Les modèles d'IA de pointe obtiennent entre 64 % et 82 % lorsqu'une question sur les retours des salariés appelle une réponse claire et vérifiable. Lorsque la tâche exige de pondérer des signaux incomplets, chargés d'émotion et dépendants du contexte pour aboutir à une conclusion unique et défendable, les meilleurs tombent à 33 % (PYX Labs, 2026).
Cette seconde catégorie porte un nom dans votre entreprise. Elle s'appelle décider qui sera promu.
Six managers sur dix utilisent déjà l'IA pour prendre des décisions concernant leurs collaborateurs directs : augmentations, promotions, plans sociaux, licenciements (Resume Builder, 2025). La courbe de la capacité et celle de l'usage pointent dans des directions opposées, et presque personne n'a tracé la ligne entre les deux.
Ce que le benchmark PYX-Voice a réellement mesuré
Le 15 juillet 2026, PYX Labs — un laboratoire de recherche parrainé par Perceptyx — a publié PYX-Voice, le premier benchmark conçu spécifiquement pour évaluer la compréhension des retours des salariés par les modèles d'IA de pointe. Sept modèles de premier plan d'OpenAI, Google, Anthropic et xAI ont été soumis à 84 tâches réelles d'écoute des salariés et notés selon 208 critères définis par des psychologues du travail et des organisations (I-O) et des spécialistes du comportement organisationnel (Perceptyx, 2026).
Les critères de notation sont l'essentiel. Confier à un modèle un tableur de réponses d'enquête est trivial. Définir à quoi ressemble une lecture correcte de ces données — ce qu'un psychologue I-O compétent conclurait et ce qu'il refuserait de conclure — voilà la partie difficile, et c'est celle qu'aucun benchmark d'IA généraliste ne teste.
Le résultat principal n'est pas que les modèles sont mauvais. Ils ne le sont pas. La fiabilité a décliné nettement et de façon prévisible à mesure que la charge interprétative de la tâche augmentait (PYX Labs, 2026). Le modèle le plus performant du panel a dépassé 76 % au total. Chaque modèle testé — sans exception — a enregistré la synthèse comme sa capacité la plus faible.
Cette constance compte davantage que les scores absolus. Une faiblesse partagée par tous les modèles de quatre laboratoires différents n'est pas un problème de fournisseur que l'on règle par un achat. C'est une propriété de la tâche.
La falaise se trouve exactement là où sont les enjeux
Le profil de performance du benchmark recoupe presque parfaitement une distinction que la plupart des responsables des opérations font déjà intuitivement, mais qu'ils imposent rarement dans leurs outils.
Les modèles ont été les meilleurs là où les retours se rangent proprement dans des thèmes bien définis : les questions d'activation de la performance portant sur les objectifs, les outils, les indicateurs, les ressources. Ce sont des problèmes de catégorisation déguisés en questions de ressources humaines. Il existe une bonne réponse, cette réponse est vérifiable, et le modèle la trouve.
Les performances se sont dégradées sur les thèmes larges et nuancés — le changement, l'innovation, cette catégorie diffuse de commentaires qui signalent que quelque chose ne va pas sans dire quoi. Ici, le modèle doit tenir ensemble plusieurs signaux partiels et contradictoires et produire un jugement. Les scores sont tombés jusqu'à 33 % (PYX Labs, 2026).
La description que le benchmark donne lui-même de l'échec mérite d'être citée, car elle nomme le mécanisme plutôt que le symptôme : « La rupture se produit précisément lorsqu'ils doivent pondérer des signaux incomplets, émotionnels ou dépendants du contexte et les résoudre en une conclusion claire » (HR Dive, 2026).
Relisez cette description et demandez-vous ce qu'est une décision de promotion. C'est de l'information incomplète, chargée d'émotion, fortement dépendante du contexte, résolue en une conclusion claire. Le benchmark n'a pas testé la gestion de la performance. Il a testé exactement l'opération cognitive dont la gestion de la performance est faite.
Un score de 33 % sur une tâche de jugement n'est pas un assistant légèrement plus faible. C'est un tirage à pile ou face doté d'une voix assurée.
Et le mode de défaillance est pire que le score ne le laisse croire, car la sortie paraît identique dans les deux cas. Un modèle qui synthétise mal les retours des salariés ne renvoie ni erreur ni signal de faible confiance. Il renvoie un paragraphe fluide, bien structuré et parfaitement plausible sur le moral de l'équipe. Le manager qui relit ne dispose d'aucun signal pour distinguer le cas à 82 % du cas à 33 %. PYX Labs a également relevé des cas rares mais significatifs de modèles produisant des résultats statistiques fabriqués, ou ne respectant pas les contraintes du jeu de données sous-jacent — un chiffre dans le résumé qui n'a jamais existé dans les données (HR Dive, 2026).
La fluidité n'est pas la calibration. Rien dans la couche de présentation ne se dégrade quand le raisonnement, lui, se dégrade.
Là où les décisions RH assistées par l'IA se prennent déjà
Rapprochez maintenant ce profil de capacité du comportement réel des managers.
Resume Builder a interrogé 1 342 managers américains encadrant des collaborateurs fin juin 2025. Soixante pour cent utilisent des outils d'IA pour prendre des décisions concernant leurs équipes. Parmi eux : 78 % s'en servent pour déterminer les augmentations, 77 % pour les promotions, 66 % pour les plans sociaux et 64 % pour les licenciements (Resume Builder, 2025).
Trois autres chiffres de la même enquête cernent précisément le problème de gouvernance.
Plus d'un manager sur cinq déclare laisser fréquemment l'IA prendre la décision finale sans aucune intervention humaine. Deux tiers des managers qui utilisent l'IA pour gérer leurs équipes n'ont reçu aucune formation formelle à cet usage. Et seuls 32 % déclarent avoir reçu une formation formelle sur l'utilisation éthique de ces outils (HR Dive, 2025).
Le risque, c'est la confiance, pas l'usage
Plus de sept managers sur dix parmi ceux qui utilisent l'IA pour gérer leurs équipes se disent confiants dans le fait que la technologie prend des décisions justes et impartiales concernant les salariés (HR Dive, 2025).
Plus de soixante-dix pour cent de confiance. Trente-trois pour cent de capacité à l'extrémité interprétative. Cet écart constitue l'exposition tout entière, et il ne se referme pas avec de meilleurs modèles : il se referme avec un meilleur cadrage.
Notez ce que cela n'est pas. Ce n'est pas un argument disant que les managers sont imprudents ou que l'IA n'a pas sa place dans la gestion de la performance. Les managers qui délèguent l'extraction de thèmes sur 400 réponses ouvertes font le bon choix ; c'est la tâche à 82 %, et la faire à la main gâche la semaine d'une personne expérimentée. Le problème, c'est que la même interface, la même zone de saisie et la même autorisation institutionnelle couvrent les deux tâches — et une seule des deux est sûre.
Les raisons de ne pas surinterpréter tout cela
Trois réserves, énoncées franchement, car le réflexe de dévaluer les deux sources est en partie mérité.
PYX Labs est parrainé par Perceptyx, qui vend de la technologie d'écoute des salariés. Un benchmark concluant que l'interprétation des retours est plus difficile qu'il n'y paraît — et exige une expertise I-O — est commercialement commode pour une entreprise qui vend de l'expertise I-O. Notez-le, puis mettez-le en balance avec le fait que la méthodologie, le nombre de tâches et les critères de notation du benchmark sont publiés, et que les résultats l'ont été intégralement, y compris là où les modèles se sont bien comportés.
Resume Builder est une société de services de CV, et son étude est une enquête en ligne déclarative. « Soixante pour cent des managers utilisent l'IA pour des décisions RH » mesure ce que les managers disent faire, dans une enquête où répondre oui ne coûte rien. Tenez la direction pour solide et les décimales pour molles.
Enfin, PYX-Voice est un benchmark unique, publié il y a quelques semaines, qui n'a pas encore fait l'objet d'une réplication indépendante. Un seul benchmark est un indice, pas une preuve.
Ce qui survit aux trois réserves, c'est la forme du résultat : la capacité baisse à mesure que la charge interprétative monte, uniformément d'un laboratoire à l'autre, tandis que l'usage culmine exactement là où la charge interprétative atteint son maximum. Aucun intérêt commercial n'a fabriqué cette inversion. Il faudrait une chance bien étrange pour que le biais du sponsor et celui de l'enquête pointent dans la même direction.
Ce que cela change dans une entreprise de 50 à 500 salariés
À l'échelle des grands groupes, le problème est absorbé par le processus. Il y a un comité de rémunération, une séance de calibrage, un HR business partner qui lit les mêmes retours de façon indépendante et une direction juridique qui demandera comment une décision de licenciement a été prise.
À 200 personnes, il y a un manager, un tableur et une échéance.
Ce n'est pas une critique des opérations du mid-market : c'est la réalité structurelle qui rend ce résultat plus urgent ici que dans une entreprise de 20 000 personnes. Le mid-market a le même accès à l'IA, une couche de relecture plus mince et une tolérance nettement moindre au contentieux prud'homal. L'outil est arrivé ; le processus de calibrage qui en attraperait les erreurs, non.
Il y a aussi un effet cumulatif qu'il vaut la peine de nommer. Un modèle qui lit mal les retours nuancés ne se trompe pas au hasard. Il privilégie systématiquement le lisible sur le significatif : la réclamation clairement écrite plutôt que celle qui est prudente, le salarié qui s'exprime bien plutôt que le réservé, le thème doté d'un mot-clé plutôt que celui qui n'en a pas. Laissez cela tourner discrètement sur deux cycles de promotion et vous n'aurez pas commis une erreur. Vous aurez installé un biais, traçabilité documentaire comprise.
Tracez la ligne ce trimestre
Répartissez le travail par vérifiabilité, pas par outil
La frontière exploitable n'est pas « l'IA pour les RH, oui ou non ». Elle est : la sortie peut-elle être vérifiée face à la source en moins d'une minute ? Regrouper 300 commentaires en thèmes — vérifiable, déléguez. Classer deux candidats pour une seule promotion à partir de leurs retours — non vérifiable, gardez-le humain. Mettez ce test par écrit et inscrivez-le dans les consignes aux managers, car à l'heure actuelle deux tiers de vos managers utilisant ces outils n'ont reçu aucune formation formelle (Resume Builder, 2025).
Nommez les quatre décisions que l'IA ne peut pas clore
Augmentations, promotions, plans sociaux, licenciements. Pour chacune, exigez une justification humaine documentée qui ne cite pas un résumé d'IA comme élément de preuve. Cela ne coûte rien et traite directement le cas de ce manager sur cinq qui laisse aujourd'hui le modèle décider sans supervision.
Auditez un cycle en arrière
Prenez le dernier cycle de performance ou de rémunération. Posez à chaque manager une seule question : où l'IA est-elle intervenue, et qu'avez-vous vérifié ? Vous ne cherchez pas des infractions. Vous cherchez la carte honnête de ce qui se passe déjà — laquelle, dans la plupart des entreprises du mid-market que j'ai examinées, va plus loin que ne le suppose l'équipe dirigeante.
Une décision ce trimestre
Prenez la décision RH la plus lourde de conséquences que vos managers ont prise ces quatre-vingt-dix derniers jours et demandez-vous si un résumé généré par l'IA figurait quelque part dans sa chaîne de preuves. Si oui, posez la seconde question : quelqu'un aurait-il pu dire, à la seule lecture de la sortie, si ce résumé relevait du cas à 82 % ou du cas à 33 % ?
Si la réponse est non, vous n'avez pas un problème d'IA. Vous avez une délégation sans périmètre — et le correctif tient en une ligne dans un document de politique interne, pas dans un meilleur modèle.
Six managers sur dix ont déjà franchi cette ligne. Presque aucun ne s'est vu dire où elle se trouvait.
