de données sont établies en premier, les applications sont déployées en second, et une couche d'éthique ou de confiance est introduite en troisième lieu, généralement formulée en termes de lignes directrices, de principes et d'engagements envers l'équité et la transparence. Cette séquence est intuitive, car elle reflète la manière dont le travail est réellement financé, et c'est la séquence que recommandent la plupart des modèles de préparation en circulation.
C'est aussi la séquence qui produit les échecs désormais visibles dans l'IA liée à l'emploi. Au moment où une couche d'éthique est conçue, les systèmes qu'elle devrait encadrer sont déjà en production, les achats sont clos, les clauses contractuelles sont fixées, la sélection des fournisseurs est actée, et les options pratiques de l'organisation se sont réduites à la documentation et à la divulgation. Une gouvernance introduite à la troisième étape n'est pas une gouvernance. C'est une justification rétrospective de décisions prises à la deuxième étape.
Une gouvernance introduite à la troisième étape n'est pas une gouvernance.
La correction ne consiste pas à ajouter une étape éthique plus tôt. Elle consiste à reconnaître que les lignes directrices éthiques ne sont pas l'instrument qu'exige la situation, et que les traiter comme tel est en soi l'erreur.
Pourquoi les principes ne sont pas des contrôles
La distinction entre un principe et un instrument n'est pas sémantique, et elle a été examinée avec assez de rigueur dans la littérature sur la gouvernance pour que les organisations n'aient pas à la redécouvrir.
L'analyse de Salamon sur les outils de l'action publique établit que les objectifs politiques se réalisent par des instruments dotés de propriétés identifiables : quelle activité ils autorisent, qui les administre, quelle conformité ils imposent, et ce qu'ils rendent observable. Un engagement déclaré ne remplit aucune de ces fonctions. Il exprime une intention sans préciser un acteur, un déclencheur, un résultat probant, ou une conséquence en cas de non-exécution. Appliqué à l'intelligence artificielle, ce schéma a été documenté directement. L'enquête de Jobin, Ienca et Vayena sur le paysage mondial des lignes directrices éthiques en IA a constaté une convergence substantielle sur des principes de haut niveau, accompagnée d'une divergence marquée quant à la manière dont ces principes étaient interprétés et à ce qu'ils étaient censés exiger. L'évaluation de Mittelstadt a abouti à une conclusion plus tranchée : les principes seuls ne peuvent garantir une intelligence artificielle éthique, en l'absence des structures professionnelles, des mécanismes de responsabilité et des voies d'application qui rendent les principes opérants dans d'autres domaines.
Une organisation qui répond au risque de l'IA liée à l'emploi en élaborant des lignes directrices éthiques claires a donc adopté l'intervention dont le bilan probant est le plus faible. Ce n'est pas parce que l'équité et la transparence seraient des objectifs indignes. C'est parce qu'une ligne directrice ne produit aucun artefact, et que toute obligation à laquelle l'organisation est réellement confrontée s'acquitte par des artefacts.
Prenons l'engagement en faveur de la transparence sur le fonctionnement des algorithmes, qui figure dans presque tous les modèles de préparation. Il n'est pas réalisable dans les termes énoncés. Les fournisseurs ne divulgueront pas l'architecture de leurs modèles, la plupart des systèmes de cette catégorie ne sont pas interprétables au sens où l'entend cet engagement, et une organisation qui a promis la transparence algorithmique a promis quelque chose qu'elle ne peut livrer et sur quoi on l'interrogera. L'engagement réalisable, et plus utile, est d'une autre nature : des preuves documentées des résultats pour les catégories protégées, produites selon un rythme déclaré, par une partie que l'organisation peut identifier. Cela, c'est un instrument. Il précise qui fait quoi, quand, et quel registre en résulte.
La séquence de préparation, inversée
Un modèle de préparation construit sur des instruments plutôt que sur des principes ordonne le travail différemment, et ce réordonnancement constitue l'apport de fond plutôt qu'un simple changement de présentation.
La détermination de la couverture vient en premier. Avant qu'un système ne soit évalué sur sa capacité, l'organisation doit pouvoir répondre à la question de savoir si les sorties de ce système servent à prendre, guider ou influencer de manière substantielle des décisions concernant le recrutement, la promotion, la rémunération, l'affectation, la discipline ou le maintien en emploi. C'est cette formulation, et non la catégorie de produit sous laquelle un système est commercialisé, qui détermine quelles obligations s'appliquent dans tous les régimes régissant actuellement l'IA liée à l'emploi. La détermination de la couverture est un instrument parce qu'elle produit un registre, désigne un responsable, et déclenche un processus défini. Elle est aussi peu coûteuse, et c'est la seule étape dont le coût augmente à mesure qu'elle est reportée.
La gouvernance des données vient ensuite, recadrée. Les modèles de préparation décrivent l'objectif des données comme une source unique de vérité, ce qui est un objectif de qualité des données. L'objectif de gouvernance est différent et plus restreint : l'organisation doit pouvoir établir à partir de quelles données une inférence donnée a été tirée, à quel moment, et avec quelle provenance. Des données intégrées et propres favorisent de meilleures prédictions. Une provenance des données documentée permet de répondre à un régulateur ou à un plaignant sur les raisons pour lesquelles une personne a reçu le résultat qu'elle a reçu. Seule la seconde est une capacité de gouvernance, et une organisation peut posséder entièrement la première sans posséder la seconde.
Les exigences probantes interviennent lors de l'acquisition, pas après. C'est le moment où l'organisation conserve un levier. Documentation d'audit des biais identifiant la méthodologie, les catégories testées et la population. Confirmation qu'aucune caractéristique géographique, éducative ou dérivée de l'ancienneté ne fonctionne comme un indicateur de substitution. Spécification du processus de notification et de décision défavorable, et de la partie qui l'exécute. Conditions de rétention et d'exportation suffisantes pour survivre à une migration de plateforme sur la période de prescription applicable. Chacun de ces éléments est négociable avant l'attribution et ne l'est plus après, ce qui constitue l'ensemble de l'argument en faveur de ce séquençage.
Le déploiement s'accompagne d'un suivi, pas d'une affirmation. L'engagement qui compte après la mise en œuvre est le test des résultats à intervalle déclaré, car sous une norme d'impact disparate, la conviction d'une organisation que son outil est équitable ne répond pas à la question de savoir si les résultats diffèrent. Seule la mesure y répond.
La couche de registre referme la boucle. Attestation liée à l'individu, à la version, à la date, et à une voie authentifiée. Rétention conçue dès la création. La capacité de l'organisation à démontrer ce qu'elle a fait est le produit de l'ensemble de la séquence, et c'est le seul produit qu'une partie adverse verra jamais.
Le modèle est un cycle plutôt qu'une échelle, car la première étape se reproduit. Les systèmes entrent continuellement dans les organisations, souvent par des fonctions qui ne les classent pas comme technologie de décision en matière d'emploi, et la détermination de la couverture est donc une condition surveillée plutôt qu'un projet achevé.
L'intelligence des talents comme cas illustratif
Les modèles de préparation en circulation placent généralement l'intelligence proactive des talents, consistant à cartographier les compétences existantes par rapport aux besoins futurs et à générer des parcours de carrière fondés sur les données, à la deuxième étape, avant la couche de gouvernance. Ce positionnement est instructif, car cette capacité spécifique figure parmi les plus lourdement réglementées de toute la catégorie de l'IA liée à l'emploi, et elle n'est presque jamais reconnue comme telle.
Un système qui cartographie les capacités des employés et génère des recommandations de parcours de carrière produit des évaluations qui influencent de manière substantielle la promotion et l'affectation. La Local Law 144 de la ville de New York s'applique aux décisions de promotion. L'amendement de l'Illinois à la Human Rights Act, en vigueur à partir de janvier 2026, s'applique à la promotion, à la discipline et au licenciement, et impose des obligations de notification liées à l'usage plutôt qu'au résultat. L'annexe III de la loi européenne sur l'intelligence artificielle énumère la promotion, l'attribution des tâches et l'évaluation de la performance par fonction plutôt que par catégorie de produit. Une organisation qui déploie l'intelligence des talents à la deuxième étape et n'aborde son cadre de confiance qu'à la troisième a déployé un système réglementé, puis rédigé ses principes à son sujet.
C'est le coût pratique de la séquence conventionnelle, et il n'est pas hypothétique. C'est la voie ordinaire par laquelle les organisations acquièrent des obligations qu'elles n'ont pas évaluées.
Ce que cela change dans la question de conseil
La question que se posent les organisations est de savoir quels outils d'IA elles devraient adopter. La question qui détermine leur exposition est de savoir lesquels des systèmes déjà adoptés sont des systèmes de décision à conséquences, et quelles preuves elles détiennent sur chacun d'eux.
Ce sont des questions différentes, et la seconde admet une réponse immédiate, sans décision technologique, à faible coût, et avec un artefact durable comme résultat. C'est aussi la question qui rend les décisions technologiques ultérieures défendables plutôt que simplement enthousiastes. Une organisation capable d'indiquer, pour chaque système touchant une décision d'emploi, ce qu'il fait, quelles obligations s'y rattachent, quelles preuves existent, et qui est responsable de la prochaine révision, a construit quelque chose. Une organisation dotée d'un ensemble de principes éthiques en IA a rédigé quelque chose.
Intégrer l'intelligence artificielle dans les opérations de ressources humaines n'est pas un projet technologique. Sur ce point, les modèles conventionnels ont raison. C'est un projet de gouvernance, et la gouvernance se constitue d'instruments, non d'engagements.
Références
- Salamon, L. M., éd. The Tools of Government: A Guide to the New Governance. Oxford University Press, 2002.
- Jobin, A., Ienca, M., et Vayena, E. « The global landscape of AI ethics guidelines. » Nature Machine Intelligence 1 (2019) : 389–399.
- Mittelstadt, B. « Principles alone cannot guarantee ethical AI. » Nature Machine Intelligence 1 (2019) : 501–507.
- National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework (AI RMF 1.0), janvier 2023.
- ISO/IEC 42001:2023, Information technology — Artificial intelligence — Management system.
- New York City Administrative Code § 20-870 et seq. (Local Law 144 de 2021).
- Illinois House Bill 3773, 103e Assemblée générale (2024), modifiant l'Illinois Human Rights Act, en vigueur au 1er janvier 2026.
- Règlement (UE) 2024/1689, Annexe III(4).
- Novara Consulting Group, « The Development Exception: Internal Mobility Platforms and the Perimeter of Employment AI Governance », mai 2025.