Enquête sur l'IA et l'évaluation de la performance : 84 questions

Par Jürgen Ulbrich

Ce modèle d'enquête sur l'IA dans les entretiens de performance mesure de façon systématique la manière dont collaborateurs et managers vivent l'IA dans ces entretiens, de la confiance et de l'équité jusqu'à la protection des données et à la gouvernance. Il comprend 84 affirmations sur échelle de Likert, 6 notes globales (0-10) et 12 questions ouvertes. Utilisez-le pour repérer tôt les problèmes de transparence, de qualité ou de conformité, et pour fixer des seuils clairs qui indiquent quand faire une pause, former à nouveau ou renforcer les garde-fous.

Pourquoi cette enquête compte en 2026

Les entretiens de performance assistés par l'IA se répandent vite, avec des conséquences juridiques et culturelles importantes. Selon une enquête Resume Builder de 2025 auprès de plus de 1 300 managers, 91 % utilisent l'IA pour évaluer la performance, mais seulement 71 % se disaient confiants quant à son équité pour des décisions individuelles. Sans mesure structurée, cet écart de confiance devient un problème de confiance et de responsabilité juridique.

Trois niveaux de réglementation créent des obligations spécifiques pour les employeurs qui utilisent l'IA dans les entretiens :

  • Article 22 du RGPD : interdit les décisions fondées exclusivement sur un traitement automatisé qui produisent des effets juridiques ou affectent la personne de façon significative. Des suggestions de notation générées par l'IA et acceptées sans véritable examen humain peuvent déclencher cette protection. Les collaborateurs ont le droit d'obtenir une intervention humaine, d'exprimer leur point de vue et de contester la décision. Selon les lignes directrices du CEPD, un manager qui valide les résultats de l'IA sans examen sur le fond ne satisfait pas à cette exigence.
  • AI Act de l'UE : classe les systèmes d'évaluation de la performance parmi les IA à haut risque (annexe III). À partir du 2 décembre 2027, les déployeurs (l'employeur, pas l'éditeur du logiciel) doivent mettre en place une gestion des risques, une documentation technique, une journalisation automatique, une supervision humaine et une analyse d'impact sur les droits fondamentaux. À noter : le Digital Omnibus on AI (règlement (UE) 2026/1744, en vigueur depuis le 27 juillet 2026) a reporté l'échéance pour les systèmes à haut risque d'août 2026 au 2 décembre 2027 (produits de l'annexe I : 2 août 2028). Se préparer dès maintenant reste payant : l'article 22 du RGPD et les obligations de transparence s'appliquent déjà. Contexte : panorama juridique. De plus, l'article 86 de l'AI Act accorde aux collaborateurs le droit de demander une explication pertinente de tout résultat d'une IA à haut risque qui les concerne.
  • Comités d'entreprise et cogestion (UE/DACH) : les systèmes d'IA capables de surveiller la performance des collaborateurs déclenchent des droits de cogestion en vertu du droit du travail national. En Allemagne, le §87(1)(6) BetrVG confère au Betriebsrat (comité d'entreprise) un droit de cogestion obligatoire sur les systèmes techniques susceptibles de surveiller le comportement ou les résultats des collaborateurs. En vertu de l'article 26(7) de l'AI Act, les employeurs doivent en outre informer les représentants des travailleurs et les travailleurs concernés avant le déploiement.

Cette enquête vous donne une base mesurable et documentable sur toutes ces dimensions, ainsi que des éléments concrets pour votre comité d'entreprise et votre délégué à la protection des données.

Comment utiliser ce modèle

Utilisez une échelle de Likert en 5 points pour les affirmations (1 = Pas du tout d'accord, 5 = Tout à fait d'accord). La numérotation sert à l'analyse et au suivi : E = collaborateurs (Employees), M = managers, S = commun (Shared). Choisissez l'un des quatre schémas ci-dessous et ne chargez que les items pertinents. Pour un premier passage, 18 à 22 questions suffisent largement ; gardez une durée totale inférieure à 8 minutes.

Questions d'enquête : collaborateurs

Collaborateurs (E1-E6) : sensibilisation et transparence

  • (E1) Je comprends quand l'IA est utilisée dans mon processus d'entretien de performance.
  • (E2) Je sais quelles parties de mon évaluation peuvent contenir du texte généré par l'IA (brouillons, synthèses, formulations suggérées).
  • (E3) On m'a expliqué ce que l'IA peut et ne peut pas faire dans les entretiens de performance.
  • (E4) Je sais qui est responsable du contenu final de l'évaluation, et ce n'est pas l'IA.
  • (E5) J'ai été informé(e) si l'IA a influencé les notes, les éléments de calibrage ou les qualificatifs de performance.
  • (E6) L'entreprise a expliqué en termes simples pourquoi elle utilise l'IA dans les évaluations.

Collaborateurs (E7-E12) : qualité et utilité

  • (E7) Le feedback assisté par l'IA dans mon évaluation était spécifique à mon travail réel.
  • (E8) Le feedback comportait des exemples concrets ou des preuves, pas seulement des formules génériques.
  • (E9) Le feedback était cohérent avec ce que j'avais entendu en entretiens individuels pendant le cycle.
  • (E10) Le feedback distinguait clairement les faits, les interprétations et les attentes.
  • (E11) Le feedback m'a aidé(e) à comprendre les priorités des 3 à 6 prochains mois.
  • (E12) Le ton du feedback m'a semblé respectueux et professionnel.

Collaborateurs (E13-E18) : perceptions d'équité et de biais

  • (E13) Le feedback assisté par l'IA a rendu l'évaluation plus équitable qu'un feedback entièrement manuel.
  • (E14) Je crains que l'IA n'amplifie les biais (p. ex. biais de proximité, biais de similarité, stéréotypes).
  • (E15) Le feedback assisté par l'IA reflétait fidèlement mes contributions, pas seulement le travail visible.
  • (E16) J'ai eu le sentiment qu'on m'appliquait le même niveau d'exigence qu'à mes pairs comparables.
  • (E17) Je crains que l'IA ne comprenne mal le contexte (p. ex. congé parental, temps partiel, changements de projet).
  • (E18) Le langage de l'évaluation évitait les termes codés ou ambigus (p. ex. "pas assez affirmé").

Collaborateurs (E19-E24) : sécurité psychologique et confiance

  • (E19) Je me suis senti(e) à l'aise pour demander si l'IA avait été utilisée dans mon évaluation.
  • (E20) Je me suis senti(e) à l'aise pour contester une formulation influencée par l'IA pendant l'entretien d'évaluation.
  • (E21) Mon manager était ouvert à la correction des erreurs dans le contenu de l'évaluation.
  • (E22) Je suis convaincu(e) que l'usage de l'IA n'a pas réduit mes chances d'être entendu(e) en tant que personne.
  • (E23) Je pense que mon manager a relu le feedback final et l'a assumé, sans simple "copier-coller".
  • (E24) Je sais comment faire remonter mes préoccupations si un feedback assisté par l'IA me semble erroné ou injuste.

Collaborateurs (E25-E30) : protection des données et consentement

  • (E25) Je comprends quelles sources de données l'IA peut utiliser dans le processus d'évaluation.
  • (E26) Je comprends si des saisies de chat, des notes ou des commentaires 360° peuvent servir d'entrées à l'IA.
  • (E27) Je suis convaincu(e) que les données personnelles sensibles ne sont pas utilisées dans les prompts d'IA pour les évaluations.
  • (E28) Je comprends, dans les grandes lignes, où les données sont traitées et stockées (p. ex. UE/EEE).
  • (E29) Je pense que l'usage de l'IA dans les évaluations respecte les principes du RGPD (minimisation des données, limitation des finalités).
  • (E30) Je connais la durée de conservation des éléments d'évaluation liés à l'IA (brouillons, journaux, synthèses).

Collaborateurs (E31-E36) : impact global et préférence

  • (E31) Les évaluations assistées par l'IA ont clarifié mes attentes.
  • (E32) Le feedback assisté par l'IA a rendu l'évaluation plus cohérente dans toute l'entreprise.
  • (E33) Le feedback assisté par l'IA a rendu l'évaluation moins personnelle pour moi.
  • (E34) Je préférerais que l'IA serve uniquement à la rédaction, pas aux suggestions de notation.
  • (E35) Je préférerais que l'IA ne soit utilisée qu'avec des points de contrôle humains clairs.
  • (E36) Globalement, l'usage de l'IA a amélioré mon expérience de l'évaluation lors de ce cycle.

Questions d'enquête : managers

Managers (M1-M6) : prise en main et formation

  • (M1) J'ai reçu une formation sur les cas où l'IA peut être utilisée dans les évaluations et ceux où elle ne le peut pas.
  • (M2) La formation expliquait comment vérifier les résultats de l'IA à l'aide de preuves (projets, résultats, comportements).
  • (M3) La formation abordait la rédaction de prompts conforme au RGPD : quelles données ne doivent pas être saisies.
  • (M4) Je sais comment expliquer l'usage de l'IA de façon transparente aux collaborateurs.
  • (M5) Je sais quoi faire lorsqu'un collaborateur conteste une formulation influencée par l'IA.
  • (M6) Je me sens prêt(e) à utiliser l'IA sans affaiblir la sécurité psychologique dans mon équipe.

Managers (M7-M12) : processus et gain de temps

  • (M7) L'IA a réduit le temps dont j'avais besoin pour préparer les évaluations.
  • (M8) L'IA m'a aidé(e) à structurer plus vite mon feedback (points forts, écarts, prochaines étapes).
  • (M9) L'IA a amélioré ma capacité à synthétiser les feedbacks 360° sans omettre de points clés.
  • (M10) L'IA a alourdi mon travail administratif à cause des vérifications et réécritures supplémentaires.
  • (M11) L'IA m'a aidé(e) à garder un feedback cohérent entre plusieurs collaborateurs directs.
  • (M12) L'aide de l'IA a amélioré la qualité de mes entretiens d'évaluation.

Managers (M13-M18) : qualité des brouillons et des synthèses

  • (M13) Les brouillons générés par l'IA étaient assez précis pour constituer un bon point de départ.
  • (M14) Les brouillons incluaient des résultats mesurables ou des comportements observables lorsque je le demandais.
  • (M15) L'IA a aidé à éviter un feedback vague en poussant à la précision.
  • (M16) Les synthèses de l'IA restituaient correctement le contexte : changements de périmètre, contraintes, dépendances.
  • (M17) Les résultats de l'IA correspondaient à notre grille interne et à notre vocabulaire de compétences.
  • (M18) Les résultats de l'IA évitaient le langage biaisé sans masquer les problèmes de performance.

Managers (M19-M24) : jugement, supervision et responsabilité

  • (M19) Je me sens à l'aise pour modifier ou rejeter les suggestions de l'IA.
  • (M20) Je vérifie systématiquement les résultats de l'IA à l'aide de preuves avant de les partager avec les collaborateurs.
  • (M21) Je peux expliquer les raisons de mon feedback final sans me référer à l'IA.
  • (M22) L'IA ne prend jamais le dessus sur mon jugement en matière de notes ou de résultats de performance.
  • (M23) Je comprends le risque d'une dépendance excessive à l'IA dans les décisions sensibles concernant les personnes.
  • (M24) Je sais comment documenter les décisions de façon prête pour un audit.

Managers (M25-M30) : gouvernance et garde-fous

  • (M25) L'entreprise a des règles claires sur ce qu'il faut faire et ne pas faire avec l'IA dans les entretiens de performance.
  • (M26) Je sais quelles données ne doivent jamais figurer dans les prompts : santé, appartenance syndicale, catégories protégées.
  • (M27) Je sais si un accord avec le comité d'entreprise s'applique à ce cas d'usage de l'IA.
  • (M28) Je sais qui contacter lorsque le résultat de l'outil semble risqué ou erroné (RH/IT/protection des données).
  • (M29) Notre processus inclut des points de contrôle humains clairs avant toute décision ayant un impact sur un collaborateur.
  • (M30) L'usage de l'IA est journalisé de manière à favoriser la transparence et la responsabilité.

Managers (M31-M36) : équité, cohérence et appui au calibrage

  • (M31) L'IA m'a aidé(e) à appliquer nos standards de performance de façon plus cohérente.
  • (M32) L'IA a accru le risque d'un "feedback standardisé" qui gomme les différences entre les personnes.
  • (M33) L'IA a facilité le repérage des preuves manquantes avant les séances de calibrage.
  • (M34) L'IA a facilité l'évitement des biais d'évaluation courants (récence, halo/corne, proximité).
  • (M35) Je crains que l'IA n'introduise de nouveaux biais via les données d'entraînement ou les schémas de formulation.
  • (M36) L'IA a amélioré la qualité des éléments que j'apporte aux séances de calibrage.

Managers (M37-M42) : confiance globale et volonté de poursuivre

  • (M37) Je fais confiance aux résultats de l'outil lorsqu'ils sont utilisés avec un examen humain attentif.
  • (M38) Je suis à l'aise pour être transparent(e) avec les collaborateurs sur l'usage de l'IA.
  • (M39) J'utiliserais de nouveau l'IA pour rédiger du feedback au prochain cycle.
  • (M40) J'utiliserais de nouveau l'IA pour synthétiser les feedbacks 360° au prochain cycle.
  • (M41) J'éviterais d'utiliser l'IA pour des suggestions de notation tant que la gouvernance ne s'améliore pas.
  • (M42) Globalement, l'IA a rendu mon travail d'évaluation plus efficace lors de ce cycle.

Questions d'enquête : communes (collaborateurs + managers)

  • (S1) L'usage de l'IA dans les évaluations est communiqué de façon claire et cohérente entre les équipes.
  • (S2) Les personnes concernées par l'IA dans les évaluations peuvent donner leur avis sans conséquences négatives.
  • (S3) Le processus permet de corriger facilement les erreurs dans le contenu d'évaluation assisté par l'IA.
  • (S4) L'usage de l'IA dans les évaluations est aligné avec notre grille d'entretien de performance et nos attentes.
  • (S5) L'IA améliore la qualité des échanges d'évaluation, pas seulement la paperasse.
  • (S6) Je fais confiance aux garde-fous de l'organisation pour l'IA dans les entretiens de performance.

Notes globales (0-10) et questions ouvertes

Notes globales (0-10)

  • (Collaborateurs) Dans quelle mesure faites-vous confiance au feedback assisté par l'IA dans les entretiens de performance ? (0-10)
  • (Collaborateurs) Dans quelle mesure l'IA a-t-elle amélioré la qualité du feedback que vous avez reçu lors de ce cycle ? (0-10)
  • (Collaborateurs) Dans quelle mesure recommanderiez-vous le feedback assisté par l'IA à un collègue ? (0-10)
  • (Managers) Dans quelle mesure êtes-vous confiant(e) pour utiliser l'IA dans les évaluations sans nuire à l'équité ? (0-10)
  • (Managers) Dans quelle mesure l'IA a-t-elle amélioré l'efficacité de votre préparation des évaluations lors de ce cycle ? (0-10)
  • (Managers) Dans quelle mesure recommanderiez-vous le processus d'évaluation actuel avec IA à un autre manager ? (0-10)

Questions ouvertes (12 au total)

  • (Collaborateurs) Où le feedback assisté par l'IA vous a-t-il semblé le plus juste et le plus utile ?
  • (Collaborateurs) Où le feedback assisté par l'IA vous a-t-il semblé générique, erroné ou hors contexte ?
  • (Collaborateurs) Quelle phrase ou quelle section réécririez-vous pour mieux refléter votre travail ?
  • (Collaborateurs) Qu'est-ce qui vous donnerait davantage de sécurité pour contester une formulation influencée par l'IA lors d'un entretien d'évaluation ?
  • (Collaborateurs) Quelle est votre plus grande préoccupation concernant l'usage des données ou la confidentialité dans les évaluations assistées par l'IA ?
  • (Managers) À quelle étape du processus d'évaluation l'IA vous a-t-elle fait gagner le plus de temps ?
  • (Managers) Où l'IA a-t-elle créé du travail supplémentaire : réécritures, vérifications, allers-retours ?
  • (Managers) Quel garde-fou éviterait votre plus grand risque lié à l'IA dans les évaluations ?
  • (Managers) Quel sujet de formation améliorerait le plus votre usage de l'IA dans le feedback de performance ?
  • (Commun) Que devrions-nous arrêter de faire avec l'IA dans les évaluations, dès le prochain cycle ?
  • (Commun) Que devrions-nous continuer à faire avec l'IA dans les évaluations parce que cela fonctionne clairement ?
  • (Commun) Si vous pouviez changer une règle sur l'IA dans les évaluations, laquelle serait-ce ?

Schémas d'enquête : quelles questions utiliser et quand

Choisissez un schéma par cycle. Déroulé simple : choisir le schéma → charger les items → convenir du seuil d'anonymat → envoyer 3 à 10 jours après la clôture des évaluations → publier résultats et actions sous 21 jours. Si vous menez déjà une enquête classique après cycle, alignez la formulation pour que les tendances restent comparables, même si l'IA change le processus. Le logiciel de gestion de la performance de Sprad peut piloter ces évaluations, et pour choisir un outil, consultez notre guide des logiciels de gestion de la performance pour grandes entreprises.

SchémaPublicQuandItemsMix de questionsDécision attendue
A) Collaborateurs après cycle (pilote)Collaborateurs ayant eu des évaluations assistées par l'IA3 à 10 jours après les évaluations18–22E1-E6, E7-E12, E13-E18, E19-E24, E25-E30 + 2 notes + 3 questions ouvertesGarder/ajuster l'IA ; combler les lacunes de transparence, de sécurité et de confidentialité
B) Managers après cycle (pilote)Managers utilisant des outils d'IA3 à 10 jours après le calibrage18–22M1-M6, M7-M12, M13-M18, M19-M24, M25-M30 + 2 notes + 3 questions ouvertesPlan de formation ; mises à jour de la gouvernance ; changements de processus
C) Pulse combiné (pilote)Collaborateurs + managersEn milieu de pilote ou après le premier cycle12–15S1-S6 + E7/E13/E20/E29 + M19/M25 + 2 notes + 2 questions ouvertesAlerte précoce : arrêter ou continuer avant de déployer à plus grande échelle
D) Enquête de suivi des tendancesMêmes populations que A/B6 à 12 mois plus tard12–18Items clés : E1/E7/E13/E20/E29/E36, M1/M7/M19/M25/M31/M42, S6 + notesTendance confiance/équité ; préparation à un déploiement plus large

Calcul des scores et seuils

Utilisez l'échelle en 5 points pour les affirmations et 0-10 pour les notes globales. Rattachez les décisions à des seuils, pas à des anecdotes individuelles. Trois niveaux : Faible (moy. <3,0) : corriger avant de déployer. Moyen (3,0-3,9) : améliorer au prochain cycle. Élevé (≥4,0) : standardiser et partager des exemples. Pour les notes de 0 à 10, considérez <6/10 comme un signal "stop et corriger" dans les pilotes.

IndicateurMode de calculSeuilRègle de décision
Moyenne par dimensionMoyenne des items d'un bloc (p. ex. E13-E18)Moy. <3,0Suspendre l'extension ; corriger la cause avant le prochain cycle
Taux de réponses favorables% de réponses 4-5 (D'accord/Tout à fait d'accord)<60 %Plan d'amélioration ciblé avec responsable + échéance
Concentration de désaccords% de réponses 1-2≥20%Organiser des groupes de discussion ; revoir la communication et le comportement des managers
Écart entre groupesDifférence entre groupes (p. ex. télétravail vs. bureau)≥0,4 pointContrôle des biais + audit du processus ; escalade à la direction RH

Routine d'analyse en quatre étapes : (1) calculer les moyennes par dimension, (2) vérifier la dispersion et les taux de "désaccord", (3) comparer les groupes, (4) rattacher aux actions du tableau de décision.

  • Les RH calculent les scores par dimension (E, M, S) et signalent les seuils rouges, sous 7 jours.
  • People Analytics vérifie les écarts entre groupes et les valeurs aberrantes, sous 10 jours.
  • Les dirigeants s'accordent sur 3 corrections prioritaires, sous 14 jours.
  • Les RH publient une courte note "ce qui change au prochain cycle", sous 21 jours.

Plan d'action : que faire quand les scores sont bas

L'IA dans les évaluations échoue le plus souvent non pas à cause de l'outil, mais parce que personne ne s'occupe des points épineux : corrections, escalades et gouvernance. Définissez des règles d'acheminement en amont. Délais de réponse par défaut pour les pilotes : ≤24 h pour les préoccupations graves de confidentialité, ≤7 jours pour accuser réception de scores de confiance bas, ≤21 jours pour publier les actions. Alignez les suivis de calibrage sur votre processus interne de calibrage afin que l'IA ne devienne pas une porte dérobée vers des standards incohérents.

SignalSeuilAction recommandéeResponsableÉchéance
Faible transparenceE1-E6 moy. <3,2 ou ≥20 % de "désaccord"Publier une fiche explicative d'une page sur l'IA dans les évaluations ; arguments pour les managers ; ajouter la mention "IA utilisée : oui/non" dans les formulairesRH + Communication14 jours
Faible qualité du feedbackE7-E12 moy. <3,0Collecter 10 exemples anonymisés "mauvais vs. bon" ; affiner les prompts ; exiger 2 points de preuve par sectionRH + managers pilotes21 jours
Préoccupations d'équité/de biaisE13-E18 moy. <3,0 ou écart entre groupes ≥0,4Revue des biais dans les résultats de l'IA ; préciser les repères de la grille ; relancer un calibragePeople Analytics + RH30 jours
Faible sécurité psychologiqueE19-E24 moy. <3,2Instaurer un droit de correction ; prévoir une voie d'escalade ; former à des scripts de conversation où l'on peut contester sans crainteHRBP + managers14 jours
Préoccupations de confidentialitéE25-E30 moy. <3,5 ou tout commentaire graveRappeler les règles du RGPD ; mettre à jour la liste des données à ne pas saisir dans les prompts ; confirmer la durée de conservation ; aligner avec le DPO et le comité d'entrepriseDPO + IT + RH7 jours
Formation insuffisanteM1-M6 moy. <3,0Formation obligatoire de 90 min + checklist ; conditionner l'accès au prochain cycle à son achèvementL&D + RH30 jours
Supervision managériale faibleM19-M24 moy. <3,2Ajouter une étape de validation humaine ; exiger des références de preuves ; relecture croisée de 10 % des évaluations assistées par l'IARH + responsables de fonctionProchain cycle
Notes 0-10 bassesMoy. <6/10 ou baisse ≥1,0Organiser des groupes de discussion de 45 min (collaborateurs et managers séparés) ; publier 3 changements concretsRH14 jours

Pour des formulations qui gardent le feedback assisté par l'IA précis et équitable, utilisez nos formulations d'entretien de performance générées par l'IA, et découvrez comment les RH peuvent utiliser l'IA dans la gestion de la performance au-delà de la rédaction.

Contrôles d'équité et de biais

L'équité ne se résume pas à une moyenne. Ventilez les résultats par groupes pertinents et comparez à la fois la perception et les signaux de processus. Les recherches sur la prédiction de la performance par l'IA montrent que les collaborateurs jugent les fonctions d'IA équitables lorsqu'elles correspondent étroitement à la performance réelle : des systèmes génériques ou opaques détériorent cette perception, même quand la qualité des résultats est correcte. Signaux d'alerte pratiques : écart entre groupes ≥0,4, ou ≥15 points de pourcentage d'écart dans les taux de réponses favorables, ou mentions répétées dans les textes libres de "générique", "copier-coller", "injuste" ou "confidentialité". Alignez les contrôles de langage sur votre processus interne de revue des biais pour garder des standards cohérents.

Schéma observéInterprétation typiqueProchaine étapeResponsable
Télétravailleurs : E1-E6 plus basLacunes de transparence dans la communication à distanceBriefing adapté au télétravail ; ajouter une mention dans l'interface de l'outil d'évaluationRH + managers
Juniors : E14/E17 plus élevésPlus d'incertitude et de distance hiérarchiqueAjouter des étapes "comment contester" ; créer une voie d'escalade sûreHRBP
Une équipe : E16 + M31 plus basStandards incohérents et dérive du calibrageRafraîchir les repères de la grille ; organiser un atelier de calibrage cibléResponsable de fonction + RH
E33 élevé + E12 basLe feedback paraît impersonnel ou mal retravailléFixer un minimum de retouches ; interdire le copier-coller ; exiger des exemples personnalisésManagers

Scénarios pratiques

Scénario 1 : les collaborateurs se méfient de l'IA parce que l'information est peu claire

Vous constatez E1-E6 moy. 2,8 et des commentaires comme "Je n'ai remarqué la formulation de l'IA qu'après l'entretien." Les RH ajoutent l'information au moment de l'usage : le formulaire d'évaluation affiche "Brouillon assisté par l'IA : oui/non" avec un paragraphe d'explication. Les managers reçoivent un script de 60 secondes pour l'entretien. Vous relancez le pulse combiné (schéma C) dans 60 jours pour confirmer que la confiance a progressé.

Scénario 2 : les managers gagnent du temps, mais les collaborateurs trouvent le feedback générique

M7 et M8 obtiennent de bons scores (≥4,0), mais E7-E12 sont bas (moy. <3,0) et E33 augmente. Décision : garder l'IA pour structurer, mais exiger des preuves. Chaque section d'évaluation doit inclure 2 éléments probants : projet, indicateur, comportement observable. Les RH partagent des exemples "bon vs. mauvais", mettent à jour les prompts et contrôlent par sondage 10 % des évaluations pour vérifier leur précision avant qu'elles ne parviennent aux collaborateurs lors du prochain cycle.

Scénario 3 : les préoccupations d'équité se concentrent sur un groupe

E16 est stable globalement, mais un site affiche un écart de 0,5 point et un E14 plus élevé. Les RH et le comité d'entreprise local vérifient si des prompts, des grilles ou des sources de données différents y ont été utilisés. Prochaines étapes : remise à niveau sur le calibrage, préciser les repères de la grille, rappeler aux managers les schémas de biais. Vous comparez la même tranche de groupe dans l'enquête de suivi des tendances (schéma D) pour confirmer que l'écart s'est réduit.

Guide de mise en œuvre

Commencez petit, puis déployez. Impliquez tôt votre comité d'entreprise dès que l'IA touche aux processus de performance, aux questions de surveillance ou à l'aide à la décision : l'AI Act de l'UE exige une information préalable et le droit du travail national peut imposer la cogestion. Gardez l'enquête clairement séparée des résultats individuels : les réponses ne doivent influencer ni les notes, ni la rémunération, ni les qualificatifs de performance, sinon vous détruirez la confiance et les taux de participation.

Rythme de déploiement recommandé : pilote (6 à 10 semaines) → premier cycle d'évaluation → enquête + corrections (≤30 jours) → extension au périmètre suivant → suivi des tendances à 6-12 mois. Pour une planification plus large des talents et des compétences en parallèle du déploiement de l'IA, notre guide des logiciels de gestion des talents pour la zone DACH détaille la checklist RGPD et comité d'entreprise.

  • Pilote dans 1 fonction avec 20 à 50 participants ; définir les usages autorisés de l'IA : RH + IT, sous 14 jours.
  • Convenir de la minimisation des données, de la conservation et des droits d'accès ; documenter en langage clair : DPO + RH, sous 30 jours.
  • Former les managers à la vérification et aux conversations où l'on peut contester sans crainte : L&D, avant le début du cycle.
  • Mener les schémas A et B après le cycle ; publier les actions sous 21 jours : responsable RH.
  • Revoir et mettre à jour la banque de questions chaque année ou après des changements majeurs d'outil : RH + comité d'entreprise, 1 fois par an.
KPI à suivreCiblePourquoi c'est importantResponsable
Taux de participation≥70 % après le cycleDes taux bas signalent généralement un problème de confiance ou de lassitude face aux enquêtesRH Ops
Délai d'action≤21 joursLa rapidité crée la crédibilité ; un suivi lent réduit l'honnêteté au tour suivantResponsable RH
Formation achevée (managers)≥90%Réduit les prompts risqués et la dépendance excessive à des brouillons non relusL&D
Écarts d'équité entre groupes<0,4 pointAlerte précoce sur les schémas de biais ou les standards incohérentsPeople Analytics
Taux d'achèvement des actions≥80%Évite le "théâtre d'enquête" et démontre le suiviHRBP + dirigeants

Pour un suivi plus large des compétences en parallèle de votre travail de gouvernance de l'IA, une comparaison de logiciels de gestion des compétences structurée vous aide à distinguer les "problèmes d'outil" des "écarts de compétences" et à planifier plus vite des corrections ciblées.

FAQ

À quelle fréquence faut-il poser ces questions d'enquête sur l'IA dans les entretiens de performance ?

Pendant un pilote, lancez-la après chaque cycle d'évaluation assisté par l'IA, au moins pour les 2 premiers cycles, tant que les souvenirs sont frais. Ensuite, une analyse approfondie une fois par an, plus un court pulse après les évolutions majeures des fonctions d'IA, fonctionne bien. Gardez 6 à 8 items clés stables d'une vague à l'autre (confiance, équité, sécurité psychologique, confidentialité) pour suivre les tendances de façon fiable dans le temps.

Que faire si les scores sont très bas (moy. <3,0) ou si les commentaires sont durs ?

Commencez par contenir et clarifier, sans vous défendre. Accusez réception des résultats sous ≤7 jours et indiquez ce qui va se passer ensuite. Utilisez des groupes de discussion pour identifier les causes : manque d'information, formulations génériques, crainte pour la confidentialité ou comportement des managers ? Engagez-vous ensuite sur 3 corrections au maximum, avec responsables et échéances. Bouclez la boucle publiquement sous ≤21 jours. En cas de préoccupation grave de confidentialité, orientez vers le DPO/l'IT avec un délai de réponse ≤24 heures.

Comment éviter que l'enquête soit perçue comme de la surveillance ou du contrôle de la performance ?

Soyez explicite sur la finalité et la séparation : les réponses à l'enquête ne doivent influencer ni les notes, ni la rémunération, ni les résultats individuels. Ne communiquez que des résultats agrégés et appliquez des seuils d'anonymat (aucun résultat pour les groupes de moins de 5 à 7 personnes). Impliquez tôt votre comité d'entreprise ou les représentants du personnel et documentez clairement les garde-fous : sources de données, durées de conservation, droits d'accès. Les lignes directrices du CEPD sur la prise de décision automatisée constituent un point de référence utile pour présenter cela en interne.

Qu'exigent concrètement l'article 22 du RGPD et l'AI Act de l'UE ?

L'article 22 du RGPD interdit les décisions ayant des effets significatifs qui reposent exclusivement sur un traitement automatisé. Des suggestions de notation ou des éléments de calibrage générés par l'IA que les managers acceptent sans examen sur le fond peuvent déclencher cette protection. Les collaborateurs ont le droit de demander une intervention humaine, d'exprimer leur point de vue et de contester le résultat, et un véritable examen suppose un réel pouvoir de décision, pas une simple validation de façade. L'AI Act de l'UE ajoute un second niveau : les systèmes d'évaluation de la performance sont des IA à haut risque (annexe III), qui exigent une documentation de gestion des risques, une journalisation, une supervision humaine et une analyse d'impact sur les droits fondamentaux. À partir du 2 décembre 2027 (la date fixée par le Digital Omnibus on AI), les collaborateurs peuvent aussi demander une explication pertinente de tout résultat d'une IA à haut risque en vertu de l'article 86 de l'AI Act.

Faut-il informer les collaborateurs que l'IA a été utilisée dans leur évaluation ?

Oui, si vous voulez de la confiance. Le manque de transparence tend à amplifier les préoccupations d'équité, même quand la qualité des résultats est bonne. Restez simple : où l'IA a été utilisée (rédaction, synthèse, aide au calibrage), quelles données elle a utilisées ou non, et qui est responsable du contenu final. Ajoutez un droit de correction : les collaborateurs peuvent contester une formulation et demander des modifications sans avoir à "prouver" que l'IA s'est trompée.

Comment maintenir la banque de questions à jour à mesure que les outils et les politiques évoluent ?

Faites une revue annuelle avec les RH, quelques managers, People Analytics et votre comité d'entreprise le cas échéant. Gardez stables vos items de tendance clés (confiance, équité, sécurité psychologique, confidentialité) et renouvelez un petit nombre de questions propres aux fonctionnalités en fonction de ce qui a changé : nouvelles fonctions de synthèse, nouvelles suggestions de notation, nouvelles sources de données. Testez les nouveaux items avec une équipe d'abord, puis étendez dès que la formulation est sans ambiguïté et exploitable.

Jürgen Ulbrich

CEO et cofondateur de Sprad

Jürgen Ulbrich cumule plus de dix ans d’expérience dans la construction et la direction d’équipes et d’entreprises performantes. Expert des programmes de cooptation ainsi que des processus de feedback et de performance, Jürgen a aidé plus de 100 organisations à optimiser leur stratégie d’acquisition et de développement des talents.

Modèles et téléchargements gratuits

Rejoignez la communauté en seulement 26 secondes et profitez d’un accès gratuit à plus de 100 ressources, modèles et guides.

Modèle gratuit d'enquête sur l'efficacité du leadership (Excel)
Vidéo
Gestion de la performance
Modèle gratuit d'enquête sur l'efficacité du leadership (Excel)
Modèle de feedback 360 gratuit : un outil Excel prêt à l'emploi
Vidéo
Gestion de la performance
Modèle de feedback 360 gratuit : un outil Excel prêt à l'emploi

La People Powered HR Community s’adresse aux professionnels RH qui placent l’humain au cœur de leur travail RH et recrutement. Ensemble, transformons notre conviction commune en un mouvement qui change le monde des RH.