Comment l’intelligence artificielle peut aider à détecter et gérer le job hugging ?

Le job hugging correspond au fait de s’accrocher à son emploi par peur de l’instabilité du marché du travail. Le salarié ne progresse plus et n’est pas pleinement satisfait de son travail. Il n’est pas totalement engagé pour l’entreprise, mais il reste pour ne pas être confronté à la difficulté que constitue la recherche d’un job. De plus, il est réticent même si une opportunité d’emploi attractive se présente.

Les causes du job hugging sont les suivantes :

• Instabilité économique et réduction des effectifs dans certaines entreprises
• Opportunités d’emploi rares
• Peur de l’inconnu et du changement
• Crainte d’être remplacé par l’IA

Ce phénomène a des conséquences pour les salariés :

• Perte de confiance et d’estime de soi
• Fausse croyance de ne pas pouvoir trouver mieux
• Absence d’évolution des compétences
• Employabilité fragilisée
• Anxiété par peur de prendre des risques
• Baisse des prises d’initiative et de l’implication
• Risque de burn-out

Et le job hugging a également un impact sur l’entreprise :

• Engagement faible malgré un turnover faible
• Désengagement impactant la productivité
• Risque de perdre en compétitivité
• Impact de l’ambiance de travail
• Fidélité des talents incertaine

Différence entre job hugging et job cuffing

Le job hugging ne doit pas être confondu avec le job cuffing. Dans le cas du job cuffing, le salarié ne souhaite pas quitter un emploi qu’il n’aime pas seulement par sécurité, sans peur du contexte économique. Le phénomène est souvent comparé à une relation de couple, dans laquelle on reste par habitude ou par peur de la solitude.

Comment détecter le job hugging grâce à l’IA ?

Le machine learning et le deep learning permettent d’identifier les salariés susceptibles d’être dans une situation de job hugging. Pour cela, plusieurs données sont analysées par les modèles prédictifs :

• Carrière de chaque salarié (ancienneté, formations, responsabilités, acquisition de compétences, promotions…)
• Performances des salariés (qualité du travail, réalisation des objectifs fixés…)
• Probabilité qu’un salarié quitte ou non l’entreprise prochainement

De plus, les modèles de langage et le NLP peuvent, avec le consentement des salariés, repérer des signes de frustration, de désengagement ou de stagnation dans leurs écrits :

• Messages sur la messagerie instantanée (Teams, Slack, Google Chat)
• E-mails professionnels et tickets
• Réponses aux sondages internes

Job hugging : Suivi et prédiction

Grâce au MLOps, il est possible de mettre en place des systèmes pour :

• Suivre les indicateurs d’engagement
• Prédire le turnover
• Surveiller en temps réel les indicateurs RH liés au job hugging : satisfaction, participation, motivation…

Cela permet d’anticiper les départs des salariés et de prendre des décisions adaptées à la situation actuelle.

Recommandation d’actions pour limiter le job hugging

Un RAG (Retrieval-Augmented Generation) associé aux embeddings (représentations numériques d’un texte, mot, phrase ou document dans un espace vectoriel), permet :

• D’analyser les compétences et les qualités professionnelles des salariés
• De créer une base de connaissances internes pour proposer des formations et des opportunités de mobilité interne aux collaborateurs.
• De conseiller aux managers d’apporter du soutien et de la reconnaissance aux employés

Cela permet à l’entreprise d’agir de façon proactive avant que le job hugging survienne.

Identification des besoins

Grâce au prompt engineering, un chatbot RH peut inciter les collaborateurs à exprimer leurs envies et leur ressenti et d’identifier leurs besoins. L’entreprise peut ainsi mettre en place des solutions et réduire le risque de job hugging.