Vous demandez à une intelligence artificielle d’analyser un rapport, de comparer des pratiques de rémunération ou de préparer une recommandation. Quelques secondes plus tard, la réponse arrive. Elle est structurée, précise, convaincante. Vous gagnez du temps. Mais avez-vous suffisamment d’éléments pour lui faire confiance?
Pour les professionnelles et professionnels des RH, cette question mérite de devenir un réflexe. Une information erronée peut influencer une embauche, une intervention auprès d’une équipe ou une décision salariale. Et même une information exacte peut mener à une mauvaise recommandation si elle est mal interprétée ou appliquée au mauvais contexte.
Distinguer le vrai du faux commence par comprendre les limites de l’outil.
Une IA générative peut produire des affirmations inexactes avec assurance, voire inventer des références. La qualité de la rédaction ne garantit pas celle de l’information. Et demander « Es-tu certaine? » peut susciter une nouvelle réponse, sans apporter de preuve supplémentaire. La qualité apparente de la réponse peut faussement nous sécuriser.
Notre expertise RH devient alors essentielle. Elle nous aide à reconnaître une incohérence, à repérer un élément manquant et à poser les bonnes questions. Encore faut-il entretenir nos connaissances et reconnaître leurs limites. Si nous ne maîtrisons pas suffisamment un sujet pour évaluer la réponse, une validation auprès d’une personne qualifiée s’impose. Avec l’IA, de nombreux sujets connexes à notre expertise semblent accessibles et sont présentés de manière crédible et logique. Mais si nous ne maîtrisons pas ces sujets, il devient très difficile d’en évaluer la pertinence. Une relecture attentive ne remplace pas l’expertise nécessaire.
Il faut ensuite examiner le chemin entre les données et la conclusion.
Imaginons que l’IA analyse des départs volontaires. De nombreuses affirmations ou conclusions pourraient devoir être validées. « Le taux de départ a augmenté » est un constat à vérifier. « Le personnel est désengagé » est une interprétation. « Les départs continueront d’augmenter » est une prédiction. « Il faut revoir la rémunération » est une recommandation. Chaque étape exige des éléments supplémentaires. Une hausse réelle des départs ne suffit pas à démontrer que les salaires sont en cause. L’IA fournit donc des pistes de réflexion, mais seule l’expertise professionnelle permet d’en valider la pertinence.
Le bon réflexe consiste à se demander : « Quelles autres explications sont possibles? Quelles informations sont manquantes pour pouvoir réellement tirer des conclusions? » Nous pouvons aussi demander à l’IA de distinguer explicitement les faits documentés, les hypothèses et les recommandations. Ce travail facilite notre examen; il restera quand même à vérifier les éléments avancés.
La vérification passe par les sources originales.
Pour chaque affirmation clé, déterminante, nous devrions ouvrir et consulter le document cité. Existe-t-il? Soutient-il réellement la conclusion? Est-il à jour? Sur quelle population et quelle méthode repose-t-il? Plusieurs articles peuvent reprendre une même étude : leur nombre ne constitue pas pour autant une confirmation de leur validité. De même, l’accord d’une deuxième IA ne suffit pas à valider la première. Les IA sont toutes entraînées à prévoir des réponses en identifiant des schémas récurrents dans des corpus d’entraînement qui partagent souvent les mêmes sources, les mêmes erreurs et les mêmes biais.
Des chercheuses et chercheurs de l’Université de Stanford ont développé, il y a quelques années, la méthode de lecture latérale qui consiste à réaliser une validation croisée ou transversale des affirmations sur le Web. À l’ère de l’IA générative, cette méthode n’est plus une option, c’est une nécessité!
La compréhension des données (la littératie des données) compte aussi. Dix commentaires négatifs dans un sondage ne représentent pas nécessairement dix personnes différentes. Une moyenne peut masquer des écarts importants entre les équipes. Avant d’accepter une analyse, vérifions les calculs, les données manquantes et la représentativité des réponses. Demandons-nous également si les critères utilisés risquent de défavoriser certaines personnes.
Nos propres biais méritent la même attention.
Une réponse qui confirme notre intuition peut nous sembler particulièrement crédible : c’est le biais de confirmation. Avant de consulter l’IA, prenons quelques minutes pour formuler notre analyse et préciser ce qui pourrait la remettre en question. Puis cherchons des éléments contradictoires. Au lieu de demander comment justifier un retour au bureau, examinons les effets possibles de différentes modalités de travail selon les besoins de l’organisation.
La lecture détaillée du contexte demeure essentielle. Parfois, une pratique peut être pertinente dans une organisation mais ne pas convenir à notre milieu. La compréhension du contexte est une force humaine et une limite pour l’IA. En fait, l’IA possède une vision généraliste de l’organisation, alors que vous possédez une vision contextualisée : l’historique de l’entreprise, la personnalité des parties prenantes, les ressources disponibles, le climat de travail et la réalité du travail doivent entrer dans l’analyse. Un échange avec les personnes concernées peut aussi révéler une contrainte que les documents transmis à l’IA ne contenaient pas.
Plus les conséquences sont importantes, plus la vérification doit être approfondie.
Reformuler une publication sur les réseaux sociaux et recommander une mesure disciplinaire exigent des contrôles différents. Les lignes directrices de l’Ordre des CRHA, publiées en juin 2026, rappellent notamment l’importance de vérifier les sources, d’exercer son jugement et de documenter sa démarche. Nous devons pouvoir expliquer les motifs de notre recommandation et les incertitudes qui subsistent.
Dès votre prochaine utilisation, choisissez les affirmations qui influencent le plus votre décision. Pour chacune d’elles, notez la preuve vérifiée, ce qui demeure incertain et la conséquence possible d’une erreur. Si les éléments sont insuffisants, poursuivez la vérification avant d’agir. C’est dans cette capacité à examiner une réponse, à la nuancer et à en assumer l’utilisation que notre jugement professionnel prend toute sa valeur.
