Le CEO demande : comment Empatyzer évite l'étiquetage et protège les relations
TL;DR:
- Ne classe pas les personnes; présente avantages et inconvénients des traits.
- Prend en compte le contexte relationnel (diades/paires); les conseils dépendent de la relation, pas d'une étiquette.
- N'expose pas les scores bruts individuels; l'entreprise voit seulement des agrégats et des tendances.
- Les micro-leçons et Em utilisent un langage non jugeant et des scripts concrets pour éviter la stigmatisation.
- Paramètres de confidentialité par défaut et protections techniques limitent les mauvais usages.
Comment Empatyzer limite-t-il le risque d’étiqueter les collaborateurs ?
Empatyzer montre les personnes de manière contextuelle : une fonctionnalité peut avoir un avantage et un coût, la différence dépend de la relation spécifique et les cartes montrent la similitude sans valoriser la personne.
Fonctionnalités qui peuvent vous aider :
- Traits: Décrit les traits en fonction de leurs atouts potentiels et de leurs coûts, plutôt que de diviser les gens en bons et mauvais types.
- Comparaison: Montre la différence entre deux personnes spécifiques, de sorte qu’une même personne peut paraître différente dans différentes relations.
- Carte des similarités: Montre les distances et la disposition des personnes sans créer un classement des meilleurs et des pires employés.
Empatyzer a été conçu pour empêcher la simplification en étiquettes et pour éviter que des diagnostics ne deviennent des condamnations. Il n'attribue pas de « couleurs » permanentes ni de types figés: il donne une analyse nuancée en montrant points forts et limites de chaque caractéristique et la façon dont une personne fonctionne dans le contexte de son équipe. Le système travaille sur des diades, c'est-à-dire des comparaisons entre personnes ou entre une personne et une équipe, ce qui rend les recommandations dépendantes de la relation et non d'une classification simpliste. Les réponses d'Em et les micro-leçons sont formulées sans jugement et reposent sur des scripts affinés au fil des années pour supprimer les formulations stigmatisantes. Empatyzer ne livre pas de scores individuels bruts aux managers: les administrateurs ne voient que des indicateurs agrégés et des tendances de groupe, ce qui réduit le risque d'identifier et de stigmatiser une personne. Des réglages de confidentialité activés par défaut et des verrous techniques empêchent les intégrations qui faciliteraient le traçage d'individus; la possibilité de supprimer son compte ou de masquer des données renforce encore la protection. Les micro-leçons et les rappels forment des habitudes cognitives: au lieu d'une étiquette figée, l'outil apprend à repérer le contexte et à proposer actions concrètes adaptées à la relation. Empatyzer propose des scripts de conversation, adapte le ton au destinataire et suggère des pas concrets pour apaiser les tensions. Si un risque d'abus est détecté, le système alerte l'administrateur et recommande des mesures correctrices. Les consignes et la formation interdisent explicitement l'usage des données pour l'évaluation de performance ou le recrutement, clause reprise dans le contrat et consolidée techniquement par l'absence de rapports bruts. Enfin, le produit est volontaire et accessible à tous, ce qui réduit la pression et encourage une adoption axée sur l'amélioration des relations plutôt que sur la catégorisation.
Empatyzer supprime l'étiquetage grâce au contexte, au langage non jugeant, aux limites techniques et aux rapports agrégés; il aide à réparer les relations, pas à les dégrader.
Sources et recherches
- Barrick, M. R., & Mount, M. K. (1991). The Big Five Personality Dimensions and Job Performance: A Meta-Analysis. Personnel Psychology, 44(1), 1–26. https://doi.org/10.1111/j.1744-6570.1991.tb00688.x DOI: 10.1111/j.1744-6570.1991.tb00688.x
- DeYoung, C. G., Quilty, L. C., & Peterson, J. B. (2007). Between facets and domains: 10 aspects of the Big Five. Journal of Personality and Social Psychology, 93(5), 880–896. https://doi.org/10.1037/0022-3514.93.5.880 DOI: 10.1037/0022-3514.93.5.880
- William M. Grove; David H. Zald; Boyd S. Lebow; Beth E. Snitz; Chad Nelson (2000). Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 12(1), 19–30. https://doi.org/10.1037/1040-3590.12.1.19 DOI: 10.1037/1040-3590.12.1.19
- Bart A. De Jong; Kurt T. Dirks; Nicole Gillespie (2016). Trust and team performance: A meta-analysis of main effects, moderators, and covariates. Journal of Applied Psychology, 101(8), 1134–1150. https://doi.org/10.1037/apl0000110 DOI: 10.1037/apl0000110
Auteur: Empatyzer
Publié:
Mis à jour: