L'IA ne résoudra pas vos problèmes d'indicateurs clés de performance. Un autre guide de référence non plus.

Bernard Marr a publié plus de suggestions d'indicateurs clés de performance (KPI) qu'il n'existe d'espèces de coléoptères. À un moment donné, quelqu'un a sans doute jeté un œil à cette liste et s'est dit : « Il nous faut un plus gros bateau. » Le genre est bien établi. Voici 75 KPI pour le commerce de détail. En voici 50 pour la santé. En voici 127 pour tout ce que votre organisation fait ce trimestre. Choisissez ceux qui vous semblent pertinents, intégrez-les à votre tableau de bord, et la gestion de la performance est résolue. Marr n'est pas le seul dans ce cas ; il est simplement l'exemple le plus prolifique de toute une catégorie d'édition et de conseil construite sur le même postulat : le problème de la mesure est un problème de sélection. Ce qui est faux. L'intelligence artificielle est désormais entrée en scène. Naturellement, elle a été appliquée au problème de la sélection avec un grand enthousiasme. Nommez vos priorités stratégiques à un modèle de langage et il vous fournira des KPI — plus rapidement, plus nombreux et formulés avec plus d'assurance que n'importe quel ouvrage de référence. Certains outils les comparent même aux normes du secteur. Ce qu'aucun d'eux ne vous dira, c'est si la mesure constitue une preuve. Il ne s'agit pas d'une critique de la technologie, mais d'une description du problème dont elle a hérité. L'IA n'a pas créé le fossé épistémique au cœur de la mesure de la performance ; elle lui a simplement fourni un moteur plus rapide. Voici ce fossé. Soixante-dix ans de littérature sur la mesure de la performance ont produit des outils d'évaluation. Tableaux de bord, OKR, cadres d'indicateurs clés de performance (KPI) : tous répondent à une variante de la même question : où en sommes-nous ? Ils sont conçus pour porter un jugement. Les instruments de preuve répondent à une question différente : que s'est-il réellement passé et pouvons-nous le démontrer ? Ils sont conçus pour produire un document vérifiable, un compte rendu qui résiste à l'examen lorsqu'une personne extérieure à la réunion demande à connaître le fondement d'une décision. La différence semble subtile. En pratique, c'est la différence entre un document de gouvernance et une présentation PowerPoint. W. Edwards Deming avait compris cette distinction. Il avait compris que la mesure sans fondement statistique produit du bruit déguisé en signal ; que ce qui est rapporté comme données de performance est souvent une variation qui se serait produite de toute façon, attribuée à des décisions qui n'y étaient pour rien. Le Field a lu Deming, a créé de meilleurs tableaux de bord et est passé à autre chose. La question qu'il soulevait réellement a été classée dans la catégorie « production » et y est restée en grande partie. La question était la suivante : qu’est-ce qui fait qu’une mesure est considérée comme une preuve ? Les ouvrages de Marr n’y répondent pas. Ils ne le peuvent pas ; il ne s’agit pas d’une question à laquelle on peut trouver une réponse toute faite. Cela exige un cadre avec une cascade définie, des seuils prédéfinis et une logique d’étalonnage consignée avant le déploiement, et non reconstituée a posteriori. Autrement dit, cela requiert précisément le type de rigueur structurelle qui rend la consultation d’indicateurs clés de performance (KPI) fastidieuse – jusqu’au moment où il faut justifier une décision d’allocation de ressources auprès d’un conseil d’administration, d’un donateur ou d’un organisme de réglementation, et où le tableau de bord ne fournit aucune information supplémentaire. L’IA accélère quelle que soit l’approche adoptée. Si vous lui fournissez une architecture de preuves bien conçue, elle peut accomplir des tâches utiles au sein de cette structure. Si vous lui soumettez une liste de KPI qui a semblé pertinente lors d’une réunion, elle vous aidera à en produire davantage, plus rapidement, dans la police de votre choix. Le cadre MetriqOne a été élaboré à partir de la question soulevée par Deming et largement abandonnée par le Field . Non pas que les guides de référence soient inutiles, mais parce que la sélection n'a jamais été le plus difficile. La difficulté réside dans l'étalonnage : savoir à l'avance ce que vos indicateurs sont censés détecter, dans quelles conditions et quelles conséquences en cas de non-détection. La réponse se trouve dans *Foundations of Evidence-Based Leadership* (Livre II), qui retrace l'échec épistémique de cinq grandes traditions de mesure et identifie précisément les erreurs commises par le Field . La solution pour le déploiement – comment mettre en place un processus permettant de produire des données probantes vérifiables au sein d'organisations dépourvues d'infrastructure stable, de données fiables ou de logiciels spécialisés – est présentée dans *Proof Without Judgement* (Livre I). Ces deux ouvrages sont disponibles sur Amazon. Aucun ne contient de liste de 75 indicateurs clés de performance (KPI). Il s'agit d'un atout, et non d'un oubli. Torgeir Skogvold est le fondateur de MetriqOne et l'auteur de la trilogie MetriqOne : *Measurement for the Real World*.