Évaluer en permanence n'est pas la même chose que mieux comprendre
Pendant des décennies, l'industrie de l'aviation a mesuré la compétence d'un pilote à l'aide de deux indicateurs : les heures accumulées en cabine et le type d'appareil certifié. Ces mesures étaient coûteuses à obtenir, difficiles à falsifier et raisonnablement prédictives. Le système n'était pas parfait, mais il possédait une vertu que peu d'organisations reconnaissent à sa juste valeur : il savait exactement ce qu'il mesurait et dans quel but.
Aujourd'hui, un nombre croissant d'entreprises migre vers des systèmes d'évaluation continue des performances, souvent propulsés par l'intelligence artificielle, sous la promesse que mieux connaître leurs employés, et plus fréquemment, leur permettra de prendre de meilleures décisions en matière de talents, de formation et de structure organisationnelle. La promesse est séduisante. Le problème est que la fréquence de mesure n'équivaut pas à la profondeur de compréhension, et cette confusion a des conséquences stratégiques que peu d'entreprises calculent correctement.
Un article récent de la Harvard Business Review, signé par Sangeet Paul Choudary et John Winsor, deux personnalités dont les travaux portent de façon soutenue sur l'intersection entre l'intelligence artificielle et la conception organisationnelle, pose cette tension de manière directe. Leur argument de départ est précis : l'avancée de l'IA est en train de redessiner la division du travail entre les individus et les machines à une vitesse que les instruments traditionnels — titres de poste, curriculum vitæ, évaluations annuelles — ne peuvent pas suivre. Ce qu'ils proposent en alternative, ce sont des systèmes d'évaluation continue capables de saisir les compétences de façon dynamique et de les connecter à des décisions de formation, de mobilité interne et de planification des effectifs. Ils ont raison dans leur diagnostic. Le débat commence lorsqu'on examine l'architecture réelle de cette solution.
Ce que l'évaluation continue résout et ce qu'elle ne peut pas résoudre
L'argument en faveur des systèmes d'évaluation continue n'est pas sans fondement. Les données sur les révisions annuelles traditionnelles sont, pour le dire avec précision, dévastatrices en termes d'efficacité. Une entreprise de cent personnes consacre environ 5 500 heures par an aux processus formels d'évaluation des performances, sans compter le temps que les employés eux-mêmes investissent dans les autoévaluations. Cela équivaut à près de trois postes à temps plein absorbés par un rituel que, selon des recherches récentes, 35 % des employés perçoivent comme inéquitable et qui génère suffisamment d'anxiété pour qu'un employé sur cinq prenne un congé maladie le jour de l'évaluation.
Si le modèle que l'on cherche à remplacer produit ce niveau de friction et de méfiance, la nécessité du changement n'appelle pas de plus ample argumentation. C'est précisément là que les systèmes d'évaluation continue offrent quelque chose de genuinement précieux : la possibilité de convertir les données issues du travail réel en signaux précoces sur les lacunes en compétences, d'identifier des talents que les circuits formels n'auraient jamais rendus visibles, et d'ajuster la planification des effectifs avant qu'une crise de capacité ne devienne irréversible.
L'efficacité dispose également d'un argument en sa faveur du point de vue du temps managérial. Si l'intelligence artificielle peut automatiser la collecte et l'analyse préliminaire des données de performance, les dirigeants cessent d'opérer comme des archivistes d'évaluations pour devenir des coachs stratégiques. Cette libération de temps n'est pas marginale : les organisations qui ont investi dans la formation accélérée de leurs équipes rapportent que les dirigeants récupèrent des heures significatives autrefois consacrées à répondre à des interrogations opérationnelles de faible valeur.
Mais le système présente une limite structurelle que le discours sur les données continues tend à occulter. Mesurer plus fréquemment ne résout pas le problème de ce que l'on mesure. Si les indicateurs captés par l'IA reflètent principalement la vitesse de réponse, le volume de production ou l'exécution de tâches routinières, l'évaluation continue ne produit pas une image plus riche du collaborateur : elle produit une image plus granulaire de ses activités les plus superficielles. La différence entre ces deux représentations est, sur le plan stratégique, considérable.
Il existe par ailleurs un risque que les chercheurs en gestion des talents ont identifié avec une clarté croissante : lorsque les systèmes d'évaluation sont directement connectés à des objectifs de performance ambitieux et que le suivi est constant, l'effet produit n'est pas une motivation durable, mais un rétrécissement du champ d'attention. Les équipes cessent d'expérimenter, renoncent à prendre les risques nécessaires à l'apprentissage, et concentrent leur énergie sur les indicateurs qu'elles savent être observés. Le résultat, documenté dans des recherches portant sur les objectifs de haute performance, est que le court terme semble satisfaisant tandis que le moyen terme se dégrade silencieusement.
Le vrai problème n'est pas la technologie, c'est la finalité du système
Une entreprise peut implémenter le système d'évaluation continue le plus sophistiqué du marché et demeurer incapable de répondre à une question opérationnelle fondamentale : pourquoi mesure-t-elle ce qu'elle mesure. Ce n'est pas une critique de l'outil. C'est une observation sur la différence entre installer une infrastructure et construire une capacité de décision.
Cette distinction est importante parce que les systèmes d'évaluation continue ne sont pas neutres. Ils produisent des conséquences culturelles qui dépendent directement de la façon dont ils sont conçus et des signaux qu'ils envoient aux employés sur ce que l'organisation valorise. Si le système collecte des données sans les transformer en conversations de développement concrètes, ce que les employés reçoivent n'est pas du feedback : c'est de la surveillance. Et la surveillance, même lorsqu'elle est bien intentionnée, a un effet prévisible sur la sécurité psychologique des équipes.
Des recherches en comportement organisationnel ont montré que lorsqu'on demande à des individus d'offrir un retour sur la performance d'un collègue, la qualité de ce retour s'améliore notablement si la demande est formulée comme une sollicitation de conseil plutôt que comme une évaluation. Le conseil est orienté vers l'avenir, génère des recommandations concrètes et active une disposition à aider. L'évaluation regarde en arrière et active des mécanismes de défense. Pour qu'un système d'évaluation continue produise un développement réel, les interactions humaines qui entourent les données doivent être conçues avec cette logique, et pas seulement les tableaux de bord analytiques.
Il existe également une dimension de gouvernance que les organisations sous-estiment. À mesure que les systèmes d'IA gagnent du terrain dans l'évaluation des personnes, la question de la façon dont les scores sont générés, des biais contenus dans les algorithmes entraînés sur des données historiques, et des droits que les employés ont sur cette information devient inévitable. Ce n'est pas une question réglementaire abstraite : c'est une question de confiance opérationnelle. Un employé qui ne comprend pas comment il a été évalué par un système automatisé ne peut pas corriger ses comportements de manière significative. Il peut, en revanche, apprendre à optimiser les indicateurs visibles tout en cessant de prêter attention à ceux que le système ne capte pas.
Les organisations qui mettent en œuvre ces systèmes sans une architecture de transparence et d'explicabilité accumulent une dette de confiance qui finit par se payer en termes de rétention, de collaboration et de disposition à apprendre.
Quand la fréquence de mesure remplace le jugement stratégique
Il existe une logique implicite dans l'adoption massive des systèmes d'évaluation continue qui mérite d'être examinée avec attention. Cette logique affirme que si l'on dispose de plus de données, plus fréquentes et plus granulaires, on prendra de meilleures décisions concernant les personnes. C'est une logique qui fait sens dans des domaines où la variable d'intérêt est stable, où le modèle de mesure est robuste et où le lien entre l'indicateur et le résultat qui importe est bien établi.
Dans la gestion des talents, aucune de ces trois conditions n'est automatiquement remplie. Les capacités humaines sont intrinsèquement contextuelles : quelqu'un peut performer de façon médiocre dans un rôle mal conçu et de façon extraordinaire dans un autre. Les modèles de mesure héritent des biais de ceux qui les ont conçus et des données historiques sur lesquelles ils ont été entraînés. Et le lien entre les indicateurs de court terme que les systèmes captent et les résultats organisationnels de long terme qui importent est, dans le meilleur des cas, partiel.
Cela n'invalide pas l'utilité des systèmes d'évaluation continue. Cela les invalide en tant que substituts du jugement stratégique sur les personnes. Et c'est précisément cette distinction que de nombreuses organisations perdent de vue dans l'euphorie de l'implémentation.
L'avertissement que Choudary et Winsor insèrent dans leur argumentation — celui selon lequel les organisations doivent être prudentes dans la façon dont elles implémentent ces systèmes — n'est pas un détail mineur. C'est le cœur du problème. Car le comment de l'implémentation n'est pas une variable technique : c'est une variable de finalité. Une organisation qui met en place une évaluation continue pour réduire les coûts des révisions annuelles et optimiser l'affectation des personnes à des projets fait quelque chose de fondamentalement différent d'une organisation qui le fait pour détecter des lacunes d'apprentissage, accélérer la mobilité interne et maintenir des conversations de développement de meilleure qualité. Les deux peuvent acheter la même plateforme. Les résultats culturels et stratégiques seront différents.
Le risque que les analystes de Gartner ont signalé pour 2026 est illustratif à cet égard : l'IA peut créer des conditions opérationnelles qui alimentent des pressions de performance intenables, érodant les résultats à long terme tandis que les indicateurs à court terme semblent solides. C'est un schéma bien connu dans d'autres domaines de la gestion : on optimise ce que l'on mesure, on abandonne ce qui n'apparaît pas sur le tableau de bord, et l'organisation apprend silencieusement à se présenter favorablement dans les rapports tout en perdant de la substance dans les processus qui n'ont pas de colonne dans la feuille de calcul.
Le choix qu'aucun système ne peut faire à la place de l'organisation
Il y a quelque chose que les meilleurs systèmes d'évaluation continue ne peuvent pas faire : décider quel type d'organisation veut être celui qui les utilise. Ils ne peuvent pas trancher si la finalité de l'évaluation est le contrôle ou le développement. Ils ne peuvent pas déterminer si les données seront utilisées pour ouvrir des conversations ou pour les clore. Ils ne peuvent pas établir si l'indicateur de vitesse d'apprentissage compte plus ou moins que celui du respect des objectifs trimestriels.
Ce sont des décisions d'architecture organisationnelle, et elles précèdent tout choix technologique. Les entreprises qui adoptent des plateformes d'évaluation continue sans les avoir prises explicitement ne sont pas imprudentes par naïveté. Elles sont imprudentes pour une raison plus commune : l'urgence d'implémenter crée l'illusion que le système prendra ces décisions par lui-même, ou qu'elles pourront être prises ultérieurement. L'expérience accumulée dans les transformations organisationnelles suggère que lorsqu'on reporte la décision sur la finalité, le système adopte la finalité par défaut du contexte dans lequel il opère. Dans la plupart des organisations, cette finalité par défaut est le contrôle de la performance, non son développement.
Le moment qui précède la décision d'implémenter — cet espace où une organisation doit clarifier ce qu'elle fera des données qu'elle obtiendra, quelles conversations elle génèrera, comment elle protégera la confiance des personnes évaluées et à quel type de décisions elle ne liera pas les résultats du système — est le véritable moment stratégique. Non pas la sélection du fournisseur ni la conception du tableau de bord.
Les organisations qui arriveront à ce moment avec des réponses claires sur la finalité, les limites et l'usage de l'information ne feront pas simplement mieux dans l'implémentation de la technologie. Elles construiront un système d'évaluation capable de soutenir l'apprentissage organisationnel sous pression, ce qui est exactement ce que l'accélération de l'intelligence artificielle dans le monde du travail rend nécessaire. Celles qui le reporteront découvriront, avec des données à haute fréquence et une précision granulaire, qu'elles ont tout mesuré et peu compris.
