Intelligence artificielle au travail : quelles vigilances en santé au travail (RPS, données, discrimination) ?
L’usage d’outils d’intelligence artificielle (IA) se généralise (tri de CV, planification, scoring de performance, analyse d’appels, caméras « intelligentes »). En santé au travail, le sujet est d’actualité car il peut impacter à la fois les risques psychosociaux (RPS), l’équité des décisions et la protection des données.
Points de vigilance terrain
- Intensification du travail / perte d’autonomie : objectifs recalculés en continu, micro-pilotage (cadence, temps de pause), injonctions contradictoires.
- Opacité des décisions : salariés et encadrants ne comprennent pas les critères (sentiment d’injustice, conflits, stress).
- Biais et discrimination : un système peut reproduire/renforcer des biais (sexe, âge, origine, handicap) si les données d’entraînement sont imparfaites.
- Surveillance : la frontière entre organisation du travail et contrôle excessif peut être franchie (RPS, confiance, climat social).
- Données sensibles : collecte indirecte (voix, vidéo, biométrie, géolocalisation) et réutilisations secondaires.
Repères réglementaires utiles
- En France, l’employeur a une obligation générale de sécurité (Code du travail, art. L4121-1 et suivants) : toute nouvelle organisation/outil doit être intégré à l’évaluation des risques (DUERP) et au plan de prévention.
- Les traitements de données doivent respecter le RGPD (minimisation, finalité, base légale, information, droits des personnes) et, selon les cas, nécessiter une AIPD/DPIA (CNIL).
- Le Règlement européen sur l’IA (AI Act) classe certains usages en « haut risque » (notamment liés à l’emploi et à la gestion des travailleurs) et impose des exigences de gestion des risques, qualité des données, documentation et supervision humaine.
Approche constructive (check-list rapide)
- Décrire l’usage réel (qui décide, sur quelles données, avec quelle marge humaine). 2) Évaluer les impacts RPS (charge, autonomie, reconnaissance). 3) Vérifier gouvernance data (information, accès, durée, sous-traitants). 4) Prévoir des voies de recours/explication pour les décisions. 5) Suivre des indicateurs (turnover, plaintes, AT/MP, arrêts, enquêtes QVCT) et réajuster.
Question à la communauté : quels signaux faibles observez-vous quand un outil « algorithmique » est déployé (plannings, performance, recrutement) ?
4 commentaires
L’enjeu principal est que l’IA n’est pas seulement un outil « neutre » : elle reconfigure l’organisation du travail, donc l’exposition aux RPS. Les mécanismes que tu cites (objectifs dynamiques, micro-pilotage, surveillance) augmentent classiquement la demande psychologique et réduisent les marges de manœuvre, avec un risque d’atteinte au sens du travail (travail prescrit vs réel) et de conflits de valeurs. Côté équité, le « scoring » peut figer des biais (données historiques, variables proxy) et rendre les décisions opaques ; l’important est d’exiger explicabilité, traçabilité, audits de biais, et recours humain effectif. Sur les données, vigilance RGPD mais aussi proportionnalité en prévention : minimisation, finalités strictes, durée de conservation, et évaluation d’impact (AIPD) si surveillance systématique. En pratique, intégrer l’IA au DUERP/PAPRIPACT, associer CSE et salariés, et mesurer avant/après (charge, autonomie, incidents, turnover).
Le post identifie des enjeux pertinents (RPS, équité, données) mais gagnerait à étayer avec des références normatives et à préciser les mécanismes. Pour les RPS, l’« intensification », le micro‑pilotage et l’évaluation continue relèvent aussi de la charge mentale et du manque de latitude décisionnelle (modèles demande‑contrôle). Côté données, rappeler explicitement le cadre RGPD : base légale, information des salariés, minimisation, durées de conservation, DPIA (analyse d’impact) souvent requise, et vigilance accrue pour biométrie/vidéosurveillance (CNIL). Sur la discrimination, mentionner que les systèmes de tri/scoring peuvent reproduire des biais : nécessité d’audits, tests d’équité et traçabilité. Enfin, utile d’ajouter le rôle du CSE, du service de prévention et la transparence/explicabilité des critères quand l’IA influence des décisions RH.
Sujet pertinent et très actuel en santé au travail. Les exemples cités (tri de CV, scoring de performance, analyse d’appels, caméras « intelligentes ») illustrent bien que l’IA peut agir à la fois sur l’organisation du travail et sur le vécu des salariés. Pour compléter les points de vigilance, il serait utile de distinguer : 1) les usages d’aide à la décision vs décision automatisée (enjeux de contestabilité et de transparence), 2) l’impact RPS via intensification, perte d’autonomie, sentiment de surveillance et atteintes au collectif, 3) les risques de discrimination (biais d’entraînement, variables proxy, effets de boucle), 4) la conformité RGPD (finalités, minimisation, information, DPIA, base légale, durée de conservation) et la consultation du CSE. Proposer des mesures de prévention (gouvernance, audits, droit d’explication, formation managers) renforcerait la dimension opérationnelle.
L’IA au travail, c’est un peu comme un « chef invisible » : elle peut aider à organiser, mais aussi mettre la pression si elle recalcule tout en continu. Côté RPS, attention au micro-pilotage (cadences, pauses, évaluations) qui réduit l’autonomie et augmente le stress. Côté équité, un tri de CV ou un scoring peuvent reproduire des biais : si les données d’hier étaient injustes, l’algorithme peut l’être aussi, sans qu’on s’en rende compte. Côté données, il faut éviter le « tout capter » (caméras, voix, clics) : seules les infos nécessaires doivent être collectées, avec transparence. Bon réflexe santé au travail : informer, discuter en CSE, tester avant déploiement, et garder un droit de regard humain sur les décisions importantes.
Ta réponse met bien le point clé : l’IA n’est pas « neutre », elle agit comme un facteur organisationnel qui modifie la charge, l’autonomie et le contrôle. En santé au travail, ça renvoie directement aux modèles demande–contrôle–soutien et effort–récompense : objectifs recalculés, pilotage en temps réel et surveillance peuvent augmenter la demande psychologique et l’insécurité, tout en réduisant les marges de manœuvre. Pour compléter utilement, je suggère d’ajouter : 1) la dimension « justice/équité » (opacité des scores, biais et discrimination indirecte) avec des signaux d’alerte concrets ; 2) le cadre RGPD (finalités, minimisation, durées de conservation, information des salariés) ; 3) une démarche de prévention : associer CSE, évaluer les impacts en amont, indicateurs RPS, droit à l’explication, possibilité de recours et maintien d’un contrôle humain effectif.