Pendant des décennies, la plupart des dispositifs d’évaluation se sont construits sur une logique héritée d’un monde où l’essentiel de la production était strictement humain. Plus un collaborateur traitait de dossiers, rédigeait de documents, produisait de lignes de code, répondait à des demandes ou clôturait d’actions, plus sa performance semblait objectivable. Les KPI dominants traduisaient cette réalité : volume, délai, nombre, taux de traitement, rapidité d’exécution, conformité. Cette logique n’était pas absurde. Elle permettait de piloter des activités standardisées et de comparer des contributions relativement homogènes.
L’essor de l’IA fait voler en éclats cette simplicité apparente. Lorsqu’un assistant peut produire un brouillon, qualifier une demande, préparer une analyse, générer plusieurs options ou synthétiser une masse de données en quelques secondes, le volume brut cesse d’être un indicateur fiable de contribution humaine. Un collaborateur peut désormais produire plus vite non parce qu’il a gagné en compétence, mais parce qu’il est mieux assisté. Un autre peut produire moins en quantité, mais apporter davantage de valeur parce qu’il traite les cas les plus complexes, détecte les erreurs de l’outil, corrige ses biais ou arbitre dans l’incertitude. Si l’entreprise continue de juger les deux à partir des mêmes mesures anciennes, elle fausse la lecture de la performance.
Cette confusion devient stratégique. Une organisation qui conserve des KPI obsolètes risque d’encourager les mauvais comportements. Elle peut pousser les collaborateurs à maximiser le volume produit avec l’aide de l’IA au détriment de la qualité, de la fiabilité ou de la pertinence. Elle peut sous-évaluer ceux qui passent du temps à vérifier, à sécuriser, à reformuler, à traiter les exceptions ou à améliorer les workflows. Elle peut aussi renforcer une illusion d’efficacité alors même qu’une partie de la valeur créée provient de l’outil, de l’organisation ou d’un collectif, et non du seul individu évalué.
Pour les DRH, cela impose une remise à plat sérieuse. Il ne s’agit pas simplement d’ajouter une case “maîtrise de l’IA” dans les entretiens annuels. Il faut repenser ce que l’on attend réellement des collaborateurs dans un environnement hybride. Que signifie être performant lorsque la machine produit vite, mais que l’humain reste responsable du jugement, de la relation, de la conformité, de l’éthique, de l’arbitrage et de la qualité finale ? Répondre à cette question devient l’un des grands chantiers RH des prochaines années.
Le volume ne suffit plus à mesurer la contribution humaine
Le premier changement à opérer est intellectuel. Il faut admettre que le volume produit n’est plus un bon proxy de valeur dans un nombre croissant de métiers. Un commercial peut envoyer davantage de messages grâce à un assistant sans améliorer la qualité de sa relation client. Un recruteur peut traiter plus vite des candidatures tout en ratant les profils atypiques. Un communicant peut produire davantage de contenus sans garantir leur justesse. Un manager peut générer plus de reporting sans mieux piloter son équipe. Dans tous ces cas, le chiffre augmente, mais la qualité de la contribution humaine ne progresse pas forcément, et peut parfois reculer.
Les anciens KPI deviennent même parfois dangereux. Lorsqu’une organisation continue d’évaluer un collaborateur sur la quantité de production alors qu’elle lui met à disposition des outils génératifs, elle crée une incitation implicite à surproduire. Les équipes apprennent vite à répondre à l’indicateur, pas toujours à la finalité. On produit plus de textes, plus de synthèses, plus de réponses, plus de traitements. Mais si cette accélération n’est pas compensée par un pilotage de la qualité, le gain apparent masque une fragilité croissante. L’IA permet de faire plus. Elle ne garantit pas de faire mieux.
C’est particulièrement vrai dans les métiers où la valeur se déplace vers la vérification, la nuance et le discernement. Plus l’outil automatise le standard, plus l’humain se retrouve face à des cas complexes, des zones grises, des besoins relationnels ou des décisions exposées. Le collaborateur le plus utile n’est alors pas celui qui traite le plus, mais celui qui traite le mieux ce qui ne peut pas être automatisé proprement. Les systèmes d’évaluation doivent donc cesser de survaloriser la productivité apparente au détriment de la qualité de jugement.
Il faut également reconsidérer le temps. Pendant longtemps, réduire le temps unitaire de traitement était vu comme un signe évident d’efficacité. Dans un environnement augmenté par l’IA, cet indicateur devient plus ambigu. Un temps très court peut traduire une bonne utilisation de l’outil. Il peut aussi révéler une validation trop rapide, une baisse de vigilance ou une délégation excessive de la réflexion à la machine. À l’inverse, un temps plus long peut signaler une reprise de contrôle salutaire, une vérification sérieuse ou le traitement d’un cas particulièrement délicat. Les RH doivent donc sortir d’une lecture trop mécanique du temps et remettre du contexte dans l’évaluation.
Cette évolution ne signifie pas que toute mesure quantitative devient inutile. Elle signifie qu’elle ne peut plus suffire à elle seule. Dans beaucoup de fonctions, le volume et le délai restent des informations utiles. Mais ils doivent être complétés, recontextualisés et parfois relativisés par d’autres dimensions. Sans cela, les entreprises continueront à piloter le travail du futur avec les outils de lecture du passé.
La performance se déplace vers la qualité d’arbitrage, de contrôle et d’amélioration
Si le volume brut perd en pertinence, qu’est-ce qui doit être davantage mesuré ? La réponse n’est pas uniforme selon les métiers, mais trois dimensions montent nettement en valeur.
La première concerne la gestion des exceptions et des situations complexes. L’IA traite de mieux en mieux le standard, mais laisse à l’humain ce qui échappe au script : les cas sensibles, les demandes ambiguës, les signaux contradictoires, les arbitrages relationnels, les situations à fort enjeu. Dans beaucoup d’équipes, la vraie performance se situera de plus en plus là. Un conseiller qui récupère les clients les plus mécontents, un manager qui désamorce une tension d’équipe, un juriste qui sécurise une clause sensible, un recruteur qui repère un potentiel atypique que l’outil aurait mal classé : ce sont ces gestes qui prennent de la valeur. Ils sont moins faciles à mesurer, mais ils deviennent centraux.
La deuxième dimension concerne le contrôle qualité et la validation. Dans un environnement où l’outil génère, suggère et prépare, l’humain doit savoir vérifier. Détecter une incohérence, corriger une approximation, refuser une recommandation mal calibrée, repérer un biais, sécuriser une décision ou améliorer une sortie produite par l’IA deviennent des contributions essentielles. Pourtant, elles restent encore peu visibles dans les systèmes d’évaluation. Les RH doivent leur donner une place explicite. Sinon, elles seront absorbées dans l’invisible, alors même qu’elles protègent la qualité globale du travail.
La troisième dimension est celle de l’amélioration des workflows. Un collaborateur ne crée plus seulement de la valeur par ce qu’il produit directement. Il peut aussi en créer en rendant le système lui-même plus efficace. Concevoir une meilleure manière de travailler avec un outil, formaliser un bon usage, partager un prompt utile, signaler une erreur récurrente, simplifier une séquence de travail, éviter un irritant ou améliorer un circuit de validation sont des actes de performance. Ils ont une portée systémique. Pourtant, beaucoup d’entreprises continuent de les traiter comme des initiatives informelles, sans les intégrer vraiment dans la reconnaissance des contributions.
Cette évolution oblige à penser autrement la notion d’impact. Dans le monde pré-IA, la performance était souvent lue comme un résultat directement attribuable à l’individu. Dans le monde hybride, la création de valeur se diffuse entre l’humain, l’outil et l’organisation. Le rôle du collaborateur peut consister autant à piloter correctement ce système qu’à produire lui-même. Les KPI doivent donc intégrer cette réalité. Il faut moins mesurer la production isolée et davantage la qualité de la contribution dans un environnement augmenté.
Les managers ont ici une responsabilité importante. Ils ne peuvent plus se contenter d’un entretien centré sur les résultats visibles. Ils doivent apprendre à regarder comment ces résultats ont été obtenus, ce qui a été automatisé, ce qui a été repris en main, ce qui a été fiabilisé, ce qui a été amélioré et ce qui a été transmis au collectif. Cela suppose des discussions plus qualitatives, mais aussi plus stratégiques. L’entretien d’évaluation ne doit plus seulement constater la performance. Il doit lire la manière dont le collaborateur a su créer de la valeur dans un système de travail en mutation.
La performance devient aussi collective et systémique
Le troisième déplacement est plus profond encore. L’IA met en évidence ce que beaucoup d’organisations savaient déjà sans toujours le reconnaître : la performance n’est jamais purement individuelle. Elle dépend d’outils, de process, de séquences de validation, de coopération, de qualité managériale et de conditions de travail. Avec les systèmes intelligents, cette dimension collective devient encore plus visible. Un collaborateur très compétent peut être freiné par un workflow mal conçu. À l’inverse, un autre peut bénéficier d’une architecture de travail plus efficace. Continuer à les comparer comme si tout relevait de leur seul mérite individuel devient de moins en moins tenable.
Les RH doivent donc faire évoluer la place de la performance collective dans les dispositifs d’évaluation. Cela ne signifie pas effacer la responsabilité individuelle. Cela signifie mieux reconnaître ce qui relève d’un système. Une équipe qui partage ses bonnes pratiques d’usage de l’IA, qui améliore ses méthodes de validation, qui formalise des règles communes de qualité et qui apprend ensemble à mieux travailler avec les outils crée une performance collective réelle. Cette valeur doit apparaître dans les systèmes de reconnaissance. Sinon, chacun sera incité à optimiser ses usages pour lui-même, au détriment de la montée en compétence collective.
Cette logique vaut particulièrement pour les managers. Leur performance ne pourra plus être lue uniquement à travers les résultats chiffrés de leur équipe. Il faudra aussi regarder leur capacité à organiser le travail hybride, à faire monter les collaborateurs en maturité d’usage, à éviter les surcharges de supervision, à maintenir la qualité des décisions et à sécuriser la confiance dans un environnement technologique plus dense. Le manager de demain sera jugé moins sur sa capacité à contrôler chaque détail que sur sa capacité à tenir un système complexe, dans lequel humains et outils doivent fonctionner ensemble avec cohérence.
Il faut enfin accepter que les référentiels d’évaluation deviennent plus dynamiques. Les rôles vont évoluer, les outils aussi, et les attentes devront être réinterrogées régulièrement. Ce que l’on mesure aujourd’hui ne sera pas toujours pertinent demain. Les entreprises les plus solides seront celles qui auront la discipline de mettre à jour leurs critères, au lieu de conserver par inertie des indicateurs devenus trompeurs. Cette vigilance est d’autant plus importante que les KPI influencent les comportements. Mal calibrés, ils peuvent orienter toute l’organisation dans une mauvaise direction.
L’intelligence artificielle force les DRH à revenir à une question essentielle : qu’est-ce qu’une bonne performance, lorsque produire plus vite ne veut plus dire produire mieux, et lorsque la valeur humaine se situe de plus en plus dans l’arbitrage, la qualité, la vigilance, la relation et l’amélioration du système lui-même ? La réponse ne peut pas venir d’un simple ajout d’indicateurs. Elle suppose un changement de philosophie. Les entreprises qui réussiront cette transition seront celles qui accepteront de mesurer moins mécaniquement et de juger plus intelligemment. Elles cesseront d’évaluer les collaborateurs comme s’ils travaillaient seuls face à une tâche. Elles apprendront enfin à reconnaître ce qui fait réellement la différence dans un environnement hybride : la capacité à utiliser l’outil sans s’y soumettre, à fiabiliser le travail sans ralentir inutilement, et à créer de la valeur là où la machine s’arrête.
