Gestion algorithmique

La gestion algorithmique est un terme utilisé pour décrire certaines pratiques de gestion du travail dans l' économie numérique contemporaine . Dans le milieu universitaire, ce terme a été initialement forgé en 2015 par Min Kyung Lee, Daniel Kusbit, Evan Metsky et Laura Dabbish pour décrire le rôle managérial joué par les algorithmes sur les plateformes Uber et Lyft , mais a depuis été repris par d'autres chercheurs pour décrire plus généralement les caractéristiques managériales et organisationnelles des économies de plateforme . Cependant, la digitalisation du travail était déjà présente dans le secteur manufacturier depuis les années 1970 et la gestion algorithmique se généralise de plus en plus dans un large éventail de secteurs

Le concept de gestion algorithmique peut être défini de manière générale comme la délégation de fonctions managériales à des systèmes algorithmiques et automatisés. La gestion algorithmique a été rendue possible par les récents progrès des technologies numériques, qui permettent la collecte de données en temps réel et à grande échelle. Ces données sont ensuite utilisées pour améliorer les algorithmes d'apprentissage qui réalisent les fonctions d'apprentissage et de contrôle traditionnellement assurées par les gestionnaires. Ce terme ne se réfère pas à une technologie sous-jacente spécifique et englobe les choix de conception, les politiques organisationnelles et la gouvernance qui encadrent l'utilisation managériale des algorithmes sur le lieu de travail.

Dans le monde du travail contemporain, les entreprises utilisent tout un ensemble d'outils comptables, tels que des classements, des listes, des classifications, des systèmes d'étoiles et autres symboles, afin de gérer efficacement leurs opérations et de créer de la valeur sans recourir aux formes traditionnelles de contrôle hiérarchique. Nombre de ces outils relèvent de ce que l'on appelle la gestion algorithmique et ont été initialement développés par des entreprises opérant dans l' économie collaborative ou l'économie des plateformes , constituant ainsi des mesures efficaces de réduction des coûts et de la main-d'œuvre. L' article explicatif de Data&Society , par exemple, décrit la gestion algorithmique comme « un ensemble diversifié d'outils et de techniques technologiques qui structurent les conditions de travail et gèrent les effectifs à distance ». Data&Society propose également une liste de cinq caractéristiques typiques de la gestion algorithmique :

• Collecte et surveillance intensives des données des travailleurs grâce à la technologie ;
• Réactivité en temps réel aux données qui éclairent les décisions de gestion ;
• Prise de décision automatisée ou semi-automatisée ;
• Transfert des évaluations de performance vers des systèmes de notation ou d'autres indicateurs ; et
• L’utilisation de « nudges » et de sanctions pour inciter indirectement les travailleurs à adopter certains comportements.

Les partisans du management algorithmique affirment qu’il « crée de nouvelles opportunités d’emploi, des services aux consommateurs plus performants et moins coûteux, ainsi que de la transparence et de l’équité dans des segments du marché du travail caractérisés par l’inefficacité, l’opacité et l’arbitraire des supérieurs hiérarchiques » . À l’inverse, ses détracteurs soutiennent que cette pratique engendre plusieurs problèmes, notamment en ce qui concerne le statut d’emploi des travailleurs encadrés par ces nouveaux outils et techniques

De plus, des recherches récentes ont défini des sous-concepts relevant du terme générique de gestion algorithmique, comme par exemple le « nudging algorithmique ». Un article de la Harvard Business Review publié en 2021 explique : « Les entreprises utilisent de plus en plus les algorithmes pour gérer et contrôler les individus, non pas par la force, mais en les incitant à adopter des comportements souhaitables ; autrement dit, en apprenant de leurs données personnalisées et en modifiant subtilement leurs choix. » Bien que ce concept s’appuie sur la théorie du nudging popularisée par l’économiste Richard Thaler de l’Université de Chicago et le professeur Cass Sunstein de la faculté de droit de Harvard , « grâce aux récents progrès de l’IA et de l’apprentissage automatique, le nudging algorithmique est bien plus puissant que son homologue non algorithmique. Disposant d’une telle quantité de données sur les comportements des employés, les entreprises peuvent désormais élaborer des stratégies personnalisées pour modifier les décisions et les comportements individuels à grande échelle. Ces algorithmes peuvent être ajustés en temps réel, ce qui rend l’approche encore plus efficace. »

La gestion algorithmique a été comparée et opposée à d'autres formes de gestion, telles que les approches de gestion scientifique , initiées par Frederick Taylor au début du XXe siècle. Henri Schildt a qualifié la gestion algorithmique de « gestion scientifique 2.0 », où la gestion « n'est plus une pratique humaine, mais un processus intégré à la technologie » . De même, Kathleen Griesbach, Adam Reich, Luke Elliott-Negri et Ruth Milkman suggèrent que, bien que « le contrôle algorithmique du travail soit relativement récent, il reproduit de nombreuses caractéristiques d'anciens mécanismes de contrôle du travail »

En revanche, certains commentateurs ont soutenu que la gestion algorithmique n'est pas simplement une nouvelle forme d'organisation scientifique du travail ou de taylorisme numérique , mais représente une approche distincte du contrôle du travail dans les économies de plateforme. David Stark et Ivana Pais, par exemple, affirment que :

Contrairement à l’organisation scientifique du travail du début du XXe siècle, le management algorithmique du XXIe siècle repose sur des règles, certes, mais non bureaucratiques ; sur des hiérarchies, mais non hiérarchiques ; et sur un contrôle, mais non disciplinaire. Le management algorithmique n’automatise pas les structures et pratiques bureaucratiques pour créer une nouvelle forme de bureaucratie algorithmique. Tandis que les dispositifs et pratiques du taylorisme s’inscrivaient dans un système de supervision hiérarchique, ceux du management algorithmique se déploient au sein d’une économie de l’attention différente et d’un nouveau régime de visibilité. Triangulaires plutôt que verticales, et non panoptiques, les lignes de vision du management algorithmique ne sont pas des lignes de supervision.

De même, Data&SocietyL'explication de [auteur] sur le management algorithmique affirme que cette pratique représente une rupture marquée avec les structures de management antérieures qui s'appuyaient davantage sur la supervision humaine pour diriger les employés. En analysant les différences et les similitudes avec les styles de management précédents, David Stark et Pieter Vanden Broeck étendent l'applicabilité du management algorithmique au-delà du lieu de travail. Ils développent une théorie du management algorithmique en termes de changements plus larges dans la forme et la structure des organisations au XXIe siècle, en tenant compte de l'érosion des frontières organisationnelles par laquelle des acteurs, des ressources et des activités hétérogènes sont cooptés indépendamment de leur place dans l'espace organisationnel. Stark et Vanden Broeck proposent les moyens suivants de différencier le management algorithmique des autres paradigmes de management historiques :

La gestion algorithmique peut constituer un moyen efficace de contrôler la main-d'œuvre et de créer de la valeur dans l'économie numérique contemporaine. Cependant, plusieurs problèmes qu'elle soulève, notamment pour les travailleurs concernés, ont été mis en lumière. Les critiques formulées à son encontre soulignent souvent des points essentiels : l'imperfection et la portée limitée de ses mesures de surveillance et de contrôle, qui risquent d'exclure les travailleurs des processus décisionnels clés ; le manque de transparence pour les utilisateurs et les asymétries d'information ; le risque de biais et de discrimination ; la tendance à la déshumanisation ; et la possibilité de créer des conditions qui contournent la responsabilité traditionnelle entre employeur et employé. Ce dernier point est particulièrement controversé, car certaines entreprises ont utilisé la gestion algorithmique pour requalifier des travailleurs en tant que contractuels indépendants plutôt qu'en tant qu'employés. Ces conséquences négatives affectent particulièrement les travailleurs migrants, intégrés aux processus de travail existants dans des conditions plus défavorables, via une gestion algorithmique paramétrable linguistiquement. Un autre problème crucial concerne le manque de transparence de ces dispositifs, particulièrement problématique dans le contexte de l'emploi car il accentue les asymétries d'information déjà existantes entre les parties à un contrat de travail. Ces problèmes ont parfois donné lieu à des critiques publiques, des poursuites judiciaires, et des grèves sauvages. Toutefois, le droit du travail et la législation sur la protection des données, du moins en Europe, semblent comporter de nombreux mécanismes de régulation visant à favoriser la transparence algorithmique sur le lieu de travail et, par conséquent, à déceler les violations des règles limitant déjà les abus de pouvoir des employeurs.