Data & AI

Comment l’IA aide à comprendre les retours des salariés grâce à l’analyse sémantique

Date de publication: vendredi,

Pour repérer plus vite les dysfonctionnements de logiciels et d’équipements signalés par ses collaborateurs dans ses enquêtes internes, une grande banque française s’est appuyée sur Inetum et l’IA générative. Les retours sont depuis traités dix fois plus rapidement.

Collaborateurs travaillant et parlant dans des bureaux professionnels

Avant l’IA, deux mois de lecture manuelle des commentaires

Justement, quand elle interroge ses salariés sur leurs logiciels et équipements, une grande banque française reçoit jusqu’à 2 000 commentaires libres. Une mine d’or pour favoriser l’adoption, repérer des problèmes et améliorer les outils internes, mais encore faut-il analyser ces messages.

Jusqu’à la mission confiée à Inetum, menée entre 2024 et 2025, une équipe y passait deux mois par an à analyser les réponses à la main avant de les mettre en forme dans Excel ou Power BI.

Pourquoi deux mois ? Quand un questionnaire se résume à des notes de 1 à 5, une moyenne suffit. Les commentaires libres demandent des lecteurs et une méthode. Avant de lire, il faut décider dans quelles cases ranger les réponses, mais ces cases ne se dessinent qu’en lisant.

On part d’un échantillon, on en tire des catégories, on les fait arbitrer par la direction, puis on reprend l’ensemble. À plusieurs, cela prend des semaines. 

À cette lenteur s’ajoute un défaut plus discret : le lecteur se laisse influencer par ce qu’il vient de lire. « Après cent commentaires mécontents, le suivant paraît enthousiaste alors qu’il est plutôt satisfait. Le cerveau relativise, c’est naturel », observe Olivier Serfaty. La banque a donc demandé à Inetum de raccourcir le délai et de rendre l’interprétation des résultats plus objective grâce à l’intelligence artificelle.

« C’est génial, j’ai mis quatre heures à avoir ma réponse ! » Si vous recevez ce message d’un collaborateur, vous savez bien qu’il est excédé. Mais un système d’analyse automatique pourrait bien considérer ce retour positivement.

Cet exemple d’Olivier Serfaty, directeur Data, IA et Innovation chez Inetum France, résume ce qu’on attend d’une analyse sémantique : saisir ce qu’une phrase veut dire, second degré compris.

Paramétrer l’IA pour l’analyse sémantique

Confier cette lecture à une IA générative ne règle pas tout d’un coup. Il a d’abord fallu préparer les données. 

Cette préparation a demandé beaucoup de travail, et Olivier Serfaty la juge essentielle. Même ainsi, se souvient-il, les premiers passages ont produit autant de catégories que de messages.

Restait à dire au modèle ce qui importe. Inetum l’a orienté vers ce sur quoi la direction informatique peut agir : les problèmes fonctionnels et techniques, le matériel qui bloque, les applications peu commodes. Qu’un outil soit jugé laid compte moins.

Il a aussi fallu lui donner des repères pour reconnaître le second degré. Les consignes ont été testées sur une centaine de réponses, puis reprises en trois ou quatre versions. Chaque catégorie a été validée par les métiers concernés. Ce réglage a été fait en trois ateliers de travail d’une demi-journée chacun.

«Le but n’est pas l’analyse, mais l’action qui vient derrière», insiste Olivier Serfaty. 

Indice de confiance et relecture humaine

Toute cette mise au point s’est faite chez le client, où travaillait un consultant d’Inetum. La banque a mis à disposition, dans son propre environnement, un modèle que ses équipes de sécurité avaient déjà validé. C’était un prérequis. « Nous ne sommes pas venus avec des outils. Nous avons apporté le paramétrage et l’intégration sur des outils existants », précise Olivier Serfaty.

Pour les répondants, rien ne change. Les collaborateurs remplissent le questionnaire comme avant, sans jamais croiser l’IA, qui n’intervient qu’après coup, si bien que la question de l’adoption ne s’est pas posée.

Le modèle passe aujourd’hui sur l’ensemble des réponses en une nuit, assure le responsable d’Inetum, contre des semaines de travail humain auparavant. À effectif constant, l’équipe de la banque traite les retours dix fois plus vite, indique Inetum, et c’est ce que la banque était venue chercher en priorité. Olivier Serfaty retient surtout l’objectivité de l’analyse faite par le modèle d’IA générative : une fois les critères fixés, il applique la même grille à la première réponse et à la dernière ce qui est plus difficile pour un humain.

Cette régularité n’exclut évidemment pas le risque d’erreur, qui a été pris en compte. Quand le modèle hésite, il ne tranche pas : chaque classement est assorti d’un indice de confiance, et les réponses douteuses sont mises de côté pour être relues par un humain. Elles ont été rares, tout comme les commentaires au second degré, et leur relecture a pris entre deux heures et une demi-journée, estime-t-il.

« Il ne faut jamais s’imaginer que l’IA va tout faire. Elle fait l’essentiel, et ce qui reste à la marge doit être traité par l’humain », prévient Olivier Serfaty. Et face à un trait d’humour un peu pointu, un lecteur humain reste parfois le plus sûr.