Qui supervise le manager algorithmique ?

Un responsable d’entrepôt ouvre un tableau de planning le lundi matin. Il suggère qui doit couvrir le créneau du soir. Dans une société de services, un autre système signale une baisse des temps de réponse. Ailleurs, un petit commerçant voit un score de productivité qui semble expliquer pourquoi un salarié prend du retard.

Rien ici ne ressemble forcément à une prise de contrôle spectaculaire par l’IA. Certains systèmes utilisent l’apprentissage automatique ; d’autres s’appuient sur des règles plus simples. Le changement est plus discret : le logiciel commence à façonner des décisions qui reposaient sur le jugement d’un manager, des échanges avec l’équipe et la connaissance du contexte derrière un chiffre.

Une enquête de la Commission européenne publiée le 14 octobre 2026 place ce basculement sous les projecteurs. Elle ne dit pas que les robots remplacent les managers. Elle montre qu’un nombre croissant de PME intègrent l’intelligence artificielle et le management algorithmique dans le travail quotidien, souvent avant d’avoir clarifié comment contester ou expliquer ces décisions.¹

La question centrale pour un employeur n’est donc pas seulement de savoir si un outil fait gagner du temps. C’est de savoir si l’organisation sait distinguer une recommandation utile d’une décision effectivement déléguée à un système. Cette question rejoint le travail de supervision de l’IA que beaucoup d’employeurs cherchent à répartir sans équipe spécialisée.

Une enquête européenne, et ce qu’elle mesure vraiment

Le Flash Eurobaromètre 578 a été mené par téléphone en mars et avril 2026, avec environ 12 826 entretiens auprès de dirigeants d’entreprises privées employant de 1 à 749 personnes dans les 27 pays de l’UE.^{1, 2} La Commission rapporte que 42 % des PME et mid-caps interrogées utilisent déjà des systèmes d’IA et de management algorithmique, le plus souvent de façon limitée ou expérimentale. 21 % supplémentaires prévoient de les adopter.

Ces chiffres appellent à la prudence. L’enquête regroupe l’IA et le management algorithmique, ce qui peut inclure des automatisations qui ne sont pas de l’IA générative moderne. Et les personnes interrogées sont des dirigeants, pas un échantillon représentatif de salariés. Il s’agit de pratiques et d’attentes déclarées par les employeurs, pas d’une preuve que tel logiciel améliore la productivité ou la qualité de l’emploi.

Parmi les usages déclarés : service client et relations clients (47 %), suivi de la performance et de la productivité (36 %), logistique, planification et planning du personnel (30 %). Ce ne sont pas des parts de tous les travailleurs européens sous supervision algorithmique.

Sur le jugement : 61 % des entreprises concernées disent que l’IA les aide à décider. Les personnes prennent les décisions dans 90 % des cas ; seulement 2 % sont décrites comme entièrement automatisées. Pourtant 49 % disent ne pas faire confiance à l’IA ou aux systèmes automatisés pour les décisions liées au personnel.

Il y a une tension. Les employeurs veulent les gains d’efficacité, mais beaucoup restent mal à l’aise quand ces décisions touchent directement les personnes. Mieux vaut concevoir de meilleurs flux de travail que de croire que le clic final d’un humain suffit.

Pourquoi une signature humaine n’est pas un jugement humain

Imaginez un manager qui reçoit chaque semaine un classement des salariés, généré à partir du volume de tickets, du temps de réponse et des tâches terminées. Il peut l’ajuster, mais le fait rarement. Les scores orientent qui obtient une formation, un week-end ou une piste de promotion.

Formellement, les décisions sont humaines. En pratique, le logiciel a pu définir ce qui compte comme un bon travail, sélectionner les preuves et réduire les options avant l’arrivée du manager.

C’est un exemple hypothétique, pas un incident documenté par l’Eurobaromètre. Il illustre une distinction utile : une personne dans le processus n’exerce pas forcément une supervision réelle. Si le manager ne peut pas comprendre les entrées pertinentes, corriger un contexte manquant ou expliquer pourquoi une recommandation a été acceptée, son rôle ressemble à un tampon.

Les mesures quantitatives ne sont pas toutes mauvaises. Les équipes gagnent à voir les charges, les retards et les goulets d’étranglement. Le problème commence quand la mesure remplace le travail lui-même. Un agent qui résout un cas difficile avec soin peut paraître plus lent qu’un autre qui clôture des tickets faciles. Un salarié qui forme un collègue peut sembler moins productif sur un tableau individuel.

Des risques inégalement répartis

Pour une petite entreprise, un outil de planning peut être très utile. Il n’y a souvent pas d’équipe dédiée à la planification des effectifs. De meilleurs outils réduisent la charge administrative et rendent le staffing plus prévisible.

Mais les petits employeurs ont aussi moins de personnes pour contester un système inadapté. Un chef d’équipe peut ne pas pouvoir inspecter un modèle opaque. Un salarié peut craindre qu’une contestation de score soit vue comme une contestation du manager. Et une organisation peut collecter des données de performance détaillées sans moyens de vérifier si elles sont nécessaires, exactes ou équitables.

Pour les ONG et organisations sociales, un autre risque apparaît : mesurer les sorties faciles plutôt que la mission réelle. Un intervenant qui enregistre moins de visites parce qu’il est resté plus longtemps auprès d’une personne en crise peut apporter plus de valeur, pas moins.

La bonne réponse n’est pas de rejeter la mesure. C’est de demander ce que la mesure laisse de côté, qui sera touché par une erreur, et quelles décisions doivent rester contextualisées. Un outil qui suggère un planning n’est pas le même qu’un outil qui influence la rémunération, la promotion ou le licenciement.

Un déficit de capacités que le logiciel seul ne comble pas

L’enquête identifie aussi des freins : coût d’investissement (50 %), incertitude juridique (49 %) et manque d’expertise (48 %).¹ Ces obstacles ne sont pas interchangeables. Un produit moins cher ne ferme pas à lui seul le déficit d’expertise ; un produit plus sophistiqué peut l’élargir.

Un manager peut devoir distinguer corrélation et cause, repérer un jeu de données incomplet, tester une recommandation sur un cas réel, et savoir quand un salarié doit pouvoir contester le résultat. Les équipes RH et opérations ont besoin d’un langage commun sur les limites de l’automatisation, plutôt qu’une courte formation à l’écriture de prompts.

Cela ouvre des responsabilités nouvelles ou élargies dans des métiers existants : auditer les exceptions de planning, coach les personnes mal décrites par les scores, poser des questions de transparence et de minimisation des données lors des achats.

Rien n’est garanti. Les employeurs peuvent réinvestir le temps gagné dans la qualité de service et le développement, ou intensifier le monitoring. Le choix est organisationnel.

La frontière juridique compte, mais ce n’est pas tout le test

Dans l’UE, le traitement de données personnelles au travail est déjà soumis au RGPD. Le Comité européen de la protection des données rappelle les garanties autour des décisions fondées uniquement sur un traitement automatisé lorsqu’elles produisent des effets juridiques ou significatifs similaires.⁴ Une validation humaine de pure forme ne règle pas nécessairement la question d’une intervention réelle.

Le règlement européen sur l’IA encadre aussi certains usages à haut risque en matière d’emploi et de gestion des travailleurs. Tous les outils de planning ne sont pas à haut risque, et un système à règles ordinaires n’est pas automatiquement un système d’IA. Selon le calendrier révisé, les règles pour les systèmes à haut risque de l’annexe III s’appliquent à partir du 2 décembre 2027.³ Cette date est un jalon de planification, pas une autorisation d’ignorer le droit déjà applicable.

La conformité juridique doit être vérifiée avec des conseillers qualifiés. Mais même un système conforme peut être mal géré. L’objectif utile est une recommandation qu’une personne compétente peut examiner, contester et améliorer.

Cinq questions avant de donner de l’influence à un système

1. Partir de la décision, pas du logiciel. Le système recommande-t-il un planning, signale-t-il un besoin de coaching ou influence-t-il un résultat d’emploi ?
2. Identifier les preuves. Quelles données alimentent la recommandation ? Qui vérifie les erreurs et les cas atypiques ?
3. Désigner un vrai décideur. Cette personne doit avoir le temps, l’accès et l’autorité pour rejeter la recommandation et en enregistrer la raison.
4. Impliquer les personnes concernées. Demandez quels cas limites les données manquent et où le monitoring serait disproportionné.
5. Mesurer le succès autrement qu’en heures gagnées. Stabilité des plannings, correction d’erreurs, qualité de service, confiance des équipes, recours.

L’opportunité : mieux manager, pas seulement plus vite

La Commission rapporte que 75 % des entreprises interrogées attendent de l’IA et du management algorithmique une amélioration de la qualité de l’emploi.¹ C’est une attente, pas un résultat mesuré. Elle mérite d’être confrontée à l’expérience des travailleurs.

Pour les petites entreprises et organisations sociales, la promesse est réelle : moins de temps à organiser les shifts et les rapports peut laisser plus de place à l’écoute et au coaching. Les mêmes systèmes peuvent aussi rendre le travail plus rigide et moins intelligible.

La capacité décisive n’est peut-être ni le code ni l’ingénierie de prompts. C’est la capacité de demander pourquoi un système a recommandé quelque chose, de reconnaître ce qu’il n’a pas vu, et d’assumer les conséquences humaines.

Comment hilighter peut aider

Un management algorithmique responsable commence par savoir qui peut interpréter une recommandation, contester un mauvais score et accompagner les personnes mal décrites par les métriques. hilighter aide à cartographier les compétences par rôle et équipe, à voir les forces et les écarts, et à construire des parcours de développement personnalisés. Son analyse Impact IA sur les métiers donne une vue indicative de l’évolution possible des rôles. Un plan gratuit est disponible ; les offres sont tarifées selon le nombre de rôles métiers, avec des collaborateurs illimités.

Sources

1. Commission européenne, Growing use of AI in European companies, 14 octobre 2026.
2. Commission européenne, Flash Eurobarometer 578, Workplace-related drivers and obstacles…, octobre 2026.
3. Commission européenne, AI Act Service Desk, When does enforcement start? (règles annexe III à haut risque à partir du 2 décembre 2027).
4. Comité européen de la protection des données, Respect individuals' rights (guide PME sur les décisions automatisées et le RGPD).

Sources et références réglementaires vérifiées le 21 octobre 2026.