À l’heure où l’intelligence artificielle transforme profondément les organisations, une question devient essentielle : jusqu’où peut-on optimiser un système sans perdre ce qui le rend humain ?
Dans cet article, Federico Vergallo, Founder & CEO de Quest Human Capital, propose une réflexion lucide sur les limites de l’ultra-optimisation et sur la place que doivent encore occuper l’intuition, la diversité cognitive et l’imperfection dans les décisions RH et managériales.
Dans un monde du travail de plus en plus structuré par l’intelligence artificielle, une idée s’installe progressivement comme une évidence silencieuse : tout doit devenir plus rapide, plus propre, plus optimisé.
Les processus se standardisent. Les décisions se rationalisent. Les organisations avancent vers une forme de perfection opérationnelle assistée par algorithmes.
Sur le papier, c’est difficile à contester.
Dans la réalité, cela commence parfois à ressembler à un monde un peu trop bien rangé pour être totalement fiable.
Et c’est là que la question devient intéressante pour les RH : à force de vouloir éliminer l’erreur, ne sommes-nous pas en train de lisser ce qui fait justement la richesse du système humain ?
L’intelligence artificielle excelle dans un domaine précis : l’optimisation.
Elle traite des masses de données, détecte des corrélations invisibles à l’oeil humain et propose des décisions statistiquement “meilleures” dans un cadre défini.
Dans le recrutement, la planification ou l’analyse de performance, elle devient un outil extrêmement puissant.
Dans certains cas déjà observés dans les organisations, les systèmes d’IA ne se contentent pas d’accélérer les décisions : ils les homogénéisent. On voit apparaître des shortlists de candidats “parfaitement alignés”… mais étrangement interchangeables.
Et dans certains recrutements, une question commence à émerger un peu tard : avons-nous choisi le meilleur profil… ou simplement le profil le plus compatible avec notre modèle ?
Mais cette “perfection” a une limite structurelle simple : elle repose sur le passé.
Les modèles ne comprennent pas réellement le contexte humain. Ils n’interprètent ni les dynamiques implicites, ni les tensions culturelles, ni les signaux faibles.
Ils optimisent ce qui est mesurable, pas nécessairement ce qui est juste.
Et surtout, ils ne questionnent jamais les objectifs qu’on leur donne.
Dans les organisations, l’imperfection est souvent associée à des notions négatives : biais, incohérences, décisions non optimales.
Et soyons clairs : le biais reste probablement l’un des principaux ennemis à combattre dans les processus de décision.
Mais notre part humaine produit aussi parfois des intuitions, des signaux faibles ou des perceptions difficiles à objectiver immédiatement, qui méritent peut-être d’être intégrés — non pas comme des vérités absolues, mais comme des éléments d’un raisonnement plus large, plus contextualisé et plus factuel.
Les grandes trajectoires ne naissent presque jamais d’un système parfaitement optimisé. Elles émergent d’écarts.
D’une intuition difficile à expliquer. D’un pari. D’une erreur. D’un déplacement involontaire du cadre.
L’imperfection introduit du désordre dans des systèmes qui, sinon, reproduiraient uniquement ce qu’ils connaissent déjà.
Ce risque de rigidité excessive n’est d’ailleurs plus seulement théorique. Plusieurs travaux sur les systèmes complexes montrent qu’une optimisation poussée à l’extrême peut fragiliser la capacité d’adaptation d’une organisation. Nassim Nicholas Taleb défend notamment l’idée qu’un système qui élimine trop de variance finit souvent par perdre sa résilience face aux événements imprévus. Autrement dit : à vouloir supprimer tout “désordre”, on finit parfois par supprimer aussi la capacité à évoluer.
Et dans un environnement de plus en plus piloté par l’IA, ce désordre devient une forme de différenciation rare.
À titre personnel, je dois reconnaître une chose assez simple : l’imperfection n’est pas un concept théorique.
Elle est un mode de fonctionnement.
Je peux identifier des détails minuscules, des signaux faibles que d’autres ne voient pas… et simultanément rater des évidences monumentales placées juste devant moi.
Disons que la cohabitation entre lucidité extrême et angles morts massifs est parfois… intéressante à gérer.
Mais avec le temps, une idée s’est imposée : on ne découvre pas toujours les meilleurs paysages en suivant la route la plus logique.
Parfois, c’est précisément en se trompant de direction qu’on tombe sur quelque chose de beaucoup plus riche que ce qu’on cherchait initialement.
Et les organisations, malgré leur amour de la planification, fonctionnent souvent exactement de cette manière.
Un phénomène commence à apparaître dans les environnements très data-driven : plus on optimise, plus on homogénéise.
Les profils se ressemblent. Les décisions convergent. Les trajectoires deviennent lisibles.
À court terme, cela produit de la fluidité.
À moyen terme, cela réduit la diversité cognitive.
Ce sujet devient particulièrement sensible dans le recrutement assisté par IA. Plusieurs études montrent déjà une tendance à la convergence des profils sélectionnés : mêmes parcours, mêmes logiques de carrière, mêmes critères de validation implicites. Une étude relayée par Harvard Business Review indiquait d’ailleurs qu’une large majorité de recruteurs craignent aujourd’hui une réduction progressive de la diversité cognitive liée aux outils automatisés.
Or, les entreprises ne disparaissent presque jamais par manque d’efficacité.
Elles disparaissent par manque d’adaptation.
Ce décalage devient particulièrement visible dans les organisations qui digitalisent fortement leurs processus RH.
Plus les outils sont sophistiqués, plus la tentation est grande de déléguer la décision au signal statistique.
Jusqu’au moment où l’on réalise que certaines décisions critiques ne sont pas des problèmes de données… mais des problèmes d’interprétation.
Une décision en entreprise n’est jamais purement rationnelle.
Elle est contextuelle, politique, émotionnelle.
Deux profils identiques sur le papier peuvent produire des impacts totalement différents selon le contexte dans lequel ils évoluent.
C’est ici que l’humain conserve une fonction difficilement automatisable : l’interprétation.
Non pas la lecture des données, mais la lecture du réel dans sa complexité.
Ce point est loin d’être anecdotique. Les travaux de Scott E. Page sur l’intelligence collective montrent que des équipes cognitivement diverses peuvent, dans certains contextes complexes, produire de meilleures décisions que des groupes composés exclusivement d’experts aux raisonnements homogènes. La performance collective ne dépend donc pas uniquement du niveau individuel des profils, mais aussi de la variété des manières de penser.
Avec, en contrepartie, une responsabilité directe : celle d’assumer des décisions imparfaites mais situées.
Dans ce nouvel environnement, l’imperfection n’est plus seulement une caractéristique humaine. Elle devient une compétence organisationnelle.
La vraie question n’est donc plus : comment la réduire ?
Mais : comment la structurer, la comprendre et l’intégrer intelligemment dans des systèmes de plus en plus optimisés ?
Car une chose devient de plus en plus visible dans les organisations avancées : les décisions ne sont pas limitées par le manque de données.
Elles sont limitées par l’absence de lecture humaine de ces données.
Et c’est probablement là que se joue une bascule silencieuse dans les prochaines années.
Non pas entre humain et machine.
Mais entre organisations qui subissent l’optimisation… et organisations qui savent encore la contextualiser.
Et dans ce cadre, une fonction devient centrale, même si elle reste rarement formalisée comme telle : celle qui consiste à éviter que l’IA produise des organisations parfaitement inefficaces du point de vue humain.
Ce n’est pas une question de ralentir la technologie.
C’est une question de remettre du jugement là où le modèle ne voit qu’une corrélation.