Sur l’écran, tout semble rassurant : des jauges, des courbes, un score qui monte ou baisse, des alertes colorées. En quelques clics, la promesse est séduisante : voir enfin ce qui, dans une entreprise, demeure d’ordinaire diffus — le sentiment d’être écouté, la possibilité d’évoluer, la distribution réelle des opportunités. C’est sur ce terrain que s’inscrit Diversio, plateforme qui propose d’utiliser l’IA et l’analyse de données pour objectiver les enjeux de diversité, d’équité et d’inclusion.

Diversio : quand l’algorithme entre dans la salle de réunion

Diversio ne vend pas exactement une machine à produire de la justice au travail. Son positionnement est plus pragmatique : aider les organisations à repérer, dans leurs données et leurs pratiques, des signaux de déséquilibre ou d’exclusion. Cela peut concerner les processus de recrutement, les promotions, la répartition des évaluations, les écarts de représentation entre équipes, ou encore le langage employé dans des documents internes.

L’idée paraît presque évidente. Les entreprises accumulent des données sur les parcours professionnels ; elles mènent des enquêtes d’engagement ; elles disposent de procédures RH dont les effets ne sont pas toujours visibles. Pourquoi ne pas croiser ces informations afin d’identifier les endroits où les belles intentions se heurtent à la réalité ?

La réponse est qu’il faut le faire, sans doute. Mais avec une précaution essentielle : une plateforme de ce type ne mesure jamais l’inclusion elle-même. Elle mesure des traces, des corrélations, des écarts, des formulations, des réponses déclaratives. Autrement dit, elle construit des indicateurs à partir d’une réalité humaine qui ne se laisse pas enfermer facilement dans une feuille de calcul.

Un tableau de bord peut rendre un problème visible ; il ne peut pas décider, à lui seul, de ce qui est juste.

Le piège du score qui prétend tout résumer

Le grand talent des outils numériques est de condenser. Une question compliquée devient un graphique ; un ensemble de pratiques, un score ; une expérience collective, un classement. Cette simplification est utile pour attirer l’attention d’une direction pressée ou suivre une évolution dans le temps. Elle devient dangereuse lorsqu’elle se transforme en verdict.

Un bon résultat global peut masquer un problème très localisé. Une équipe peut afficher une représentation apparemment équilibrée, tout en confiant systématiquement les projets les plus visibles aux mêmes profils. Une enquête interne peut témoigner d’un sentiment d’appartenance élevé, alors que des salariés ne se sentent pas en sécurité pour formuler une critique. Un faible taux de départs peut signaler une organisation apaisée ; il peut aussi traduire un marché de l’emploi peu fluide ou la crainte de perdre une situation stable.

La difficulté tient à la nature même de ce que l’on cherche à observer. L’inclusion n’est pas seulement le fait d’être présent dans l’organigramme. C’est la possibilité de participer sans devoir constamment se conformer à un modèle implicite, de contester une décision sans en payer le prix, d’accéder aux informations et aux réseaux qui comptent, d’être jugé sur son travail plutôt que sur sa familiarité avec les codes dominants.

Ces réalités sont souvent approchées par des proxies : des variables indirectes censées en donner une image. Le temps passé dans l’entreprise, la fréquence des promotions, les réponses à un questionnaire, les commentaires d’évaluation ou la composition des équipes peuvent être des proxies pertinents. Ils ne deviennent pas pour autant des preuves définitives.

Ce que l’IA sait repérer — et ce qu’elle ne peut pas comprendre

Dans ce domaine, l’IA peut être très efficace lorsqu’elle accomplit un travail d’exploration : détecter une anomalie, comparer des parcours semblables, relever la répétition de certains termes dans des offres d’emploi ou des évaluations, signaler un écart qui mérite d’être examiné. Elle peut surtout faire gagner du temps à des équipes qui, autrement, n’auraient ni les moyens ni l’habitude d’interroger leurs propres données.

Mais l’outil n’accède pas aux intentions, aux rapports de pouvoir ou au contexte complet d’une décision. Il peut relever que deux salariés aux profils voisins n’ont pas connu la même progression. Il ne sait pas, sans enquête humaine rigoureuse, si cette différence relève d’une discrimination, d’une contrainte opérationnelle, d’un choix personnel, d’une attribution de mission différente ou d’une donnée mal renseignée.

Cette distinction est capitale : l’IA est performante pour produire des hypothèses ; elle est beaucoup moins légitime lorsqu’on lui demande de produire des conclusions morales ou juridiques. Plus une organisation oublie cette frontière, plus elle risque de confondre analyse statistique et jugement social.

• Un signal mérite une investigation, non une sanction automatique.
• Une corrélation peut orienter une discussion, mais ne démontre pas à elle seule une cause.
• Un modèle peut homogénéiser l’analyse, mais aussi reproduire les angles morts contenus dans ses données.
• Un résultat lisible n’est pas nécessairement un résultat intelligible.

Les données RH ne sont pas des matières premières ordinaires

Les données RH sont parmi les plus sensibles qu’une organisation manipule. Elles racontent des salaires, des absences, des évaluations, des parcours et parfois des caractéristiques personnelles particulièrement protégées. Dans le contexte français et européen, leur utilisation suppose une vigilance juridique, technique et sociale continue : finalité claire, accès limité, sécurité, information des personnes concernées, durée de conservation maîtrisée.

La question ne se réduit pourtant pas à la conformité. Une donnée peut être recueillie légalement tout en suscitant de la défiance. Demander aux salariés de se déclarer dans certaines catégories, par exemple, exige d’expliquer pourquoi cette information est sollicitée, qui la verra, ce qu’elle permettra de changer et ce qu’il adviendra d’elle. Sans ce contrat de confiance, la mesure de l’inclusion peut produire l’effet inverse : convaincre les personnes qu’elles sont observées plutôt qu’écoutées.

Il faut également se méfier de la fausse neutralité des catégories. Les identités ne se rangent pas toujours dans les cases prévues par un logiciel ou une politique RH. Les catégories varient selon les pays, les cadres légaux et les histoires personnelles. Un dispositif importé sans adaptation peut donc mal décrire la réalité qu’il prétend améliorer.

Le vrai sujet : l’organisation accepte-t-elle d’être contredite ?

La valeur d’un outil comme Diversio dépend moins de son interface que de l’usage qu’en fait l’entreprise. Un diagnostic n’a d’intérêt que s’il ouvre des décisions concrètes : revoir un processus de recrutement, clarifier les critères de promotion, former les managers à l’évaluation, modifier une règle de réunion, améliorer les canaux de signalement, ou réexaminer la répartition des missions visibles.

Le risque le plus courant est celui du biais algorithmique devenu alibi managérial. L’organisation observe un écart, lance un groupe de travail, publie un engagement, puis considère que le sujet est traité. Or la question utile n’est pas : « Avons-nous un outil pour mesurer l’inclusion ? » Elle est : « Qu’allons-nous changer si l’outil révèle quelque chose que nous préférerions ne pas voir ? »

Cette exigence implique une gouvernance. Les équipes RH ne devraient pas être seules à interpréter les résultats. Les managers, les représentants du personnel, les équipes juridiques, les responsables des données et, lorsque cela est possible, les salariés concernés doivent pouvoir questionner les méthodes. Qui a choisi les variables ? Quels groupes sont comparés ? Quels résultats sont suffisamment robustes pour justifier une action ? Quelles limites sont explicitement affichées ?

Faire du tableau de bord un point de départ

Le meilleur usage de Diversio, ou de toute solution comparable, consiste à le traiter comme un instrument d’audit continu plutôt que comme un thermomètre magique. Il faut regarder les tendances, mais aussi retourner sur le terrain : écouter les personnes, examiner les processus réels, lire les décisions au cas par cas, comprendre ce que les chiffres ne montrent pas.

Une organisation mature ne cherche pas un score flatteur. Elle cherche des questions plus précises. Qui prend la parole ? Qui obtient les missions qui comptent ? Qui connaît les règles non écrites ? Qui hésite à signaler un problème ? Quels critères paraissent objectifs mais favorisent en pratique les parcours les plus conformes aux habitudes internes ?

La promesse de l’IA appliquée à l’inclusion est donc moins spectaculaire qu’elle n’en a l’air. Elle ne remplace ni le discernement, ni le dialogue, ni la responsabilité. En revanche, elle peut retirer aux organisations une excuse commode : celle de ne pas voir. À condition d’accepter que voir ne suffit jamais, et que mesurer l’écart n’a de sens que si l’on est prêt à le réduire.