Dans la paie, les erreurs d’IA les plus dangereuses semblent correctes

La paie fait partie des rares processus d’entreprise où chaque erreur porte un nom, un montant et une date. C’est pourquoi l’IA appliquée à la paie mérite une réflexion plus approfondie, alors que la plupart des discussions se concentrent sur ce que l’IA détecte. La question la plus difficile est de savoir ce que l’IA modifie à l’insu de tous.

J’ai travaillé dix-sept ans dans la finance, d’abord comme directeur financier, puis en créant une infrastructure de paie transfrontalière. Au fil du temps, j’ai appris à considérer l’automatisation comme un échange : on renonce à un travail manuel visible en contrepartie d’un fonctionnement invisible du système.

Ce que prévoit réellement la réglementation

Selon le règlement européen sur l’IA, l’IA utilisée dans le monde du travail présente un risque élevé lorsqu’elle contribue à prendre une décision concernant une personne : qui est recruté, promu ou licencié, comment son travail est attribué, comment ses performances sont évaluées ou comment les conditions de son travail évoluent. Ces décisions façonnent l’emploi et les revenus d’une personne ; l’entreprise qui utilise l’outil doit donc maintenir un contrôle humain et consigner la manière dont chaque décision a été prise. Par défaut, le calcul de la paie ne figure pas sur cette liste, car appliquer les taux convenus aux heures approuvées relève de l’arithmétique. Il devient toutefois à haut risque lorsque les données de paie commencent à alimenter des décisions concernant des personnes, ou lorsqu’un outil vendu comme un outil de « paie » se met discrètement à prendre ces décisions.

Aux États-Unis, le National Institute of Standards and Technology (NIST), un organisme fédéral connu pour établir des normes techniques et de sécurité, a publié dès 2023 un cadre de gestion des risques liés à l’IA, que les organisations peuvent facilement adapter à leur situation. Il propose aux entreprises un cycle pratique en quatre étapes, auquel je reviendrai plus loin.

Jusqu’où l’IA peut-elle aller sans risque dans la paie aujourd’hui ?

À première vue, l’IA appliquée à la paie ressemble à une paire de mains plus rapide. Pourtant, le superpouvoir de l’IA — et, en même temps, sa malédiction — réside dans une automatisation parfaite, fluide et addictive. Une fois le système en marche, il est difficile de voir et de corriger toutes les façons dont il affecte ses bénéficiaires ultimes : les personnes au travail. C’est pourquoi l’IA dans les ressources humaines est considérée comme présentant un risque élevé : elle a un effet direct sur les moyens de subsistance des personnes, leur réussite professionnelle et leurs perspectives de carrière.

La plupart des outils de paie suivent un parcours assez court. D’abord, ils vérifient et préparent les données, les comparent, signalent les anomalies et rédigent des documents. Ensuite, ils commencent à formuler des recommandations, en suggérant de suspendre un paiement ou de vérifier une facture, tandis qu’une personne prend la décision. À la troisième étape, lorsque l’outil intervient sur un élément qui affecte l’emploi, le statut ou les revenus d’une personne, il devrait s’arrêter et rendre la décision à un humain. La difficulté, c’est que ces étapes se confondent. Le signalement d’heures inhabituelles constitue un simple contrôle de rapprochement à la première étape, mais un jugement sur les performances à la troisième. Le modèle ne change pas entre les deux ; c’est l’usage que l’humain fait de son résultat qui change.

Là où l’IA apporte réellement une aide

La réduction spectaculaire des erreurs est l’un des résultats positifs de l’automatisation de la paie : elle peut atteindre 78 %, selon Blair McQuillen, d’Ignite HCM, un cabinet de conseil en paie. Un outil reposant sur l’IA et destiné à réduire les erreurs de paie effectue essentiellement les opérations suivantes pour analyser et corriger les systèmes de paie :

• La détection des anomalies consiste à utiliser des algorithmes d’apprentissage automatique qui comparent la paie aux données historiques afin de repérer les hausses soudaines de paiements, les doublons et les retenues inhabituelles.
• La validation des données en temps réel signifie que l’IA examine à la fois les données actuelles des employés (par exemple, les présences enregistrées automatiquement) et les systèmes sources (par exemple, les feuilles de temps), et signale les erreurs de copier-coller manuelles.
• La prévention prédictive des erreurs vise à anticiper les erreurs avant la finalisation de la paie.
• La conformité peut également être automatisée dans une certaine mesure par des agents d’IA. Ils surveillent le personnel et les calculs de paie et alertent immédiatement les ressources humaines, même avant la tenue d’un audit trimestriel. Faire intervenir l’IA dans la conformité en tant que lanceur d’alerte suppose de définir sans ambiguïté ses capacités et d’imposer la participation de personnes réelles à la prise de décision.
• Les prévisions fondées sur l’IA anticipent les effets des changements organisationnels ou des fluctuations du marché sur les coûts de paie et les budgets.

Selon le rapport OpenLadger, une API comptable intégrée alimentée par l’IA, les entreprises ont clôturé leurs comptes 19 % plus rapidement et amélioré de 34 % le respect de leurs budgets.

Quand la référence apprend de vos erreurs

La plupart des solutions d’IA pour la paie sont vendues en mettant en avant leur capacité d’apprentissage continu. Au fil du temps, le système détermine à quoi ressemble une paie normale dans votre organisation et compare chaque cycle à cette référence. C’est réellement utile, mais c’est aussi là que commence la défaillance silencieuse.

Un système qui apprend ce qui est « normal » à partir de l’historique apprend aussi les erreurs qu’il contient. Supposons qu’une retenue ait été appliquée de manière incorrecte pendant six mois. Le système de détection cesse de la signaler, car, après six mois de la même erreur, elle ne semble plus inhabituelle.

Le travail transfrontalier accentue le problème. Lorsque vous payez des prestataires dans de nombreux pays, avec différentes devises et méthodes de paiement, ce qui est « inhabituel » est souvent légitime : une étape clé d’un projet, un changement de canal de paiement, une mission ponctuelle ou l’ouverture d’un nouveau corridor de paiement. Avec le temps, un modèle réglé pour réduire les faux positifs commencera à supprimer aussi les vrais positifs.

Lorsqu’un versement est suspendu, signalé ou ajusté, quelqu’un doit en expliquer la raison : au prestataire qui attend son argent, à un auditeur plusieurs mois plus tard, puis, à terme, à un organisme de réglementation.

Trois façons de rendre l’automatisation de la paie vérifiable

1. Répartir les tâches. Un assistant unique qui ingère les données, classe les travailleurs, calcule les rémunérations, vérifie la conformité et envoie les bulletins de paie est pratique à acheter, mais difficile à auditer, car lorsqu’un résultat est erroné, il est impossible de savoir à quelle étape l’erreur s’est produite. Certains fournisseurs de solutions de paie adoptent déjà des architectures multi-agents, où différents composants prennent en charge l’ingestion des feuilles de temps, la classification des travailleurs, le calcul des rémunérations, la conformité et la communication, et consignent chacun leurs opérations dans une piste d’audit commune. Cette architecture coûte plus cher à mettre en place, mais cet investissement est rentabilisé dès qu’un organisme de réglementation demande comment une décision a été prise. Il est alors possible de remonter la chaîne étape par étape.
2. Hiérarchiser les actions selon leur réversibilité. Un modèle avec intervention humaine, désormais courant dans les technologies RH, répartit les actions automatisées en trois catégories : exécution automatique, escalade et blocage. Je les classerais selon un seul critère : le coût d’une erreur. Les actions à faible risque et réversibles, comme les rappels, les demandes de documents et les vérifications de mise en forme, peuvent être exécutées automatiquement. Pour les actions à risque moyen, comme suspendre un versement en attendant des précisions ou demander des éclaircissements sur une facture, l’IA devrait préparer les éléments nécessaires, puis une personne devrait prendre la décision. Les actions irréversibles, ainsi que tout ce qui touche aux moyens de subsistance d’une personne, doivent rester interdites à la machine : mettre fin à une relation de travail, changer le statut d’un travailleur ou retenir son salaire pour des raisons de conformité. Je me pose une seule question pour trancher : si cette action s’avérait erronée, pourrions-nous l’annuler avant que la personne concernée ne s’en rende compte ? Si la réponse est non, un humain doit donner son accord.
3. Mettre en place une gouvernance avant de passer à l’échelle. Le cadre de gestion des risques liés à l’IA du NIST que j’ai mentionné plus tôt repose sur quatre fonctions : gouverner, cartographier, mesurer et gérer. Dans le domaine de la paie, elles se traduisent par quatre questions. Qui est responsable du résultat : le service de paie, les finances, la conformité ou le fournisseur ? En vertu de l’AI Act, les obligations du déployeur incombent à l’organisation qui exploite le système ; « le fournisseur » n’est donc pas une réponse possible, même si de nombreux produits portent désormais la mention « prêt pour l’AI Act de l’UE ». Parmi vos outils, lesquels utilisent réellement l’IA, sachant que les logiciels achetés comme des solutions fondées sur des règles intègrent aujourd’hui de plus en plus d’apprentissage automatique ? À quelle fréquence les employés passent-ils outre les décisions de l’IA ? C’est le chiffre que je surveillerais de plus près, car un taux de dérogation proche de zéro signifie rarement que le modèle est infaillible et souvent que les personnes ont cessé de vérifier ses résultats. Et quelle est la solution de repli si le modèle est indisponible pendant la clôture de la paie, ou si ses résultats ne sont plus fiables ? L’équipe sait-elle encore gérer la paie manuellement ? Pour les responsables des RH et de la paie qui prévoient d’utiliser l’IA à grande échelle, cette structure mérite d’être mise en place dès le début.

L’ère de l’IA offre aux entreprises l’occasion de s’atteler aux tâches les moins prestigieuses : dresser l’inventaire des outils intégrant l’IA, tenir des journaux qui consignent le raisonnement et pas seulement les résultats, désigner des responsables pour chaque décision automatisée et examiner régulièrement les indicateurs de dérogation.

Lorsque les obligations relatives aux systèmes à haut risque entreront en vigueur, les auditeurs ne demanderont pas : « Utilisez-vous l’IA ? » Ils diront : « Montrez-moi pourquoi ce paiement a été effectué, suspendu ou modifié. » Les entreprises capables de répondre en quelques minutes pourront déployer l’automatisation avec succès.