Comment Folkso trouve la personne avec qui vous travaillerez bien

Folkso vous mène à la bonne personne

Des compétences et un tarif donnent une liste. Avec qui, dans cette liste, vous aurez plaisir à travailler pendant les trois prochains mois, elle ne le dit pas.

Folkso est construit pour cette question. Il trouve les personnes qui font le travail et les vérifie. Votre IA les compare à votre façon de travailler et vous dit laquelle est la plus proche. Les deux moitiés reposent sur des études de personnes au travail, et nous mesurons les deux.

La personne qui vous convient le mieux va avec la tâche comme avec votre façon de travailler. Les chiffres viennent de 300 recherches de test dont les bonnes réponses étaient connues d’avance et qui n’ont pas servi au réglage. Elles ont tourné sur le même code que celui qui vous répond dans ChatGPT et Claude.

Quatre étapes de votre demande à la bonne personne

1. Folkso trouve les personnes qui font le travail. Seules passent les personnes ouvertes à ce type de travail, et celles dont les propres conditions excluent votre tâche sont écartées. Un modèle lit en entier les 50 profils les plus proches, sans les contacts, puis relit les premiers un par un avant que vous les voyiez.
2. Votre IA reçoit les faits. Pour chaque personne, elle voit une phrase tirée de son propre profil qui montre qu’elle sait faire le travail, et quelque chose de concret que vous avez en commun, s’il y en a. Elle voit ce qui ne correspond pas à vos conditions, par exemple un tarif au-dessus de votre budget. Et elle reçoit un court portrait de la façon dont la personne travaille et de ce qui compte pour elle au travail, estimé d’après le texte de son profil. Seules les estimations sûres entrent dans le portrait.
3. Votre IA les compare à vous. Elle a vu comment vous travaillez, dans vos conversations et dans ce que vous avez fait ensemble, et elle vous connaît mieux que n’importe quel profil que vous pourriez remplir. Elle regarde le rythme, si la personne travaille seule ou a besoin de points réguliers, comment elle discute et reçoit un retour, et ce qui compte pour elle au travail. Parfois la bonne personne travaille comme vous. Parfois c’est celle qui couvre votre point faible, comme une personne organisée pour quelqu’un qui avance par à-coups. L’IA écrit son avis sur chaque fiche et peut marquer une personne « Au plus proche ».
4. Vous décidez. Les fiches restent dans l’ordre de Folkso. Vous lisez les avis et vous choisissez à qui écrire.

Un avis part d’un fait du profil et nomme le « mais » quand il y en a un. Les pourcentages de compatibilité et le « parfaitement adapté » n’y figurent pas. Dans les études utilisateurs de Bansal et ses collègues, les explications d’une IA amenaient les gens à accepter plus souvent sa suggestion, qu’elle soit juste ou erronée. Le nom, la photo, le genre, l’âge et l’origine ne jouent aucun rôle dans la comparaison.

Folkso ne lit ni vos conversations ni la mémoire de votre assistant. Seules les conditions de la tâche entrent dans la recherche, et si votre IA veut transformer en condition quelque chose dont elle se souvient à votre sujet, elle vous demande d’abord.

Les avis ne sont visibles que pour vous et sont supprimés après 30 jours. La personne dont parle un avis ne le voit pas.

Ce qui décide si deux personnes travaillent bien ensemble

La sélection de Folkso repose sur des méta-analyses et de longues études de personnes au travail. Voici celles sur lesquelles elle s’appuie.

Kristof-Brown, Zimmerman et Johnson ont réuni 172 études, soit 836 tailles d’effet, sur l’adéquation des personnes à leur poste, à leur organisation, à leur équipe et à leur manager. L’adéquation allait de pair avec la satisfaction et l’envie de rester. L’adéquation avec le manager avait une corrélation de 0,46 avec la satisfaction à son égard, et l’adéquation avec l’équipe de 0,47 avec la cohésion de l’équipe. Les liens avec la performance étaient plus faibles, de 0,07 à 0,20. L’adéquation avec l’équipe allait avec la satisfaction globale au travail plus faiblement que les auteurs ne l’attendaient, et ils avancent une raison. Beaucoup de ces études la mesuraient en comparant des scores de personnalité.

Liden, Wayne et Stilwell ont suivi 166 nouveaux salariés et leurs managers pendant leurs six premiers mois ensemble. Ce que les deux attendaient l’un de l’autre durant les cinq premiers jours prédisait la qualité de leur relation de travail à deux et à six semaines. La ressemblance qu’ils percevaient chez l’autre, et la sympathie, la prédisaient à presque tous les points de mesure. La ressemblance démographique ne la prédisait pas.

Edwards et Cable ont comparé les valeurs de salariés de 4 organisations à celles de leur organisation. Partager les mêmes valeurs allait de pair avec la satisfaction au travail et l’envie de rester, surtout par la confiance dans l’organisation et ses membres, puis par une communication plus facile. L’adéquation avec un collègue précis n’y était pas mesurée.

Le temps y ajoute sa part. Plus les gens travaillent longtemps ensemble, moins les différences démographiques pèsent et plus pèsent les différences d’attitudes, dans des groupes de travail (Harrison, Price et Bell) comme dans 144 équipes de projet d’étudiants suivies sur quatre vagues de mesures (Harrison et ses collègues).

Le mentorat suit le même schéma. Dans une méta-analyse d’Eby et ses collègues, 173 échantillons et 40 737 personnes, la note que les personnes mentorées donnaient à leur mentorat allait le plus étroitement avec la ressemblance qu’elles avaient avec la personne qui les accompagnait, en attitudes, en valeurs, en croyances et en personnalité. Parmi tout ce qui précédait la relation, c’étaient les liens les plus forts, de 0,38 à 0,59.

Les couples sont les paires les plus étudiées de toutes, et même là, la ressemblance des personnalités explique peu. Dans trois échantillons nationaux de couples mariés, la ressemblance des personnalités des partenaires ajoutait moins de 0,5 % à leur satisfaction, par-dessus la personnalité de chacun (Dyrenforth et ses collègues). Sur 43 études et 11 196 couples, la façon dont chaque partenaire voyait la relation elle-même prédisait jusqu’à 45 % de sa qualité au début de chaque étude (Joel et ses collègues).

Folkso regarde donc le travail, ce que les gens attendent, ce qu’ils valorisent et leur façon de travailler. Il n’y a aucun type de personnalité là-dedans. Comparer tout cela avec vous revient à votre IA, parce qu’elle vous connaît.

Comment nous le testons

Le laboratoire de Folkso fait tourner 1 000 recherches dont les bonnes réponses sont connues d’avance, sur le même code que celui qui vous répond. 700 d’entre elles servent à régler les pondérations. Les 300 autres restent de côté, et les chiffres de cette page viennent d’elles. Voici comment fonctionne le test.

La mesure la plus stricte demande si la meilleure personne pour vous, parmi les 100 du panel de test, arrive exactement en premier. Folkso la place première dans 48,9 % des recherches. Un ordre aléatoire après les filtres y arrive dans 4,6 %, donc Folkso le fait plus de dix fois plus souvent. C’est pourquoi votre IA voit cinq personnes, et la meilleure se trouve parmi elles dans 84,5 % des recherches.

Le 21 octobre, nous avons revérifié ce résultat avec de nouvelles bonnes réponses, où la ressemblance des personnalités compte peu et où les valeurs et les attentes comptent davantage. Il a tenu. La meilleure personne en premier est restée à 48,9 %, et la part des recherches où la première personne sait faire le travail ne dépend pas du tout des nouvelles réponses.

Ce que nous avons essayé et abandonné

L’ordre des résultats repose donc sur ce qui a tenu, dans les études comme dans notre test.

Folkso lit ce que les gens attendent du travail

Une partie de ce qui décide d’un oui est déjà écrite dans le profil. « Je préfère l’écrit aux appels. » « Projets de trois mois ou plus. » Folkso lit ces lignes, et sur 100 profils de test il n’a lu aucune condition énoncée à l’envers. Quand l’une d’elles heurte votre tâche, votre IA la voit à côté de la personne et vous le dit. Que cela compte ou non, c’est à vous d’en juger.

Ce que ces chiffres ne peuvent pas vous dire

• Le test porte sur des personnes et des recherches fictives. Les vrais profils et les vraies demandes sont plus courts et plus brouillons, avec des fautes de frappe et deux langues dans un même texte.
• Les résultats en conditions réelles sont encore peu nombreux. Les demandes acceptées et les personnes écartées avec une raison montreront à quelle fréquence Folkso tombe juste dans la vraie vie.
• Les études ci-dessus sont des corrélations. Elles montrent ce qui accompagne une bonne relation de travail et ne peuvent pas prouver ce qui la cause.
• Comment se passera la première semaine, seuls vous deux le découvrirez. Le choix vous revient.

Folkso peut amener Léo jusqu’à la fiche de Mira et lui dire pourquoi elle est la plus proche. Que sa première esquisse tombe juste à trois heures du matin, il le verra par lui-même.

Folkso est gratuit. Connectez-le une fois, et la prochaine fois qu’une tâche a besoin de quelqu’un, votre IA trouve cette personne directement dans la conversation.

Sources

• Kristof-Brown, Zimmerman, Johnson, Consequences of individuals' fit at work. Personnel Psychology 58(2), 281–342, 2005. Méta-analyse de 172 études avec 836 tailles d’effet.
• Liden, Wayne, Stilwell, A longitudinal study on the early development of leader-member exchanges. Journal of Applied Psychology 78(4), 662–674, 1993. 166 nouveaux salariés et leurs supérieurs pendant leurs six premiers mois.
• Edwards, Cable, The value of value congruence. Journal of Applied Psychology 94(3), 654–677, 2009. Salariés de 4 organisations.
• Harrison, Price, Bell, Beyond relational demography. Academy of Management Journal 41(1), 96–107, 1998. Groupes de travail.
• Harrison, Price, Gavin, Florey, Time, teams, and task performance. Academy of Management Journal 45(5), 1029–1045, 2002. 144 équipes de projet d’étudiants, quatre vagues de données.
• Eby et al., An interdisciplinary meta-analysis of the potential antecedents, correlates, and consequences of protégé perceptions of mentoring. Psychological Bulletin 139(2), 441–476, 2013. 173 échantillons, 40 737 personnes au total.
• Dyrenforth, Kashy, Donnellan, Lucas, Predicting relationship and life satisfaction from personality in nationally representative samples from three countries. Journal of Personality and Social Psychology 99(4), 690–702, 2010. Couples mariés issus d’échantillons nationaux d’Australie (N = 5 278), du Royaume-Uni (N = 6 554) et d’Allemagne (N = 11 418).
• Joel et al., Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. PNAS 117(32), 19061–19071, 2020. 43 jeux de données de 29 laboratoires, 11 196 couples.
• Bansal et al., Does the whole exceed its parts? The effect of AI explanations on complementary team performance. CHI 2021. Études utilisateurs sur trois jeux de données.
• Laboratoire de test de Folkso, 300 recherches mises de côté. Résultat du 27 septembre 2026, revérifié avec de nouvelles bonnes réponses le 21 octobre 2026. Comment fonctionne le test.