Ces questions d'enquête sur la mobilité interne assistée par l'IA mesurent ce que les KPI de mobilité ne montrent pas : si les collaborateurs font confiance au matching par IA, s'ils se sentent traités équitablement, s'ils comprennent quelles données sont utilisées et s'ils se sentent suffisamment en sécurité pour explorer une mobilité interne. Ce modèle fournit des blocs de questions segmentés pour les collaborateurs et les managers, un cadre de scoring avec seuils et une checklist de gouvernance DACH pour les comités d'entreprise et la protection des données.

Quand avez-vous besoin de cette enquête ?

Les outils de matching par IA pour la mobilité interne changent la façon dont les collaborateurs perçoivent les opportunités de carrière au sein d'une organisation. Selon le Career Optimism Index® 2026 de l'University of Phoenix Career Institute® (5 000 salariés, 1 000 employeurs), 50 % des collaborateurs déclarent que l'IA renforce leur confiance pour changer de poste, tandis que 62 % des employeurs indiquent que leurs collaborateurs développent leurs compétences en IA plus vite que l'organisation ne parvient à s'adapter.

Les résultats s'exploitent au mieux dans un logiciel de gestion des talents qui contient déjà les compétences et les parcours de carrière ; le guide de la gestion des compétences présente les bases à poser.

Le levier décisif est la confiance : l'EY Mobility Reimagined Survey 2026 montre que 95 % des collaborateurs considèrent la confiance comme un facteur clé pour accepter des opportunités de mobilité. Les fonctions de mobilité à forte confiance ont 1,9 fois plus de chances de faire évoluer leurs collaborateurs vers de nouveaux domaines plus rapidement que celles où la confiance est faible.

Cette enquête est l'outil adapté lorsque vous :

  • pilotez ou déployez à grande échelle un outil de matching par IA pour des postes, des projets ou des missions ponctuelles,
  • voulez mesurer si la transparence, l'équité et la sécurité psychologique sont suffisantes,
  • devez associer les comités d'entreprise et les équipes de protection des données avec des éléments probants, ou
  • voulez des signaux d'alerte précoces avant qu'une rupture de confiance n'apparaisse dans vos KPI.

Si vous menez déjà une enquête générale sur la mobilité interne, utilisez ces questions comme extension spécifique à l'IA pour votre groupe pilote. Une base solide est le modèle d'enquête sur la mobilité interne, qui couvre sept dimensions fondamentales.

Banque de questions : mobilité interne assistée par l'IA

Utilisez une échelle de Likert de 1 à 5 pour toutes les affirmations fermées : 1 = Pas du tout d'accord, 5 = Tout à fait d'accord. Ajoutez une option « Non applicable » pour les items qui ne concernent pas tous les postes. Interrogez séparément les collaborateurs et les managers/HRBP : l'écart de perception est l'un des signaux de diagnostic les plus précieux que vous puissiez recueillir.

Bloc 1 : Connaissance et compréhension du matching par IA (collaborateurs)

  • Q1. Je sais que l'IA sert à proposer des postes, projets ou missions internes aux collaborateurs.
  • Q2. Je comprends à quoi sert l'outil de matching par IA, et à quoi il ne sert pas.
  • Q3. Je sais où trouver des informations sur le fonctionnement de la mobilité interne assistée par l'IA dans notre entreprise.
  • Q4. Je peux distinguer dans le processus ce qui relève d'une suggestion de l'IA et ce qui relève d'une décision humaine.
  • Q5. Je sais quelles étapes de la mobilité interne sont entièrement menées par des humains et lesquelles sont assistées par l'IA.
  • Q6. Je me sens à l'aise pour poser des questions sur l'influence du matching par IA sur les mobilités internes.

Bloc 2 : Transparence et contrôle (collaborateurs)

  • Q7. Je peux voir quelles compétences ou expériences le système d'IA a utilisées pour me proposer un poste ou un projet.
  • Q8. Je peux corriger ou mettre à jour mon profil de compétences sans friction inutile.
  • Q9. Je peux influencer les opportunités que l'IA me montre (par ex. centres d'intérêt, lieu, charge de travail).
  • Q10. Je sais comment améliorer les futures suggestions de l'IA (par ex. mises à jour du profil, préférences).
  • Q11. Il existe une option claire pour exclure certaines données du matching par IA.
  • Q12. J'ai suffisamment de contrôle sur mes données pour faire confiance au matching assisté par l'IA.

Bloc 3 : Qualité et pertinence des suggestions (collaborateurs)

  • Q13. Les postes ou projets suggérés par l'IA correspondent à mes compétences et à des étapes suivantes réalistes.
  • Q14. Les suggestions de l'IA m'aident à découvrir des opportunités que je n'aurais pas trouvées seul(e).
  • Q15. L'explication « pourquoi cela m'a-t-il été proposé ? » est assez claire pour agir.
  • Q16. Les suggestions de l'IA reflètent mes préférences déclarées (par ex. fonction, type d'équipe, télétravail/hybride).
  • Q17. Je peux savoir si une suggestion est une opportunité d'évolution ambitieuse ou une correspondance proche.
  • Q18. L'outil de matching par IA me fait gagner du temps par rapport à une recherche manuelle.

Bloc 4 : Perception de l'équité et des biais (collaborateurs)

  • Q19. La mobilité interne assistée par l'IA me semble équitable entre les équipes et les services.
  • Q20. Les suggestions de l'IA ne favorisent pas les collaborateurs déjà bien connectés en interne.
  • Q21. Je pense que le matching par IA ne désavantage pas les collaborateurs à temps partiel ou aux horaires flexibles.
  • Q22. Je pense que le matching par IA ne désavantage pas les collaborateurs en télétravail par rapport à ceux qui travaillent au bureau.
  • Q23. Lorsque les suggestions de l'IA semblent erronées, il existe un moyen équitable de corriger le processus.
  • Q24. Je suis convaincu(e) que des relecteurs humains remettent en question les résultats de l'IA lorsqu'ils ne sont pas justes.

Bloc 5 : Sécurité psychologique et comportement des managers (collaborateurs)

  • Q25. Je me sens en sécurité pour explorer des opportunités internes sans risquer de conséquences négatives dans mon équipe actuelle.
  • Q26. Mon manager soutient les mobilités internes, même lorsqu'elles créent des manques de ressources à court terme.
  • Q27. Je peux parler ouvertement des opportunités suggérées par l'IA lors de mes entretiens individuels.
  • Q28. Je ne crains pas que les signaux du matching par IA (par ex. « intérêt pour la mobilité ») nuisent à ma réputation.
  • Q29. Si je décline des opportunités suggérées par l'IA, je ne ressens aucune pression cachée.
  • Q30. Je suis convaincu(e) que les décisions de mobilité interne sont expliquées avec respect et de manière cohérente.

Bloc 6 : Données et vie privée (collaborateurs)

  • Q31. Je sais quelles données des collaborateurs sont utilisées pour le matching par IA (compétences, parcours, données de formation, etc.).
  • Q32. Je sais qui peut voir mes signaux de mobilité liés à l'IA (manager, RH, équipe talents).
  • Q33. Je suis convaincu(e) que les droits d'accès empêchent une visibilité inutile d'informations sensibles.
  • Q34. Je suis convaincu(e) que les données du matching par IA ne sont conservées que le temps nécessaire.
  • Q35. Je sais comment demander la rectification ou la suppression des données utilisées pour le matching assisté par l'IA.
  • Q36. Je pense que les attentes de notre comité d'entreprise / Betriebsrat concernant la mobilité assistée par l'IA sont respectées.

Bloc 7 : Impact global (collaborateurs)

  • Q37. L'assistance de l'IA rend la mobilité interne plus transparente qu'auparavant.
  • Q38. L'assistance de l'IA rend la mobilité interne accessible à un plus grand nombre de collaborateurs.
  • Q39. L'assistance de l'IA me motive à développer des compétences en vue de futures opportunités internes.
  • Q40. L'assistance de l'IA m'aide à comprendre quelles compétences développer ensuite.
  • Q41. L'assistance de l'IA réduit les décisions d'affectation « en coulisses » que les collaborateurs ne peuvent pas voir.
  • Q42. Globalement, la mobilité interne assistée par l'IA améliore mon expérience collaborateur.

Bloc 8 : Prise en main et maîtrise de l'outil (managers/HRBP)

  • Q43. Je comprends suffisamment bien le fonctionnement du matching par IA pour l'expliquer aux collaborateurs.
  • Q44. Je sais quelles sources de données alimentent l'outil de matching par IA (SIRH, profils de compétences, historique de formation, projets).
  • Q45. J'ai reçu une formation pratique à l'usage responsable du matching par IA dans les décisions de mobilité.
  • Q46. Je sais ce que je ne dois pas faire des résultats de l'IA (par ex. les traiter comme des décisions définitives).
  • Q47. Je sais où trouver les politiques et les circuits d'escalade pour les questions relatives au matching par IA.
  • Q48. Je me sens à l'aise pour répondre aux préoccupations des collaborateurs concernant l'IA et la mobilité interne.

Bloc 9 : Efficacité des processus (managers/HRBP)

  • Q49. Le matching assisté par l'IA réduit le temps que je consacre aux affectations et aux recherches de postes en interne.
  • Q50. Les suggestions de l'IA s'intègrent bien dans notre revue des talents ou notre processus d'affectation.
  • Q51. Les suggestions de l'IA réduisent le nombre de candidatures qui ne correspondent pas.
  • Q52. Le matching par IA nous aide à identifier plus tôt les candidats internes dans le processus d'affectation.
  • Q53. L'outil soutient la planification des successions en rendant les viviers et les candidats potentiels plus visibles.
  • Q54. L'effort administratif pour tenir à jour les données de compétences est raisonnable pour les managers et les équipes.

Bloc 10 : Qualité du matching (managers/HRBP)

  • Q55. Le matching par IA fait ressortir des talents « cachés » au-delà des réseaux internes habituels.
  • Q56. Les suggestions de l'IA sont cohérentes avec les exigences du poste et des attentes de performance réalistes.
  • Q57. Les explications de l'IA (« pourquoi cette personne a-t-elle été proposée ? ») sont assez claires pour des échanges de suivi.
  • Q58. Les suggestions de l'IA soutiennent les mobilités latérales et les évolutions, pas seulement les promotions.
  • Q59. Le matching par IA fonctionne pour l'affectation sur des projets et les missions de courte durée, pas seulement pour des postes permanents.
  • Q60. J'ai vu des cas où le matching par IA a amélioré un résultat de mobilité pour l'entreprise.

Bloc 11 : Gouvernance et garde-fous (managers/HRBP)

  • Q61. Nous avons des règles claires sur les décisions pouvant s'appuyer sur l'IA et celles qui ne le peuvent pas.
  • Q62. Nous avons un processus clair pour contester les résultats de l'IA qui semblent biaisés ou incorrects.
  • Q63. Nous documentons quand l'IA a été utilisée et quel jugement humain a été appliqué.
  • Q64. La responsabilité est claire : il y a toujours un responsable humain de la décision finale.
  • Q65. Les accès aux données et les autorisations pour le matching par IA sont clairs et appliqués de manière cohérente.
  • Q66. Notre accord d'entreprise / politique interne couvre la mobilité assistée par l'IA de manière concrète.

Évaluations globales (0-10, de type NPS)

  • R1 (collaborateurs). Dans quelle mesure faites-vous confiance au matching assisté par l'IA pour vous traiter équitablement dans la mobilité interne ? (0-10)
  • R2 (collaborateurs). Dans quelle mesure les suggestions fondées sur l'IA sont-elles utiles pour votre projet de carrière ? (0-10)
  • R3 (collaborateurs). Dans quelle mesure comprenez-vous pourquoi vous avez reçu certaines suggestions de l'IA ? (0-10)
  • R4 (managers/HRBP). Dans quelle mesure faites-vous confiance au matching assisté par l'IA pour être équitable entre les groupes de collaborateurs ? (0-10)
  • R5 (managers/HRBP). Dans quelle mesure le matching par IA est-il utile pour les affectations, les revues des talents et les discussions sur les successions ? (0-10)
  • R6 (managers/HRBP). Dans quelle mesure êtes-vous à l'aise pour expliquer la mobilité assistée par l'IA aux collaborateurs et au comité d'entreprise ? (0-10)

Questions ouvertes

  • O1 (tous). Décrivez une situation où les suggestions fondées sur l'IA ont amélioré un résultat de mobilité interne.
  • O2 (tous). Où l'IA rend-elle aujourd'hui la mobilité interne plus difficile, plus lente ou plus confuse ?
  • O3 (collaborateurs uniquement). Quelles informations vous aideraient à faire davantage confiance aux suggestions de l'IA ?
  • O4 (collaborateurs uniquement). Qu'est-ce qui vous inquiète le plus à propos de l'IA dans la mobilité interne : l'équité, la vie privée, les réactions des managers ou autre chose ?
  • O5 (collaborateurs uniquement). Quelles données ne devraient jamais être utilisées pour le matching par IA dans notre entreprise, et pourquoi ?
  • O6 (managers/HRBP uniquement). Quels garde-fous ou politiques manquent pour une mobilité assistée par l'IA responsable ?
  • O7 (managers/HRBP uniquement). Quelle formation vous aiderait à mieux utiliser le matching par IA dans les affectations et les revues des talents ?

Comment mener l'enquête sur la mobilité interne assistée par l'IA : calendrier et échantillonnage

Lancez l'enquête une fois que les collaborateurs ont fait leurs premières expériences réelles avec l'outil d'IA, et non juste après l'e-mail de lancement. Un bon déclencheur : « Les collaborateurs ont reçu des suggestions et ont eu au moins deux semaines pour y donner suite », ou « Une revue des talents a utilisé au moins une fois des suggestions de l'IA ». Dans les contextes DACH, associez tôt le comité d'entreprise et le délégué à la protection des données, car les problèmes de confiance apparaissent plus vite lorsque les collaborateurs soupçonnent une évaluation de performance cachée.

  1. Définissez la population pilote et les groupes minimaux de restitution (n ≥ 10 par segment).
  2. Envoyez l'enquête 10 à 14 jours après les premières suggestions de l'IA ; gardez-la ouverte 7 jours.
  3. Analysez en ≤ 10 jours ; publiez les principaux constats et les prochaines étapes en ≤ 21 jours.
  4. Mettez en œuvre les correctifs en ≤ 45 jours ; menez un court pulse (12 à 15 items).
  5. Ne décidez du passage à l'échelle que si la vague 2 montre une confiance stable ou en progression.

Gardez votre premier pilote bien délimité : 1 à 3 unités opérationnelles, une région, un cas d'usage clair (postes, projets, missions ponctuelles ou mentorat). Menez ensuite l'enquête en deux vagues : vague 1 après la première expérience de matching ; vague 2 après avoir livré au moins un ou deux changements visibles. C'est cette deuxième vague qui montre si la confiance et l'équité perçue peuvent réellement évoluer. Si la participation tombe sous 60 % dans un pilote, considérez-le aussi comme un signal : les gens ne se sentent peut-être pas en sécurité, ou ne croient pas que leur retour changera quoi que ce soit.

Scoring et interprétation : à quoi ressemble un « bon » résultat par dimension

Calculez le score par dimension, pas par item individuel. Vous voulez savoir si vous avez un problème de transparence, d'équité ou de sécurité. Associez cela aux items d'impact global (Q37-Q42) pour éviter l'optimisation locale : la transparence peut augmenter alors que la pertinence reste faible, et les collaborateurs n'utiliseront toujours pas l'outil.

DimensionQuestionsSignal sainSignal d'alerte
Connaissance & compréhensionQ1–Q6, Q43–Q48Moy. ≥ 4,0 ; faible variance entre les équipesMoy. < 3,5 ou managers ≥ 0,4 point au-dessus des collaborateurs
Transparence & contrôleQ7–Q12Moy. ≥ 3,9 et R3 ≥ 7,0Q7 ou Q11 < 3,2, ou R3 < 6,5
Qualité & pertinenceQ13–Q18, Q55–Q60Moy. ≥ 3,8 et R2/R5 ≥ 7,0Q15 < 3,3 (explications faibles) ou Q13 < 3,3 (faible adéquation)
Équité & biaisQ19–Q24Moy. ≥ 3,9 ; écarts entre groupes < 0,3Moy. < 3,4 ou écart entre groupes ≥ 0,5
Sécurité psychologiqueQ25–Q30, Q61–Q66Moy. ≥ 4,0 et Q26 ≥ 3,8Q25 ou Q28 < 3,5, ou écart d'optimisme des managers ≥ 0,4
Confiance dans les données & la vie privéeQ31–Q36, Q65–Q66Moy. ≥ 4,0 et Q32 ≥ 3,8Q32 < 3,3 (visibilité floue) ou Q34 < 3,5 (inquiétudes sur la conservation)
Impact globalQ37–Q42Moy. ≥ 3,9 ; progression ≥ 0,2 entre les vaguesStable ou en baisse après les correctifs

Un écart entre groupes ≥ 0,5 entre temps partiel et temps plein, télétravail et bureau, ou entre différents sites doit être traité comme un défaut de produit, jusqu'à preuve du contraire. Ne débattez pas de l'intention : cherchez la cause racine.

Mesures correctives : que faire quand les scores sont bas

Évitez le réflexe de désactiver l'IA. Les collaborateurs et les managers demandent en général des limites plus claires, pas moins de technologie. Les correctifs les plus efficaces sont opérationnels : de meilleures explications, une meilleure qualité des données et de meilleures conversations avec les managers. La logique suivante associe chaque signal à la bonne mesure :

  1. Si la transparence est faible (Q7-Q12) : corrigez d'abord les explications et les contrôles utilisateur.
  2. Si la pertinence est faible (Q13-Q18) : corrigez les exigences des postes et la qualité des données de compétences.
  3. Si l'équité est faible (Q19-Q24) : réalisez des audits d'écarts entre groupes et ajustez les règles de matching.
  4. Si la sécurité est faible (Q25-Q30) : accompagnez les managers et protégez les signaux d'exploration de la mobilité.
  5. Si la confiance dans la vie privée est faible (Q31-Q36) : clarifiez les autorisations, la conservation et les journaux d'accès.

Les managers ont besoin de trames : comment parler des suggestions de l'IA, que dire quand elles sont erronées et comment encourager les mobilités internes sans pénaliser la curiosité. Le guide de formation des managers à l'IA est une référence pratique pour ce que les managers doivent faire autrement dans les entretiens individuels, les évaluations et les décisions lorsque l'IA est présente.

Modèles d'enquête selon les phases

Vous n'avez pas besoin de tous les items à chaque fois. Utilisez la banque complète une fois, puis passez à un court pulse qui suit les mêmes dimensions. Cela simplifie aussi la concertation avec le comité d'entreprise : moins de questions, un objectif plus clair, une action plus rapide.

ModèleQuand l'utiliserPublicItems recommandésLongueur cible
(a) Collaborateurs après la première vague pilote10 à 14 jours après les premières suggestions de l'IACollaborateurs du piloteQ1–Q6, Q7–Q12, Q13–Q18, Q19–Q24, Q25–Q30, Q37–Q42 + R1–R3 + O3–O518 à 22 items
(b) Managers/HRBP après une revue des talents3 à 10 jours après une revue des talents assistée par l'IAManagers + HRBPQ43–Q48, Q49–Q54, Q55–Q60, Q61–Q66 + R4–R6 + O6–O718 à 22 items
(c) Court pulse combiné pendant le piloteToutes les 6 à 8 semaines pendant le piloteTousCollaborateurs : Q7, Q13, Q19, Q25, Q32, Q37 + R1/R2 ; managers : Q43, Q55, Q62 + R4/R512 à 15 items
(d) Suivi après le déploiement6 à 12 mois après le passage à l'échelleTousNoyau de toutes les dimensions : Q1-Q42 + blocs managers Q43-Q66 + R1-R620 à 28 items

Gouvernance DACH : comité d'entreprise et protection des données en pratique

Dans l'espace DACH, la légitimité perçue compte autant que la qualité du modèle. Les collaborateurs se demanderont : « Qui voit cela ? » « Cela peut-il me nuire ? » « Est-ce un signal de performance caché ? » Répondez à ces questions par écrit avant l'envoi de l'enquête.

Codétermination en droit du travail allemand

Les systèmes de matching par IA qui influencent les décisions d'affectation interne relèvent des droits de codétermination du comité d'entreprise au titre du § 87 al. 1 n° 6 BetrVG lorsque le système est objectivement apte à surveiller le comportement ou la performance des salariés, que l'employeur ait ou non l'intention de l'utiliser à cette fin. Selon la jurisprudence constante du Tribunal fédéral du travail (BAG), l'aptitude objective à surveiller suffit à déclencher la codétermination. Un accord d'entreprise (Dienstvereinbarung) doit définir la finalité, les sources de données, les droits d'accès, le pouvoir de décision humain et les voies d'escalade.

Règlement européen sur l'IA : classification à haut risque à partir de décembre 2027

Les systèmes d'IA qui influencent les décisions en matière d'emploi, y compris le matching interne de postes et l'affectation fondée sur les compétences, sont classés à haut risque selon l'annexe III du règlement européen sur l'IA (EU AI Act). Les principales obligations des déployeurs s'appliquent à partir du 2 décembre 2027 (reportées depuis août 2026 par le Digital Omnibus on AI) : évaluations des risques, documentation, surveillance humaine et, en vertu de l'article 86 du règlement européen sur l'IA, le droit des salariés de demander une explication pour les décisions influencées par un système d'IA à haut risque. Informez les collaborateurs et les comités d'entreprise avant de déployer le système.

Checklist RGPD pour l'enquête

  • Aucun résultat ventilé en dessous de n ≥ 10 par groupe ; aucune vue par équipe pour les groupes de 3 personnes ou moins.
  • Relisez et expurgez les identifiants des commentaires en texte libre avant de les partager avec un manager.
  • Intégrez le système de matching par IA à votre registre des activités de traitement (documentation de l'art. 30 RGPD).
  • Définissez un circuit d'escalade pour les préoccupations d'équité : HRBP, DPO ou un canal commun RH-comité d'entreprise ; première réponse en ≤ 7 jours.
  • Associez le comité d'entreprise avant l'enquête pilote : partagez la finalité, les items exacts, les règles d'anonymat et les personnes qui voient les résultats.

Si vous menez déjà des dispositifs structurés d'écoute des collaborateurs, réutilisez vos modèles de gouvernance existants. Le guide des modèles d'enquêtes auprès des collaborateurs contient une checklist comité d'entreprise et RGPD directement adaptable aux retours sur la mobilité par IA.

Responsabilités et suivi

Traitez le suivi comme un processus opérationnel. Répartissez les signaux par thème : les managers sont responsables de la sécurité psychologique et du soutien à la mobilité au niveau de l'équipe ; les RH de la clarté des processus, de la communication et du développement des compétences ; l'IT/SIRH des modifications de l'outil ; le DPO et les partenaires du comité d'entreprise des sujets de vie privée et de codétermination.

Signal / domaine d'itemsSeuilAction recommandéeResponsableDélai
Connaissance & compréhension (Q1-Q6, Q43-Q48)Moy. < 3,5Publier une FAQ d'une page « Le matching par IA expliqué » + un point d'information de 30 min par équipeRH (People Ops)Version initiale ≤ 14 jours ; points d'information ≤ 30 jours
Transparence & contrôle (Q7-Q12)Moy. < 3,2 ou R3 < 6,5Ajouter des explications « pourquoi cette suggestion » + un processus de correction du profilRH (Talents) + IT/SIRHBacklog ≤ 21 jours ; première livraison ≤ 60 jours
Qualité & pertinence (Q13-Q18)Moy. < 3,3 ou R2/R5 < 6,5Auditer les exigences des postes + actualiser la taxonomie des compétences pour les 10 principaux postes du piloteResponsables de postes + RH (Compétences)Audit ≤ 14 jours ; profils mis à jour ≤ 45 jours
Équité (Q19-Q24)Moy. < 3,4 ou écart entre groupes ≥ 0,5Audit des écarts entre groupes + ajustement des règles de matching et des étapes de relecture humaineRH (People Analytics) + DPOAnalyse ≤ 21 jours ; mesures correctives validées ≤ 45 jours
Sécurité psychologique (Q25-Q30)Moy. < 3,5 ou Q26 < 3,2Accompagnement des managers : trames de conversation sur la mobilité + engagement « aucune représailles »Dirigeants opérationnels + HRBPTrames ≤ 14 jours ; sessions managers ≤ 30 jours
Confiance dans la vie privée (Q31-Q36, Q65-Q66)Moy. < 3,6 ou Q32 < 3,3Clarifier les autorisations, la conservation et les journaux d'accès ; mettre à jour l'accord d'entreprise si nécessaireDPO + RH (Compliance) + comité d'entrepriseClarifications ≤ 30 jours ; mise à jour de la politique ≤ 90 jours

Délais de réponse : ≤ 24 heures pour tout commentaire signalant des représailles ou un usage abusif des données ; ≤ 7 jours pour accuser réception des préoccupations d'équité et présenter les prochaines étapes ; ≤ 30 jours pour publier un plan d'action concret avec responsables et échéances.

Pour évaluer équitablement les décisions de mobilité, des processus de calibration structurés sont essentiels. Le guide de la calibration des talents propose un modèle pratique pour les standards de poste, les exigences de preuves et la documentation des décisions, qui se combine bien avec les suggestions assistées par l'IA.

Conclusion

La mobilité interne assistée par l'IA peut accélérer le matching et faire émerger des talents cachés, mais seulement si les collaborateurs et les managers font confiance au processus. Ces questions d'enquête sur la mobilité interne assistée par l'IA vous donnent trois signaux exploitables : des alertes précoces lorsque la transparence ou la sécurité psychologique se dégrade, des bases plus claires pour les échanges entre collaborateurs et managers sur les évolutions de carrière, et des priorités pour améliorer la qualité des données, la gouvernance et les processus.

Commencez petit et concret : un groupe pilote, les modèles (a) et (b) dans votre outil d'enquête, des responsables du suivi désignés avant l'envoi de la première invitation. Engagez-vous à publier les résultats et les changements en ≤ 30 jours. Lorsque les collaborateurs voient que les retours conduisent à de meilleures explications, à des autorisations plus claires et à des comportements de managers différents, l'adoption suit comme un effet de la confiance.

FAQ

À quelle fréquence faut-il mener cette enquête ?

Pour les pilotes : vague 1 environ 10 à 14 jours après les premières suggestions de l'IA reçues par les collaborateurs, puis un court pulse après la livraison des correctifs (en général 6 à 8 semaines plus tard). Après le déploiement, menez un pulse combiné toutes les 6 à 8 semaines pendant les six premiers mois, puis chaque année ou après des modifications importantes du système de matching.

Que faire lorsque les scores sont très bas (par ex. moyenne inférieure à 3,0) ?

Considérez une moyenne inférieure à 3,0 comme un signal d'arrêt et de correction. Suspendez le passage à l'échelle, identifiez la dimension défaillante (transparence, équité, sécurité ou vie privée) et mettez en œuvre un changement visible en ≤ 45 jours. Publiez ce qui a changé. Relancez ensuite uniquement les items du pulse central pour cette dimension. Si les scores restent bas après deux vagues, reconsidérez le cas d'usage ou l'approche de gouvernance.

Comment traiter les commentaires critiques sur les biais ou les représailles ?

Séparez deux voies : (1) l'apprentissage agrégé pour améliorer le processus et (2) le traitement des risques individuels. Pour tout commentaire évoquant des représailles, une discrimination ou un usage abusif des données, répondez en ≤ 24 heures via votre canal habituel de relations sociales. Pour les préoccupations de biais, accusez réception en ≤ 7 jours, expliquez les étapes de vérification et partagez le plan de remédiation. Préservez l'anonymat et expurgez les identifiants avant de partager les réponses en texte libre.

Comment se mettre en conformité avec les exigences du comité d'entreprise et du RGPD ?

Associez le comité d'entreprise avant l'enquête pilote, et non après les plaintes. Partagez la finalité de l'enquête, les items exacts, les règles d'anonymat (n ≥ 10) et les personnes qui peuvent voir les résultats. Expliquez les flux de données, la conservation et les droits d'accès pour le matching par IA comme pour les données de l'enquête, et documentez-les dans un accord d'entreprise. Pour le cadre juridique, le Règlement général sur la protection des données (RGPD) régit le traitement des données et, à partir de décembre 2027, le règlement européen sur l'IA ajoute des obligations de transparence et d'explication pour les systèmes à haut risque dans le contexte de l'emploi.

Quelles questions fonctionnent le mieux pour un court pulse entre deux enquêtes complètes ?

Pour un pulse de 10 à 12 items : un item par dimension centrale, Q7 (transparence), Q13 (pertinence), Q19 (équité), Q25 (sécurité), Q32 (vie privée), Q37 (impact global), plus R1 et R2 pour les collaborateurs et Q43 et Q55 pour les managers. Ajoutez O1 et O2 comme questions ouvertes. Cela préserve la comparabilité des tendances tout en limitant l'effort.

Quelle est la différence avec une enquête générale sur la mobilité interne ?

Une enquête générale sur la mobilité interne mesure la visibilité, l'équité, le soutien des managers et des RH, la préparation en compétences et l'expérience de la mobilité. Cette extension spécifique à l'IA ajoute : la compréhension du processus de matching par IA, la transparence des données et de l'algorithme, la qualité de la gouvernance et la confiance particulière accordée à l'aide à la décision algorithmique. Les deux outils se complètent : l'enquête générale comme base, celle-ci comme couche spécifique à l'IA pour les groupes pilotes.

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 d'enquête sur l'engagement des collaborateurs (PDF, en allemand)
Vidéo
Engagement et fidélisation des collaborateurs
Modèle d'enquête sur l'engagement des collaborateurs (PDF, en allemand)
Modèle de PDI gratuit (Excel) : objectifs SMART et évaluation des compétences
Vidéo
Gestion de la performance
Modèle de PDI gratuit (Excel) : objectifs SMART et évaluation des compétences

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.