DATARH

// Glossaire Expert

Lexique Data RH

Comprendre les technologies qui transforment les RH en 2026. Du People Analytics à l'IA Générative, les définitions pour décider.

Analyse Prédictive (Predictive Analytics)

Utilisation de données historiques et d'algorithmes de machine learning pour anticiper des événements futurs. En RH, elle permet notamment de prédire le risque de turnover avant qu'il ne survienne.

Machine Learning
Signaux faibles
Rétention

◈

Biais Algorithmique

Erreur systématique dans un système d'IA qui produit des résultats injustes ou discriminatoires. Crucial pour la conformité avec l'IA Act, notamment dans les processus de recrutement automatisés.

Éthique
IA Act
Conformité

◉

People Analytics

Démarche consistant à utiliser les données sociales pour optimiser la performance des collaborateurs et leur bien-être. C'est le socle de l'analyse de données RH moderne.

KPI RH
Data-Driven
ROI Humain

◫

RAG (Retrieval-Augmented Generation)

Technique permettant à une IA d'interroger vos documents internes (Règlement intérieur, accords d'entreprise) pour répondre avec précision aux salariés, évitant ainsi les hallucinations de l'IA classique.

IA Générative
Chatbot RH
Knowledge Management

⬡

Shadow AI (IA Fantôme)

Usage d'outils d'IA par les collaborateurs sans l'approbation ou le contrôle de la DSI ou des RH. Un risque majeur pour la confidentialité des données sociales et la charge de travail invisible.

Sécurité
Gouvernance
Data Privacy

◈

Données (Data) & Données Structurées

La donnée est le carburant de l'IA. Les données structurées (tableaux Excel, bases de données RH) sont organisées et facilement exploitables, contrairement aux données non-structurées (emails, comptes-rendus d'entretiens) qui nécessitent une IA générative pour être analysées.

Big Data
Qualité de donnée
SQL

◈

Apprentissage (Supervisé vs Non-Supervisé)

L'apprentissage supervisé consiste à entraîner une IA avec des exemples étiquetés (ex: "ce profil a démissionné"). L'apprentissage non-supervisé laisse l'IA trouver seule des structures cachées dans vos données, idéal pour détecter des segments de collaborateurs aux besoins similaires.

Machine Learning
Classification
Clustering

◉

Entraînement (Training)

Processus itératif où l'on soumet des volumes massifs de données à un algorithme pour qu'il apprenne à réaliser une tâche. En RH, l'entraînement doit être rigoureux pour éviter que l'IA ne reproduise des décisions historiques biaisées.

Deep Learning
Optimisation
Datasets

⬡

Agent IA

Un système capable d'utiliser des outils et de prendre des décisions pour accomplir un objectif complexe de manière autonome (ex: un agent qui planifie des entretiens en consultant les agendas et en envoyant les convocations).

Autonomie
Workflows
Agents autonomes

◈

ACP (Analyse en Composantes Principales)

Méthode statistique de réduction de dimensionnalité. Elle permet de simplifier des données RH massives (ex: 100 indicateurs d'engagement) en quelques axes majeurs pour identifier les vrais leviers de motivation sans perdre l'information essentielle.

Data Science
Statistiques
Visualisation

◫

Automatisation

Utilisation de technologies pour exécuter des tâches répétitives sans intervention humaine (tri de CV, génération de contrats, workflows d'onboarding). Elle vise à supprimer les erreurs de saisie et à libérer du temps pour le conseil RH.

Productivité
RPA
Efficience

◈

Chain of Thoughts (Chaîne de Pensée)

Technique de prompting qui incite l'IA à décomposer son raisonnement étape par étape. Indispensable en RH pour des analyses complexes comme l'explication d'un écart de rémunération ou l'interprétation d'un point de droit social.

Logique
Raisonnement
Prompt Engineering

◈

Deep Learning (Apprentissage Profond)

Sous-domaine du Machine Learning basé sur des réseaux de neurones artificiels profonds. C'est la technologie derrière la reconnaissance vocale et l'analyse sémantique avancée des documents RH non structurés.

Neurones
IA Avancée
Big Data

◉

Few-Shot Learning

Capacité d'un modèle d'IA à réaliser une tâche avec seulement quelques exemples fournis dans le prompt (ex: donner 3 exemples de réponses types pour entraîner l'IA à répondre comme votre marque employeur).

Prompting
Agilité
Apprentissage

⬡

Fine-Tuning (Ajustement)

Processus de spécialisation d'un modèle pré-entraîné sur un jeu de données spécifique (ex: vos accords d'entreprise) pour qu'il adopte le ton, le vocabulaire et les règles propres à votre organisation.

Personnalisation
Expertise
Entraînement

◉

Hallucination

Phénomène où l'IA génère des informations fausses de manière très convaincante. En RH, cela nécessite la mise en place de garde-fous (RAG) pour éviter l'invention de procédures légales ou de données salariés.

Risque
Vérification
Fiabilité

◈

IA Agentic (Agents IA)

IA capable d'agir de manière autonome pour atteindre un but complexe. Un agent RH peut décider seul de contacter un candidat, vérifier son calendrier et planifier un entretien sans validation intermédiaire.

Autonomie
Action
Workflows

◉

IA Conversationnelle

Technologies permettant une interaction fluide en langage naturel entre l'humain et la machine (Chatbots, Voicebots). Elle automatise le support collaborateur de premier niveau (questions sur les congés, mutuelle, etc.).

UX
Interface
Support

◈

Latence

Délai entre l'envoi d'une requête à l'IA et la réception de sa réponse. Une latence faible est cruciale pour l'adoption des outils RH par les salariés afin de garantir une expérience fluide et instantanée.

Performance
Infrastructure
UX

⬡

LLM (Large Language Model)

Modèle de langage entraîné sur des milliards de mots. C'est le cerveau qui permet de comprendre les intentions des salariés et de générer du contenu RH (comptes-rendus, annonces, synthèses) de haute qualité.

GPT-4
NLP
IA Générative

◉

Low-Code / No-Code

Plateformes permettant de créer des outils et automatisations RH avec peu ou pas de programmation. Elles redonnent le pouvoir technologique aux RH pour créer leurs propres solutions métiers (Airtable, Make).

Agilité
Autonomie
Innovation

◫

Machine Learning (Apprentissage Automatique)

Science consistant à donner aux ordinateurs la capacité d'apprendre à partir de données sans être explicitement programmés. C'est le socle des modèles prédictifs de turnover et d'absentéisme.

Algorithmes
Patterns
Data Science

◉

Modèle

Représentation mathématique d'un processus, "entraînée" sur des données pour accomplir une tâche spécifique (classer, prédire, générer). Un modèle RH est l'outil final qui prend une décision assistée.

Architecture
Entraînement
Décision

⬡

Modèles Neuronaux (Réseaux de Neurones)

Algorithmes inspirés de la structure du cerveau humain. Ils sont particulièrement efficaces pour identifier des relations complexes et non-linéaires entre les variables RH (ex: lien entre formation, trajet et démission).

Biomimétisme
Complexité
IA

◉

No-Code

Approche permettant de construire des applications logicielles complexes sans écrire une seule ligne de code. En RH, cela permet de digitaliser des processus métiers (entretiens, suivi de formation) en quelques jours via des interfaces visuelles.

Démocratisation
Agilité
SaaS

◫

NLP (Natural Language Processing)

Traitement du Langage Naturel. Branche de l'IA qui permet aux machines de lire, comprendre et interpréter le langage humain. C'est l'outil qui analyse le "sentiment" d'un collaborateur à travers ses réponses textuelles à un sondage.

Linguistique
Sémantique
Analyse

◈

Overfitting (Sur-apprentissage)

Erreur d'analyse où un modèle s'adapte trop précisément aux données historiques, au point de ne plus savoir prédire l'avenir. Un modèle RH "overfitté" sur le passé risque de rejeter des candidats innovants simplement parce qu'ils ne ressemblent pas aux anciens recrutés.

Biais
Précision
Statistiques

◉

Probabilité

Mesure de la certitude qu'un événement se produise. Contrairement aux règles rigides du SIRH classique, l'IA RH fonctionne par probabilités (ex: "ce candidat a 85% de chances de correspondre au poste"), ce qui impose toujours une validation humaine finale.

Incertitude
Prédiction
Score

⬡

Hyper-paramètres

Réglages configurés avant l'entraînement d'un modèle d'IA pour optimiser sa performance. En Data RH, ajuster les hyper-paramètres permet de trouver le bon équilibre entre la vitesse d'analyse et la finesse de la détection des compétences.

Configuration
Optimisation
Fine-tuning

◉

Reinforcement Learning (Apprentissage par Renforcement)

Méthode où l'IA apprend par "essais et erreurs" en recevant des récompenses pour ses bonnes décisions. Utilisé pour optimiser des workflows RH complexes comme l'attribution dynamique des ressources ou la planification d'équipes.

Auto-apprentissage
Optimisation
Décision

◈

RAG (Retrieval-Augmented Generation)

Technique connectant un LLM à vos documents internes sécurisés. Le RAG permet à l'IA de répondre aux salariés en se basant uniquement sur VOTRE règlement intérieur ou VOS accords d'entreprise, éliminant ainsi les hallucinations.

Fiabilité
Connaissance
Sécurité

◉

Semantic Search (Recherche Sémantique)

Recherche basée sur le sens des mots plutôt que sur des mots-clés exacts. Elle permet de trouver un candidat "expert en gestion de crise" même si son CV mentionne uniquement "résolution de situations d'urgence".

Matching
Recrutement
Intelligence

◈

Reverse Engineering (Rétro-ingénierie)

Analyse d'un processus ou d'un outil existant pour comprendre son fonctionnement interne. En Data RH, cela permet de décoder les règles logiques d'un vieux SIRH pour mieux l'automatiser ou le migrer.

Audit
Legacy
Logique

◈

Alignement

Discipline consistant à s'assurer que les objectifs et le comportement d'une IA sont conformes aux valeurs humaines et aux règles de l'entreprise. C'est le rempart essentiel contre les décisions RH "froides" ou éthiquement discutables.

Éthique
Sécurité
IA Responsable

◉

Un terme reste flou ?
Nous traduisons la tech en RH.

Posez votre question →