21’126 entretiens : comment l’IA peut ramener le feedback des collaborateur·rices à ses sources

Les données n’ont jamais été le goulot d’étranglement

Il vaut la peine de se rappeler pourquoi les sondages de collaborateur·rices existent. Pour comprendre comment vont les collaborateur·rices, la meilleure méthode consiste à s’asseoir avec chaque personne et à échanger. Étonnamment, une étude pionnière a fait exactement cela. Entre 1928 et 1930, les équipes de recherche à l’origine des célèbres études de Hawthorne menées chez Western Electric ont réalisé 21’126 entretiens ouverts, sous forme de conversations.¹ Elles avaient commencé par des questions fermées appelant une réponse par oui ou non. Ces réponses se sont révélées inutiles pour localiser les vrais problèmes. Les équipes se sont alors contentées d’écouter, et les entretiens, qui duraient initialement trente minutes, ont fini par durer jusqu’à deux heures.

Cette approche présentait un inconvénient évident : le dispositif a occupé l’équipe de recherche pendant des années. Aujourd’hui encore, la plupart des organisations ne pourraient pas se permettre une telle démarche. Et celles qui le pourraient n’en auraient guère envie, car le feedback perd rapidement sa pertinence. Deux ans plus tard, bon nombre des problèmes soulevés au début de l’étude auraient probablement changé, voire disparu. À une échelle significative, mener des entretiens aussi approfondis était, et reste aujourd’hui, presque impossible.

Les organisations ont donc trouvé une solution : les études quantitatives. Elles ont résolu le problème de la charge de travail, au prix d’une perte substantielle d’informations. Ce compromis s’est néanmoins imposé, puis a été affiné au cours des décennies suivantes. Le domaine a développé des KPI, des modèles de leviers et des benchmarks, qui sont devenus des outils standard pour les responsables. Chaque nouvelle technologie a rendu le dispositif plus rapide, des questionnaires papier aux sondages en ligne, puis aux tableaux de bord en temps réel. Mais le processus sous-jacent n’a jamais changé. Les collaborateur·rices cochent des cases. Les managers obtiennent des tableaux de bord.

Autrement dit, le sondage a toujours été un substitut à une conversation que nous n’avions pas les moyens d’avoir. Puis, sans bruit, ce substitut est devenu l’objectif, et le score est devenu le livrable.

Regardons maintenant à quoi sert principalement l’IA aujourd’hui : créer plus rapidement des sondages, automatiser l’analyse, expliquer les résultats en langage clair et résumer les commentaires en texte libre. Tout cela est réellement utile, et nous intégrons nous-mêmes une partie de ces fonctions à Pulse Feedback. Mais cela revient à optimiser le compromis. Quand nous observons le marché des sondages, nous constatons que presque tous les éditeurs utilisent l’IA pour faire plus rapidement ce qu’ils faisaient déjà. Le processus de collecte des données et de calcul des résultats reste largement inchangé. Les collaborateur·rices cochent toujours des cases. Les managers obtiennent toujours des tableaux de bord, auxquels vient désormais s’ajouter un résumé rédigé par l’IA.

Nous sommes convaincu·es que cela décevra. Non pas parce que la technologie n’est pas à la hauteur, mais parce que les données nous disent depuis plus d’un demi-siècle que l’analyse et le rapport qui en résulte n’ont jamais été le goulot d’étranglement. Mann a montré en 1957 que c’est l’ampleur de l’implication dans le travail sur les résultats, et non la qualité du rapport, qui favorise le changement.² En réalité, la méthode du survey feedback a été inventée dans les années 1950 précisément parce que les rapports, à eux seuls, ne changeaient rien. Klein et ses collègues ont constaté en 1971 que les résultats sont mieux accueillis et jugés plus utiles lorsque les responsables en discutent avec leur équipe que lorsqu’ils sont transmis sous la forme d’un rapport écrit. La même étude formule un avertissement qui renforce l’argument par l’autre versant : les réunions mal menées, lors desquelles la personne qui les anime ne connaît pas les données ou décourage les échanges, suscitent des réactions moins favorables qu’un simple rapport écrit.³ Et une revue systématique menée par Huebner et Zacher en 2021 le confirme avec des données récentes : ce qui donne du poids aux sondages, c’est le processus de suivi, notamment la planification des mesures, et c’est précisément ce processus que les organisations négligent le plus souvent.⁴ Parallèlement, Gallup constate que seuls 8 % des collaborateur·rices sont tout à fait d’accord avec l’affirmation selon laquelle leur organisation agit sur la base des résultats des sondages.⁵

Des décennies d’analyses toujours plus performantes n’ont pas fait évoluer ce chiffre, car l’analyse n’a jamais été le facteur limitant. Elle servait d’alibi. Et l’IA vient de faire disparaître cet alibi : le rapport s’écrit désormais en quelques secondes. Si rien ne change malgré tout, il ne reste qu’une explication : la conversation n’a jamais eu lieu.

Cela signifie que l’IA porte deux promesses très différentes pour le feedback des collaborateur·rices. La première consiste à faire fonctionner plus vite l’ancienne mécanique, et c’est là que va actuellement presque toute l’énergie. La seconde est bien plus intéressante : remettre au centre ce que le sondage avait été inventé pour remplacer, la conversation elle-même. Nous reviendrons sur cette deuxième promesse. Mais il faut d’abord examiner de plus près la première : que change réellement l’arrivée de davantage de données, plus rapidement ?

Pourquoi davantage de données ne changeront pas la culture d’une organisation

Un moteur de reporting plus rapide ne suffit pas à rendre une organisation meilleure. Au mieux, il te conduit plus rapidement à la même impasse. Au pire, il t’envoie plus vite dans la mauvaise direction.

Et ce n’est pas qu’une façon de parler. Dans l’une des méta-analyses les plus citées du domaine, Kluger et DeNisi ont analysé plus de 600 tailles d’effet issues d’interventions de feedback. Ils ont constaté que le feedback améliorait en moyenne la performance, mais que, dans plus d’un tiers des cas, il la détériorait.⁶ Ce qui faisait la différence, c’était ce sur quoi il attirait l’attention. Un feedback centré sur la tâche est bénéfique. Un feedback qui donne aux personnes le sentiment d’être jugées produit l’effet inverse. Et un tableau de bord rempli de scores est particulièrement efficace pour donner ce sentiment : un score indique à une équipe comment elle a été évaluée, mais pas pourquoi ni ce qu’elle pourrait faire différemment.

Lorsque le feedback mène à une amélioration, celle-ci est rarement due aux données elles-mêmes. Les recherches sur le feedback à 360 degrés montrent que l’amélioration dépend de ce qui se passe après la communication des résultats : les personnes parviennent-elles à les interpréter, croient-elles qu’un changement est possible, se fixent-elles des objectifs et bénéficient-elles d’un soutien ?⁷ Le feedback, autrement dit, n’est pas un transfert d’informations. C’est un processus social. Un rapport qui arrive sans conversation n’est pas un événement neutre : il peut susciter de l’anxiété, provoquer une attitude défensive ou simplement être classé et oublié.

La culture évolue lorsque les personnes s’assoient ensemble, interprètent ce qu’elles entendent, confrontent leurs points de vue, établissent des priorités et s’engagent sur une prochaine étape à laquelle elles croient réellement. Aucun modèle ne peut faire cela à leur place. L’IA permet au rapport d’arriver plus rapidement et d’avoir une présentation plus soignée. Elle ne fait pas en sorte que la conversation ait lieu.

Données abondantes, attention rare

Si les données deviennent abondantes, qu’est-ce qui devient rare ? Herbert Simon avait déjà répondu à cette question en 1971 : « l’abondance d’informations crée une pénurie d’attention ».⁸ Les résultats de sondages n’échappent pas à la règle. Les personnes qui devraient y consacrer du temps n’ont pas plus d’heures qu’avant, mais toujours davantage d’informations qui se disputent ces heures. Les conversations de feedback sont donc repoussées par tout ce qui semble urgent. Or l’urgent coïncide rarement avec l’important. La question de savoir si les heures libérées par l’IA iront à la conversation d’équipe ou disparaîtront discrètement dans le flot des urgences ordinaires est un choix.

Notre hypothèse est simple. Les organisations qui prendront une longueur d’avance au cours de la prochaine décennie ne seront pas celles qui disposeront de la technologie d’écoute par IA la plus sophistiquée. Ce seront celles dont les équipes réuniront trois conditions : la compétence pour donner et recevoir du feedback avec honnêteté, la sécurité psychologique nécessaire pour dire ce qu’elles pensent réellement et le rythme qui permet au feedback d’avoir lieu régulièrement et de se traduire en actions.

La recherche confirme chacune de ces conditions. Concernant la compétence, Stone et Heen soutiennent que le véritable goulot d’étranglement du feedback se situe du côté de la personne qui le reçoit et que bien recevoir du feedback est une compétence qui s’acquiert.⁹

Les données sur la sécurité psychologique sont encore plus solides. Les travaux d’Amy Edmondson ont établi la sécurité psychologique, c’est-à-dire la conviction partagée qu’une équipe est un environnement sûr pour prendre des risques interpersonnels, comme l’un des prédicteurs les plus puissants connus de l’apprentissage et de la performance des équipes.¹⁰ Une méta-analyse ultérieure portant sur plus de 22’000 collaborateur·rices a confirmé cet effet et apporté une note encourageante : les principaux facteurs de la sécurité, à savoir un contexte favorable, les relations avec les responsables et la conception du travail, peuvent tous être influencés.¹¹ Le projet Aristotle de Google, une vaste étude interne sur ce qui rend les équipes efficaces, est arrivé à la même conclusion par une autre voie : la manière dont une équipe travaillait ensemble comptait davantage que les personnes qui la composaient. La sécurité psychologique était à la base de ce fonctionnement collectif.¹²

Enfin, une étude qualitative récente menée dans des organisations utilisant des sondages pulse a mis en évidence une tendance constante.¹³ Lorsque les responsables discutaient visiblement des résultats et agissaient en conséquence, la participation se maintenait. Dans le cas contraire, elle se tarissait. Quand l’action s’arrête, les réponses s’arrêtent aussi. La compétence peut s’apprendre, la sécurité se construit, le rythme se maintient. Mais tous trois prennent forme dans les interactions humaines. Aucune IA ne peut faire cela à notre place.

C’est là l’essentiel. Une IA peut rédiger un résumé irréprochable d’une faible sécurité psychologique au sein d’une équipe. Mais elle ne peut pas la réparer : la sécurité se reconstruit dans la manière dont les personnes réagissent lorsqu’une personne prend à nouveau le risque de s’exprimer. L’IA peut accélérer considérablement les choses, mais c’est toujours l’action humaine qui fait réellement bouger les choses.

Cinq principes pour le feedback à l’ère de l’IA

Si nous acceptons ce constat, cinq principes pratiques en découlent pour concevoir et mettre en œuvre le feedback des collaborateur·rices.

1. Utiliser l’IA pour réduire les frictions, pas pour exclure les personnes du processus

Regrouper les commentaires, détecter les thèmes, traduire et ébaucher des mesures possibles sont des tâches pour lesquelles l’IA permet de gagner un temps considérable et améliore souvent la qualité. Confie-les-lui sans hésiter. Mais l’interprétation des résultats, la définition des priorités et l’engagement doivent rester entre les mains des personnes concernées.

Ethan Mollick défend une idée similaire à propos de l’IA au travail : considère-la comme une collègue compétente, mais veille à ce qu’une personne reste impliquée dans les décisions qui exigent un jugement humain.¹⁴ Appliqué au feedback, cela signifie que l’IA peut soutenir et même structurer la conversation d’équipe. Elle ne peut pas remplacer l’engagement que les personnes prennent les unes envers les autres au cours de cette conversation. L’objectif est de consacrer moins de temps à produire le rapport et beaucoup plus de temps à agir sur cette base.

2. Ancrer la responsabilité au niveau local et l’adapter à chaque équipe

À mesure que la technologie progressait, les résultats se sont rapprochés du terrain : des rapports départementaux préparés à la main et reçus avec plusieurs semaines de retard, jusqu’aux tableaux de bord que chaque équipe peut ouvrir dès la clôture d’un sondage. L’IA peut aller bien plus loin, en passant de l’accès local à un contenu véritablement local. Au lieu d’un même rapport avec des chiffres différents, chaque équipe peut obtenir un état des lieux véritablement adapté à sa situation : des recommandations qui tiennent compte de son historique, de ce qui a changé depuis le dernier sondage et de ce qui a déjà été tenté. Le feedback devient un moteur de changement lorsque les personnes concernées travaillent elles-mêmes sur les résultats.

C’est l’approche bottom-up que nous préconisons, et l’IA permet désormais de donner davantage de moyens à chaque équipe. Bien sûr, tout ce qu’une équipe met au jour ne peut pas être résolu par cette équipe. La rémunération, la charge de travail et les frictions entre services nécessitent une prise en charge visible au plus haut niveau. Responsabilité locale pour les changements à l’échelle de l’équipe, responsabilité centrale pour les thèmes systémiques. Ces deux niveaux se complètent, ils ne s’opposent pas.

3. Investir au moins autant dans le facteur humain que dans l’IA

Il est tentant de consacrer le budget et l’attention à la technologie d’écoute, car c’est là que les progrès sont visibles. Mais la compétence de feedback, la capacité à mener une conversation à la fois directe et bienveillante, ainsi que la sécurité psychologique constituent la moitié de la boucle qui produit réellement le changement. Leurs effets se cumulent lentement. Et si l’on peut acheter de la formation et de la facilitation, la confiance accumulée ne s’achète pas. Une organisation qui automatise la moitié facile et néglige la moitié difficile finira avec davantage de données et moins de changement.

4. Faire preuve de transparence sur l’utilisation des réponses par l’IA

Il existe une forme d’écoute fondée sur l’IA que les collaborateur·rices risquent de vivre comme de la surveillance. Si les personnes soupçonnent que le modèle qui lit leurs commentaires sert à les surveiller plutôt qu’à améliorer les choses, elles cesseront de répondre franchement et la boucle se dégradera avant même qu’une conversation puisse avoir lieu. Les réponses honnêtes sont la seule donnée d’entrée qu’aucune technologie ne peut produire, et aucune puissance analytique ne peut compenser leur perte.

La sécurité psychologique s’étend désormais à la technologie elle-même : explique clairement qui voit quoi, ce que l’IA en fait et à quelles fins elle ne sera jamais utilisée. Et n’attends pas des paramètres d’anonymat qu’ils portent seuls ce poids : une personne réellement inquiète ne croira pas qu’il est impossible de remonter jusqu’à elle à partir de réponses anonymes, quelles que soient les promesses de l’outil. L’honnêteté découle de la confiance, pas de la seule absence de noms. C’est un argument que nous avons déjà développé plus en détail.

5. Utiliser l’IA pour enrichir l’écoute, pas seulement pour l’accélérer

Les quatre principes ci-dessus considèrent l’IA comme un accélérateur du processus que nous avons déjà. L’occasion la plus profonde consiste à poser une question restée hors de portée pendant un siècle : que ferions-nous si nous pouvions réellement parler avec tout le monde ?

Pour la première fois depuis ces 21’126 entretiens, nous pouvons nous en approcher. L’IA rend possible une écoute conversationnelle à grande échelle. C’est une direction que nous explorons activement chez Pulse Feedback : des entretiens par chat capables de rebondir comme le ferait une personne expérimentée, afin d’approfondir les réponses et d’en comprendre les raisons.

Et les échelles de réponse ? Elles ont toujours rempli deux fonctions : la collecte et la communication. La collecte, parce que les chiffres étaient le seul moyen de recueillir et d’analyser le feedback de milliers de collaborateur·rices. La communication, parce que les chiffres sont merveilleusement faciles à lire, à comparer et à suivre, ce qui explique l’apparition des KPI et des tableaux de bord autour d’eux.

L’IA prend désormais en charge la collecte. La communication reste précieuse, et les chiffres de demain pourront être déduits de ce que les personnes ont effectivement dit plutôt que de leurs réponses à des échelles : combien ont soulevé un thème et dans quelle mesure celui-ci a pris de l’ampleur depuis le dernier sondage. Les échelles avaient le monopole de la manière de poser les questions parce qu’il n’existait aucune alternative. Cela vient de changer. Ce qu’elles conservent, c’est leur capacité à rendre les résultats faciles à lire.

Où cela nous mène

La tentation de l’ère de l’IA est de croire que l’amélioration de la manière dont les personnes travaillent ensemble peut être automatisée. Les résultats de recherche accumulés en sept décennies montrent que ce n’est pas possible. Ce que l’IA change, c’est le coût d’accès à la dimension humaine du feedback. Elle rend l’accès à cette dimension plus rapide et moins coûteux. Elle ne la rend pas moins importante. Au contraire, à mesure que les données se banalisent, la conversation humaine devient le véritable facteur de différenciation.

Les organisations qui le comprendront utiliseront l’IA pour ses deux promesses : éliminer les frictions de l’ancien processus et écouter d’une manière qu’aucun questionnaire n’aurait jamais permise. Et elles consacreront le temps gagné là où il compte : avec leurs équipes, pour décider ensemble de la prochaine étape.

Voilà où en est notre réflexion aujourd’hui, et elle continue d’évoluer. Nous aimerions beaucoup recevoir votre feedback à ce sujet.

Sources

1. Roethlisberger, F. J., & Dickson, W. J. (1939). Management and the worker. Harvard University Press.
2. Mann, F. C. (1957). Studying and creating change: A means to understanding social organization. In C. M. Arensberg et al. (Eds.), Research in industrial human relations: A critical appraisal (pp. 146–167). Harper & Brothers.
3. Klein, S. M., Kraut, A. I., & Wolfson, A. (1971). Employee reactions to attitude survey feedback: A study of the impact of structure and process. Administrative Science Quarterly, 16(4), 497–514.
4. Huebner, L.-A., & Zacher, H. (2021). Following up on employee surveys: A conceptual framework and systematic review. Frontiers in Psychology, 12, 801073.
5. Pendell, R. (2018). 10 ways to botch employee surveys. Gallup.
6. Kluger, A. N., & DeNisi, A. (1996). The effects of feedback interventions on performance: A historical review, a meta-analysis, and a preliminary feedback intervention theory. Psychological Bulletin, 119(2), 254–284.
7. Smither, J. W., London, M., & Reilly, R. R. (2005). Does performance improve following multisource feedback? A theoretical model, meta-analysis, and review of empirical findings. Personnel Psychology, 58(1), 33–66.
8. Simon, H. A. (1971). Designing organizations for an information-rich world. In M. Greenberger (Ed.), Computers, communications, and the public interest (pp. 37–72). Johns Hopkins Press.
9. Stone, D., & Heen, S. (2014). Thanks for the feedback: The science and art of receiving feedback well. Viking.
10. Edmondson, A. C. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383.
11. Frazier, M. L., Fainshmidt, S., Klinger, R. L., Pezeshkan, A., & Vracheva, V. (2017). Psychological safety: A meta-analytic review and extension. Personnel Psychology, 70(1), 113–165.
12. Duhigg, C. (2016, February 25). What Google learned from its quest to build the perfect team. The New York Times Magazine.
13. Berthelsen, H., & Muhonen, T. (2026). Taking the pulse: A qualitative study on pulse survey implementation. Frontiers in Organizational Psychology, 3, 1696769.
14. Mollick, E. (2024). Co-intelligence: Living and working with AI. Portfolio.