L'IA dans le recrutement : ce que candidats et équipes RH doivent comprendre

Le recrutement a été l'une des premières fonctions de l'entreprise à s'automatiser par apprentissage machine, et il a produit l'un des échecs les plus instructifs du domaine. En 2018, Reuters a révélé qu'Amazon avait abandonné un modèle interne de recrutement après avoir découvert qu'il déclassait systématiquement les CV des femmes. Entraîné sur une décennie de décisions d'embauche passées dans une industrie dominée par les hommes, le modèle avait appris le motif présent dans les données — pénalisant le mot « féminin », comme dans capitaine d'un club d'échecs féminin — et les tentatives de rustines ne pouvaient garantir la disparition du biais, alors le projet est mort.

Le cas compte parce que rien n'y est propre à Amazon ni à 2018. Un modèle entraîné sur des décisions historiques apprend les motifs historiques, y compris ceux qu'on voudrait qu'il ignore. Tout ce qui a suivi — réglementation, audit, contentieux — est le monde en train de digérer cette leçon.

La réponse réglementaire

Deux cadres définissent désormais le paysage. La Local Law 144 de New York, appliquée depuis juillet 2023, impose aux employeurs utilisant des outils automatisés de décision d'embauche de commander des audits de biais annuels indépendants et d'en publier les résultats, et d'informer les candidats qu'un outil automatisé est utilisé. Quelles que soient ses limites d'application, elle a établi le modèle : mesurer l'impact différencié, divulguer, recommencer.

L'AI Act européen va plus loin. Les systèmes d'IA utilisés dans le recrutement et les décisions d'emploi — trier les candidatures, classer les candidats, répartir les tâches, surveiller la performance — sont classés à haut risque, avec des obligations de gestion des risques, de gouvernance des données, de transparence, de supervision humaine et d'exactitude pour fournisseurs et déployeurs à mesure que les dispositions haut risque entrent en vigueur. Un service RH qui déploie un tri de CV en Europe exploite un système réglementé, avec les devoirs documentaires correspondants.

Ce que les équipes RH doivent vraiment savoir

Les leçons opérationnelles sont plus précises que « soyez prudents ».

Posez aux fournisseurs la question Amazon : sur quelles données ce système a-t-il été entraîné, et qu'aurait-il appris de l'histoire de notre secteur ? Exigez les résultats d'audit à la façon LL144 même là où la loi ne l'impose pas — un fournisseur incapable de produire des chiffres d'impact différencié vous dit quelque chose.

Gardez une supervision humaine réelle, pas cérémonielle. Un recruteur qui tamponne à la chaîne la présélection du modèle est une supervision sur le papier seulement, et la logique de l'AI Act comme la littérature sur le biais d'automatisation prédisent exactement cette dérive. La supervision exige du temps, l'autorité de passer outre, et des contrôles aveugles occasionnels de candidats rejetés.

Et tracez les contrefactuels. La propriété la plus dangereuse des systèmes de tri est l'exclusion silencieuse : le bon candidat filtré à l'étape zéro est invisible dans tous les tableaux de bord. Re-examiner périodiquement à la main des échantillons de candidatures auto-rejetées est la seule façon de voir les erreurs du système plutôt que ses succès.

Ce que les candidats doivent savoir

L'asymétrie d'information se réduit : à New York, la divulgation est un droit ; dans l'UE, les obligations de transparence s'étendent aux composantes automatisées du recrutement. Les implications pratiques pour les étudiants qui entrent sur le marché sont concrètes. Supposez qu'une couche automatisée lit la candidature en premier : reprenez le vocabulaire de l'annonce — pas pour tricher, mais parce que les analyseurs s'y accrochent. Gardez une mise en page assez simple pour être lue par une machine. Et quand un processus semble anormal, sachez que la question « un outil automatisé a-t-il évalué ma candidature » a désormais un poids légal dans un nombre croissant de juridictions.

Le point de fond pour la formation au management

Le recrutement par IA est le cas d'école le plus net d'un motif que tout manager rencontrera : un système qui optimise un indicateur de substitution (ressembler aux recrutements passés) plutôt que l'objectif (la performance future), héritant de l'histoire incrustée dans ses données d'entraînement. Apprendre aux étudiants à demander « sur quoi est-ce entraîné, quel substitut est optimisé, qui vérifie les erreurs, qui est responsable » les prépare non seulement aux outils RH mais à chaque système de décision algorithmique qu'ils achèteront, construiront ou par lequel ils seront jugés. Le modèle d'Amazon a été attrapé parce que des gens ont regardé. La leçon durable est de continuer à regarder.