La prédiction du turnover est l’une des applications RH les plus répandues de l’IA en entreprise. Mais entre les démonstrations commerciales et les usages réels, l’écart reste significatif.
Comment ces modèles fonctionnent
Les modèles de prédiction du turnover agrègent des signaux issus de multiples sources : fréquence de connexion aux outils internes, nombre de réunions par semaine, ancienneté, évolution salariale relative, résultats d’entretiens annuels, activité LinkedIn.
Chaque signal pris isolément a peu de valeur prédictive. C’est leur combinaison qui permet au modèle d’identifier des profils à risque avec une précision supérieure à l’intuition managériale.
Ce qu’une ETI industrielle a mesuré
Une entreprise industrielle de 3 200 salariés, que nous avons pu interviewer sous couvert d’anonymat, a déployé un tel outil il y a deux ans. Résultat : le taux de turnover de ses cadres a diminué de 14% en deux ans, grâce à des actions de rétention ciblées déclenchées sur la base des alertes du modèle.
Les actions en question sont simples : entretien individuel avec le manager, revue salariale anticipée, proposition de mobilité interne. L’outil ne recommande pas d’action, il signale une priorité.
Ce qui pose problème
Plusieurs directions RH interrogées décrivent une tension difficilement soluble. Utiliser des données comportementales pour évaluer l’intention d’un salarié de partir soulève des questions légitimes sur la surveillance au travail.
En France, l’utilisation de telles données doit faire l’objet d’une information des salariés et d’une déclaration à la CNIL. Les entreprises qui l’ont fait correctement décrivent une réception plutôt neutre de la part des représentants du personnel, à condition que l’outil serve à déclencher du soutien, pas des sanctions.
Ce qu’on retient
La prédiction du turnover fonctionne techniquement. Son déploiement éthique et légal est possible, mais il exige une transparence que peu d’entreprises ont encore vraiment mise en oeuvre.