En 2023, une équipe de chercheurs a une idée originale. Faire passer un test d'intelligence émotionnelle à GPT-4. Résultat : un quotient émotionnel de 117, devant 89 % des humains testés. La presse s'emballe, l'IA aurait donc de l'empathie et plus que les humains. L'année suivante, une autre équipe reprend l'exercice, mais avec des scénarios plus retors : des émotions mêlées, des situations ambiguës, des causes cachées. Le même GPT-4 repasse sous l'humain moyen. Le modèle n'avait pas changé d'un octet. Ce qui avait changé, c'était la finesse des questions.
L'idée n'est pas neuve. Les psychologues Peter Salovey et John Mayer ont défini l'intelligence émotionnelle dès 1990 comme la capacité à percevoir, comprendre et réguler les émotions, les siennes et celles des autres.
La compréhension émotionnelle, clé des fonctions managériales aujourd'hui.
La compréhension émotionnelle, c'est lire l'émotion réelle derrière ce qu'une personne laisse voir. Vous le faites tous les jours, souvent sans y penser :
- un collègue qui répond « non, non, tout va bien » d'une voix qui dit l'inverse
- un rire mal placé qui peut cacher une détresse émotionnelle
- un candidat sûr de lui dont la voix se serre sur un sujet en particulier
En 2026, elle devient décisive parce que l'IA s'invite dans toutes les interactions humaines : elle résume vos réunions, analyse vos appels et rédige vos réponses. Or l'IA ne comprend pas certaines situations, et c'est critique que vous la repreniez. La valeur d'un candidat se loge là où il la dépasse, et une meilleure lecture des émotions peut avoir un impact significatif sur son travail.
Ce que l'IA sait lire, et ce qui lui échappe
Sur la reconnaissance d'émotions simples, l'IA est bonne, parfois meilleure que nous. Sur la compréhension fine, elle décroche significativement. Le benchmark EmoBench (Sabour et al., présenté en 2024 à ACL, la principale conférence de recherche sur le langage) a été construit pour mesurer cet écart : 400 scénarios écrits à la main, pensés pour exiger un vrai raisonnement émotionnel.
Le résultat est net. Sur la dimension compréhension, le meilleur modèle testé, GPT-4, plafonne à 59,8 % de bonnes réponses. Il se trompe donc quasiment une fois sur deux. C'est beaucoup.
Sur une douzaine de modèles (GPT-4, GPT-3.5, Claude, Llama 2 et d'autres), aucun n'atteint l'humain moyen, et surtout, aucun ne dépasse jamais les personnes à forte intelligence émotionnelle. Et c'est elles que vous voulez demain dans vos postes de management de proximité par exemple. Un collaborateur capable de décrypter ses émotions et celles de son équipe, d'anticiper les conflits grâce à des signaux faibles captés finement, et de comprendre ce qui se joue fondamentalement dans ces conflits lorsqu'ils éclatent.
Prenez un scénario typique d'EmoBench : après une journée catastrophique, Sam éclate de rire quand sa voiture tombe en panne. Quelle émotion ressent-il ? L'IA, qui lit l'étiquette « rire », penche pour la joie. Un humain comprend que le rire masque l'accablement, et il devine pourquoi. Sam craque. Il n'en peut plus et croire qu'il est en train de s'amuser est dangereux.
Pour un employé, le danger n'est pas que l'IA se taise. C'est qu'elle réponde avec assurance. Elle vous donnera un sentiment « positif » sur le client emballé ou sur un collaborateur satisfait. De plus, l'outil affichera la même confiance dans les deux cas. Cet écart est mesuré sur les modèles d'aujourd'hui, il bougera peut-être avec les prochains. Mais à date, l'émotion ambiguë reste un terrain humain et ne s'améliore pas avec les derniers modèles d'Anthropic ou de OpenAI.
Le cas d'usage : recruter quelqu'un qui lit la pièce
Vous recrutez le manager d'une petite équipe de développeurs : un poste où il faut être au coeur de son équipe pour comprendre les défis de chacun pour les accompagner. Comprendre ce que l'autre ressent est un vrai plus. Le candidat aura accès à ChatGPT, et n'hésitera pas à le consulter en cas de conflit dans son équipe.
Deux profils se présentent. En entretien, les deux sont chaleureux, articulés, racontent bien une situation difficile qu'ils ont gérée. La différence ne se voit pas en discutant. Seulement voilà, l'un sentira qu'un client « satisfait » est en réalité sur le départ, ou qu'un collaborateur silencieux couvre une axiété et il agit avant. L'autre lit l'étiquette « satisfait », et fera face aux conséquences du conflit quand il arrivera.
| Sans la bonne évaluation | Avec la bonne évaluation |
|---|---|
| Vous demandez « parlez-moi d'un conflit que vous avez désamorcé ». Les deux candidats répondent bien. Ils y sont préparés. | Vous confrontez le candidat à des scénarios scientifiquement ambigus, émotions mêlées et causes cachées, et vous regardez s'il lit l'émotion réelle. |
| Vous ne voyez pas qu'il se fie au signal de surface, comme le ferait un outil d'analyse de sentiment. | Vous voyez en quinze minutes s'il distingue le « tout va bien » sincère du « tout va bien » qui craque. |
| Vous l'embauchez, et c'est le terrain (clients perdus, équipe qui se tait) qui révèle l'angle mort. | Vous l'embauchez en ayant identifié sa force, et êtes rassuré qu'il aura plus d'armes que d'autres pour gérer les tempêtes. |
La compréhension n'est qu'une moitié de l'intelligence émotionnelle. L'autre, savoir quoi faire une fois l'émotion comprise, fait l'objet d'un test jumeau, l'application émotionnelle, où l'IA s'en sort un peu mieux mais reste sous l'humain.
Comment évaluer cette compétence, et pourquoi c'est difficile ?
Les candidats préparent leurs entretiens, et c'est vraiment difficile de jouer des émotions qu'un candidat doit identifier. De plus, les outils RH classiques mesurent mal la lecture fine des émotions. La conception d'une grille d'évaluation des émotions est assez technique, et vous devrez la calibrer auprès d'un grand nombre de candidats. Heureusement pour vous, pour notre test, c'est déjà fait.
Notre approche part d'une fondation publiée. Le test de compréhension émotionnelle s'appuie sur EmoBench, le corpus de Sabour et al., lui-même bâti sur les théories de l'intelligence émotionnelle de Salovey, Mayer et Goleman. Nous ne fabriquons pas un test maison, nous partons d'un protocole déjà éprouvé par la recherche.
Ensuite, nous le prolongeons. Nous rejouons les épreuves contre les modèles récents (Claude, GPT, Gemini), dans des conditions documentées, et nous recalibrons des items conçus pour des IA afin qu'ils soient passables par des humains. C'est la seule façon de savoir où se situe l'écart maintenant, pas en 2024. Trois précautions encadrent ce genre de comparaison : un test pensé pour des humains ne mesure pas forcément la même chose chez un modèle ; les scores d'IA vieillissent en quelques mois ; et un modèle a pu croiser un test public pendant son entraînement. Nos chiffres sont des repères datés, pas des vérités gravées.
Le test ne prétend pas prédire la réussite d'un candidat dans poste. Mais il mesure une chose critique : sa capacité à identifier l'émotion réellement ressentie et sa cause. Les entretiens, les mises en situation et les tests de personnalité gardent toute leur place à côté.
Pour aller plus loin
Vous voulez voir le test de l'intérieur ?
La première option : passez-le vous-même. Quelques scénarios, l'émotion réelle à identifier et sa cause, puis une comparaison de votre score avec celui des modèles d'IA. Passez le test en 15 minutes → La seconde : discutons-en. Prenez rendez-vous et posez toutes vos questions. Prendre rendez-vous →
Sur un thème proche
Si l'angle vous parle, deux autres compétences que l'IA gère mal : le raisonnement abstrait, où il a fallu plus d'un million de dollars de calcul à une IA pour égaler un humain, dans notre article la compétence qui résiste encore à l'IA, et la négociation commerciale, où les modèles connaissent la théorie et perdent quand même de l'argent, dans pourquoi l'IA perd en négociation.
Questions fréquentes
L'IA n'est-elle pas déjà douée pour détecter les émotions ?
Pour les émotions simples et explicites, oui. Un test de reconnaissance a même donné à GPT-4 un quotient émotionnel qui surpasse 89 % des humains (Wang et al, 2023). Mais sur un test exigeant de la compréhension fine, émotions mêlées et causes cachées, le même modèle repasse sous l'humain moyen (EmoBench, 2024). En faisant le test, vous verrez que ce sont des situations parfaitement courantes.
L'IA ressent-elle des émotions ?
Les modèles ont cartographié les émotions par leur compréhension du langage. De fait, elles peuvent simuler une émotion de façon précise, mais assez caricaturale. Les émotions complexes restent un terrain d'erreur, même pour les IA les plus avancées.
Peut-on se fier à l'analyse de sentiment des outils IA ?
Pour dégrossir un gros volume de messages, elle rend service. Sur les cas ambigus, elle lit l'étiquette de surface et rate l'état réel, avec la même assurance que sur les cas faciles. Une bonne pratique consiste à lui donner des exemples et des contre-exemples. Vous pouvez aussi l'entrainer à comprendre l'ironie (surtout quand vous traiter des données issues de réseaux sociaux). Gardez un oeil humain sur les situations qui comptent : le client important, le collègue qui décroche, l'entretien décisif. Bien recruté, il saura avoir une valeur bien plus grande que n'importe quel modèle récent.
Sources
- Sabour, S., Liu, S., Zhang, Z., et al. (2024). EmoBench: Evaluating the Emotional Intelligence of Large Language Models. ACL 2024. arXiv:2402.12071. Lien
- Wang, X., et al. (2023). Emotional Intelligence of Large Language Models. arXiv:2307.09042. Lien
- Hu, et al. (2025). EmoBench-M: Benchmarking Emotional Intelligence for Multimodal LLMs. arXiv:2502.04424. Lien
- Salovey, P., & Mayer, J. D. (1990). Emotional Intelligence. Imagination, Cognition and Personality, 9(3), 185-211. Lien