L'IA promet d'« optimiser » les horaires, mais la vraie valeur dépend de la donnée et de la gouvernance. Si l'input est mauvais (enregistrements incomplets, incidents sans motif), l'IA amplifie le chaos. Et si le modèle est opaque, l'équipe le rejettera. La clé est d'utiliser l'IA comme un support explicable, pas comme un juge.
1) Cas d'usage qui apportent vraiment de la valeur
Prédiction des pics, suggestions de renfort, détection de tendances d'absentéisme, alertes de temps de repos insuffisant, et priorisation des incidents. Ces cas aident à décider plus vite sans remplacer le jugement humain.
Exemple : le système détecte que chaque vendredi il y a des prolongations à la fermeture et suggère un chevauchement. Le responsable décide si ça s'applique et le communique.
2) Risque 1 : biais par données incomplètes
Si une catégorie de personnel enregistre moins bien (par exemple, plus d'oublis par manque de borne), un modèle peut l'interpréter comme une « moins bonne performance » et la pénaliser avec des horaires. Ce n'est pas de l'IA, c'est de l'injustice automatisée.
La solution est d'améliorer la donnée d'abord : méthode de pointage accessible, flux de corrections traçables et règles cohérentes.
3) Risque 2 : décisions opaques (« boîte noire »)
Si les gens ne comprennent pas pourquoi ils ont été affectés à un quart, ils perçoivent de l'arbitraire. Toute recommandation doit être explicable : couverture, compétences, temps de repos, équité et préférences.
Exemple : « X a été affecté parce qu'il couvre le chariot élévateur et respecte le temps de repos » est explicable. « Le système l'a décidé » détruit la confiance.
4) Gouvernance : supervision humaine et droit de recours
Définissez qui supervise, comment on corrige et comment c'est documenté. L'automatisation nécessite un canal de révision humaine, et les corrections doivent être enregistrées.
Exemple : si une recommandation échoue à cause d'une donnée erronée, le responsable corrige la donnée avec motif, et le système apprend. Sans cette gouvernance, l'erreur se répète.
5) Gagnant-gagnant : moins de travail répétitif, plus de justice
Pour l'entreprise, l'IA peut réduire le temps de planification et améliorer la couverture. Pour le travailleur, elle peut améliorer l'équité si elle est utilisée avec des règles claires et de la transparence.
Le gagnant-gagnant apparaît quand l'IA n'impose pas : elle suggère, explique et permet la révision. La confiance est la condition du succès.