Les ressources humaines connaissent actuellement une transformation profonde, passant d'un centre de coûts réactif à un moteur proactif de valeur ajoutée. Pourtant, de nombreuses organisations restent ancrées dans une approche minimaliste de l'analyse des données RH. Alors que les technologies génératives AI et les agents autonomes gagnent du terrain dans l'ensemble de l'entreprise, l'utilisation de la technologie data par les RH se limite encore souvent à la simple prévision du taux de rotation du personnel.

Red Hat a bâti une entreprise d'une valeur de 1 443,4 milliards de dollars grâce à Linux. IBM l'a rachetée. Cette transaction a confirmé une hypothèse qui tenait depuis quatre décennies : les entreprises tirant une valeur considérable du code partagé continueraient, dans leur propre intérêt, à financer les projets dont elles dépendaient. Cette hypothèse est aujourd’hui remise en question. Non pas parce que quelqu’un a décidé d’arrêter de financer l’open source. Mais parce que le secteur qui le finançait le plus — le SaaS — est en train d’être démantelé par celui qui en dépend le plus — AI.

Dans un article précédent, j'ai exploré comment huit équipes de recherche indépendantes sont parvenues à la même conclusion : au lieu de construire des systèmes de mémoire autour du modèle, il faut entraîner le modèle lui-même à gérer la mémoire comme une compétence acquise. L'entraînement post-mémoire — utilisant l'apprentissage par renforcement dans la phase post-entraînement — produit des agents qui décident quoi stocker, supprimer, consolider et récupérer, le tout optimisé en fonction de l'achèvement de la tâche.