* Veuillez noter que toutes les expériences et vidéos sont en anglais.
Il y a d’abord eu les infrastructures de compétences, puis les taxonomies de compétences ont fait leur entrée. Mais toutes deux posent le même problème : elles sont difficiles à élaborer et encore plus difficiles à tenir à jour.
L’IA peut-elle pallier cette difficulté ? Voici des éléments de réponse.
Pourquoi les entreprises ont-elles besoin de taxonomies ?
Les collaborateurs représentent le plus gros poste de dépenses pour la plupart des entreprises… et aussi la plus grande ressource. Mais ces dernières ne savent pas toujours comment investir dans leur développement. Si la description des postes et les processus liés aux entretiens d’embauche, à l’intégration, à la gestion des performances et à l’évolution de carrière n’utilisent pas le même langage, la situation peut vite devenir confuse. Un peu comme quand j’entraîne l’équipe de football de ma fille : je dis aux enfants de maintenir leur position sur le terrain, mais les parents les encouragent à aller chercher le ballon. Le chaos assuré !
Les taxonomies aident à créer une vision commune autour des éléments importants. Les entreprises les utilisent pour organiser les ressources (découverte), proposer des opportunités aux collaborateurs (mise en correspondance) et aligner les activités sur les indicateurs (reporting). Les taxonomies permettent ainsi d’harmoniser chaque étape du cycle de vie des talents. Selon Dave Ulrich, expert en RH, « pour devenir une science durable, chaque discipline utilise la systématique (classification et regroupement d’éléments distincts) pour créer des taxonomies (types d’éléments qui vont ensemble) afin de progresser ».
Les taxonomies transforment l’ambigu en concepts exploitables. Avez-vous déjà entendu un responsable dire à ses collaborateurs « d’améliorer leur sens des affaires » sans leur expliquer ce qu’il entendait par là ? Vos collaborateurs sont-ils intéressés par des postes qu’ils ne savent pas comment obtenir ? Les taxonomies aident à surmonter ces obstacles en décomposant les idées ou les enjeux complexes en étapes plus petites et plus faciles à mettre en œuvre.
Expérience 1 : créer une taxonomie des compétences pour un poste générique
Commençons par créer une taxonomie des compétences pour un poste assez générique en ayant recours à l’IA. Cette taxonomie peut servir de base pour rédiger des descriptions de poste, orienter les questions posées en entretien, élaborer des programmes de formation et définir des critères pour les revues de performance avec les managers. Nous allons détailler ce processus à l’aide d’une vidéo.
La taxonomie a été élaborée rapidement et les résultats sont satisfaisants. J’ai pu facilement ajouter et supprimer des éléments d’information (et même ajouter des tâches associées à une compétence). Le fait d’examiner les données en profondeur m’a permis d’obtenir le niveau de détail souhaité.
Il s’agit là d’un excellent point de départ pour créer une taxonomie.
Le principal inconvénient : l’IA n’est pas capable de suggérer des compétences par elle-même (selon les paramètres définis dans le prompt). Elle ne contient pas de liste prédéfinie de compétences, ce qui limite les possibilités d’harmonisation entre les différents outils et applications.
L’intégration des capacités dynamiques de l’IA au langage utilisé en interne dans l’entreprise pour décrire les compétences permettra d’atteindre des résultats optimaux. Cela nécessitera des efforts de mise en œuvre supplémentaires, mais c’est tout à fait faisable et d’ores et déjà dans les projets de l’équipe produit de Degreed.
Expérience 2 : créer une taxonomie des compétences pour un poste très spécifique
Chaque entreprise dispose d’intitulés de postes qui lui sont propres. Ainsi, nous avons utilisé le même processus que celui de l’expérience précédente pour voir comment l’IA se comporte lorsque nous sélectionnons cette fois-ci un poste très spécifique. Voici les résultats :
Les compétences les plus détaillées ne sont pas totalement visibles sur la capture d’écran, mais même sans aucune modification, les résultats sont remarquables. Il peut s’agir là d’un excellent moyen d’élaborer des taxonomies de compétences, en particulier lorsqu’il est question de postes pour lesquels vos outils de RH et de L&D ne proposent généralement pas de bonnes suggestions.
Expérience 3 : identifier les compétences obsolètes
Mettre à jour les taxonomies manuellement prend un temps fou. Voyons si l’IA peut faire le gros du travail en identifiant les compétences qui pourraient être obsolètes dans une taxonomie (par exemple, une ancienne technologie).
Pour ce faire, pas besoin de créer une nouvelle taxonomie. Il suffit d’évaluer la taxonomie existante à l’aide de critères personnalisables. Nous allons tout d’abord définir deux catégories, soit « Actuel » et « Obsolète », puis demander à l’IA de classer chaque compétence dans la catégorie appropriée.
Les étapes à suivre sont présentées dans cette vidéo :
Une compétence – React 16 – a ainsi été identifiée comme étant obsolète. Puisque la version la plus récente de la bibliothèque JavaScript React est désormais la version 18, l’IA a déterminé à juste titre que React 16 était obsolète. Un tel système pourrait permettre d’identifier facilement les mises à jour nécessaires.
Expérience 4 : suivre l’évolution de la demande de compétences
Pour éclairer les décisions en matière de talents, il serait utile que les taxonomies nous aident à identifier les compétences les plus recherchées. Créons à présent une autre rubrique personnalisée pour voir si l’IA est capable d’identifier l’évolution de la demande (hausse, baisse, etc.) en matière de compétences.
Voici les résultats :
Pour ce type d’analyse, il convient de garder à l’esprit que les données de formation se rapportant aux grands modèles de langage (LLM) peuvent dater de plus d’un an (par exemple, avril 2023 pour GPT-4 Turbo). Il existe des techniques permettant de fournir aux LLM des informations actualisées provenant des moteurs de recherche, ce qui est particulièrement utile à des fins prévisionnelles.
Cette analyse pourrait également être plus efficace si elle était combinée à des données internes issues de vos systèmes de recrutement ou de formation.
Expérience 5 : souligner l’impact de l’IA sur les compétences
Puisque le développement des compétences ne se fait pas du jour au lendemain, il est utile d’anticiper leur évolution. Dans ce cas de figure, nous voulons savoir quelles compétences ou tâches sont plus ou moins susceptibles d’être impactées par l’IA pour planifier des initiatives appropriées en matière de formation.
Après création d’une autre rubrique personnalisée, voici les résultats :
Là encore, les résultats sont plutôt satisfaisants. Pour ce type d’analyse approfondie, nous pourrions probablement améliorer les résultats en utilisant différentes techniques de prompt engineering. Des méthodes telles que la chaîne de pensée (qui permet au LLM d’aborder un problème étape par étape), le multi-shot prompting (qui consiste à fournir plusieurs exemples positifs) ou l’utilisation de plusieurs agents (c’est-à-dire plusieurs LLM qui travaillent ensemble pour effectuer l’analyse) nous permettraient d’obtenir de meilleurs résultats.
Expérience 6 : montrer la progression de l’utilisateur dans l’acquisition de chaque compétence
Jusqu’à présent, nous avons utilisé les taxonomies au niveau administratif, c’est-à-dire à des fins de planification et d’organisation des talents au sein de l’entreprise. Explorons maintenant l’autre avantage des taxonomies, à savoir leur capacité à décomposer les objectifs en éléments plus concrets, ce qui pourrait permettre d’orienter la formation et de mesurer les progrès de chaque collaborateur.
La taxonomie présentée ci-dessous montre le niveau de maîtrise d’un collaborateur pour chaque compétence.
Cet exemple illustre parfaitement l’avantage de combiner les capacités de l’IA avec les données des collaborateurs pour générer des résultats personnalisés qu’il serait impossible d’obtenir avec un outil générique comme ChatGPT.
Expérience 7 : utiliser les taxonomies pour orienter la formation individuelle
Comme nous avons pu le voir dans la dernière expérience, les taxonomies peuvent être utiles au niveau individuel. La prochaine expérience traite du cas d’utilisation personnel suivant : j’aimerais apprendre la photographie, mais je ne sais pas par où commencer.
J’ai donc demandé à l’IA de créer un plan de formation personnalisé qui s’applique à mon modèle d’appareil photo :
Il s’agit là d’une très bonne ébauche que je peux ensuite modifier à ma guise, en supprimant certains éléments et en en approfondissant d’autres. Je peux par exemple ajouter des actions telles que « Montre-moi un exemple » ou « Donne-moi des idées pour m’exercer », demander au système d’analyser certaines de mes photos pour mettre en évidence les compétences à améliorer ou encore créer une évaluation qui me permettrait d’établir une base de référence pour chaque compétence.
Cette approche offre de nombreuses possibilités et pourrait nous permettre d’adapter et de personnaliser le développement des compétences.
Qu’en pensez-vous ?
Selon vous, les taxonomies basées sur l’IA présentent-elles des avantages potentiels ou bien trop d’inconvénients ? Si vous voulez partager vos idées ou commentaires, ou si vous souhaitez créer vos propres taxonomies, contactez-moi par e-mail à l’adresse tblake@degreed.com. Pour vous tenir au courant des dernières nouveautés, vous pouvez me suivre sur LinkedIn.
Vous souhaitez en savoir plus sur les taxonomies ?
L’équipe Services professionnels de Degreed propose des consultations gratuites. Son rôle n’est pas de vous vendre des services mais d’agir en partenaire pour vous aider à explorer votre stratégie de formation, identifier vos objectifs technologiques et répondre à toutes vos questions sur les taxonomies.
Demandez une consultation privée avec l’équipe Services professionnels de Degreed.
Merci de votre confiance.