D’accord, parlons de quelque chose qui me turlupine, quelque chose qui revient sans cesse dans mes canaux Slack et mes réflexions nocturnes : l’intrusion progressive de l’IA dans nos processus décisionnels, en particulier en ce qui concerne le recrutement. Pas les grandes évidences comme l’analyse des CV – nous avons tous vu ça – mais les manières subtiles, presque invisibles, dont les algorithmes commencent à façonner qui obtient une chance, et ce que cela signifie pour notre agence, tant en tant qu’individus qu’en tant que société.
Nous sommes le 21 mars 2026, et le marché de l’emploi est… étrange. Nous avons plus d’outils que jamais pour connecter les gens, plus de données pour analyser les compétences, et pourtant, j’entends des histoires qui me font gratter la tête. Et cela semble toujours revenir aux systèmes ‘propulsés par l’IA’ qui promettent efficacité, équité et le mythique ‘meilleur ajustement.’ Mais que se passe-t-il si ces systèmes, dans leur quête incessante d’optimisation, érodent en réalité notre capacité à prendre des décisions vraiment humaines, et ce faisant, changent fondamentalement ce que nous valorisons chez un collègue ?
La poignée de main invisible : quand les algorithmes décident qui vous rencontrez
Rappelez-vous quand vous envoyiez un CV, et peut-être, juste peut-être, un humain le parcourait réellement ? Ou quand un responsable du recrutement pouvait prendre le risque d’embaucher quelqu’un avec un parcours non traditionnel parce qu’il avait un bon pressentiment ? Ces jours semblent parfois appartenir à une autre époque. Maintenant, avant même que votre CV n’atteigne un œil humain, il a souvent été soumis à plusieurs couches de contrôle algorithmique.
Mon amie Sarah, une brillante designer graphique, me racontait avoir postulé pour un poste senior dans une entreprise de technologie bien connue. Elle a un portfolio qui ferait tomber la mâchoire, des années d’expérience, et un parcours d’innovation. Pourtant, elle n’a même pas pu obtenir un premier entretien. Après quelques recherches, elle a découvert que l’entreprise utilise un système d’IA qui priorise les candidats dont les anciens titres de poste et les noms d’entreprise correspondent de près à une liste prédéfinie. Sarah avait travaillé pour quelques petites agences de niche, et malgré son travail exceptionnel, l’algorithme ne « voyait » tout simplement pas son expérience comme suffisamment pertinente.
Ce n’est pas une question d’être anti-IA. J’utilise des outils d’IA quotidiennement pour m’aider à rechercher, organiser, et même rédiger des ébauches initiales pour mes articles. Ils sont fantastiques pour augmenter l’intelligence humaine. Mais lorsque l’IA passe de l’augmentation à la prise de décisions pure et simple, en particulier dans des domaines aussi critiques que le revenu d’une personne, nous devons être extrêmement prudents. Parce que ce qui ressemble à de l’efficacité sur une feuille de calcul peut être une profonde injustice dans la vie réelle.
Le problème des métriques proxy : ce que l’IA « voit » vraiment
Le problème central, selon moi, est que ces IA de recrutement ne comprennent pas le « potentiel » ou la « nuance. » Elles fonctionnent sur des métriques proxy. Elles sont entraînées sur des données historiques, qui portent inévitablement des biais du passé. Si une entreprise a historiquement embauché des personnes d’une certaine université ou avec un ensemble spécifique de mots-clés sur leur CV, l’IA apprend à prioriser ces attributs. C’est comme apprendre à un enfant à ne reconnaître que des pommes en lui montrant uniquement des pommes rouges, puis être surpris lorsqu’il ne parvient pas à identifier une pomme verte comme une pomme.
Disons qu’une entreprise veut recruter pour « innovation » et « créativité. » Comment un algorithme mesure-t-il cela ? Il ne peut pas vraiment comprendre l’impact d’une pièce de portfolio ou l’étincelle dans les yeux d’un candidat lors d’un entretien. Au lieu de cela, il recherche des proxies : « Nombre de brevets déposés, » « mots-clés comme ‘technologie perturbatrice’ ou ‘pensée design’ sur un CV, » « diplômes d’écoles de design de premier plan. » Ce ne sont pas des métriques intrinsèquement mauvaises, mais elles sont *limitées* et peuvent exclure des personnes vraiment nouvelles qui ne correspondent pas au moule.
Pensez-y : Steve Wozniak n’aurait probablement pas impressionné une IA à la recherche de qualifications académiques traditionnelles à ses débuts. De même, quelqu’un comme Maya Angelou, dont l’« expérience » défiait la catégorisation facile. Nous risquons de bâtir un avenir où seuls ceux qui s’alignent parfaitement avec les succès passés sont jugés dignes d’opportunités futures.
Au-delà des mots-clés : récupérer l’agence humaine dans le recrutement
Alors, que faisons-nous à ce sujet ? Je ne suggère pas de rejeter tous les outils d’IA. C’est irréaliste et, franchement, absurde. Mais nous devons être plus intentionnels sur où et comment nous les déployons, et surtout, où nous traçons la ligne et insistons sur le jugement humain.
Étape pratique 1 : Auditez vos algorithmes (Vraiment, auditez-les)
Si vous êtes responsable du recrutement ou dans les ressources humaines, vous devez comprendre exactement ce que font vos outils d’IA. Ne faites pas simplement confiance aux documents marketing du fournisseur. Posez des questions difficiles :
- Sur quelles données ce modèle a-t-il été entraîné ?
- Quelles sont les 5 principales caractéristiques ou métriques qu’il priorise ?
- Comment les biais sont-ils traités ou atténués dans les données d’entraînement et dans le modèle lui-même ?
- Quel est le taux de faux positifs/négatifs pour votre profil de candidat cible ?
Et ensuite, surtout, vous devez le tester. Menez une petite expérience. Prenez un échantillon de CV qui ont été rejetés par l’IA mais qui représentent historiquement de bonnes recrues pour votre entreprise. Examinez-les manuellement. Voyez ce que l’IA a raté. Vous pourriez être surpris.
Voici un exemple simplifié en Python de comment vous pourriez commencer à auditer les biais de mots-clés. Imaginez que votre système interne utilise un algorithme de correspondance de mots-clés basique pour filtrer les candidatures initiales. Vous pourriez écrire un script pour analyser la densité des mots-clés des recrues réussies par rapport aux candidats rejetés pour des rôles spécifiques.
import pandas as pd
from collections import Counter
import re
def get_keywords(text):
# Un extracteur de mots-clés très basique à des fins de démonstration
# En réalité, cela serait beaucoup plus sophistiqué (NLP, embeddings, etc.)
return re.findall(r'\b(?:python|java|aws|azure|leadership|creativity|agile|scrum)\b', text.lower())
# Données d'exemple (dans un scénario réel, cela viendrait de votre système RH)
successful_hires_resumes = [
"Développeur Python expérimenté avec de fortes compétences AWS et des qualités de leadership.",
"Architecte Java, a dirigé des équipes agiles, profonde connaissance d'azure et scrum.",
"Résolveur de problèmes créatif, expertise en python, bonne expérience en leadership."
]
rejected_candidates_resumes = [
"Excellent programmeur C++, quelques expériences en conception de bases de données.",
"Développeur front-end, JavaScript, React, un peu de python.",
"Chef de projet, forte communication, mais pas de mots-clés techniques directs."
]
# Traitement des CV
successful_keywords = []
for resume in successful_hires_resumes:
successful_keywords.extend(get_keywords(resume))
rejected_keywords = []
for resume in rejected_candidates_resumes:
rejected_keywords.extend(get_keywords(resume))
# Analyser la fréquence
successful_counts = Counter(successful_keywords)
rejected_counts = Counter(rejected_keywords)
print("Fréquences de mots-clés pour les recrutements réussis :")
print(successful_counts)
print("\nFréquences de mots-clés pour les candidats rejetés :")
print(rejected_counts)
# Identifier les mots-clés avec des différences significatives
print("\nMots-clés plus fréquents dans les recrutements réussis :")
for keyword, count in successful_counts.items():
if count > rejected_counts.get(keyword, 0) * 2: # Seuil arbitraire pour "significatif"
print(f"- {keyword} : {count} (Réussi) vs {rejected_counts.get(keyword, 0)} (Rejeté)")
Ce script simple mettrait en lumière si vos recrutements réussis contiennent de manière disproportionnée certains mots-clés, et si votre pile de candidats rejetés en manque. C’est un exemple rudimentaire, mais il illustre l’idée de regarder activement ce que le système priorise et si cela correspond à vos véritables objectifs de recrutement.
Étape pratique 2 : Redéfinir le « fit » et le « succès » pour l’algorithme
Si vous allez utiliser l’IA pour une présélection initiale, vous devez lui fournir des données vraiment solides et variées. Cela signifie activer la curation de vos profils de « candidats réussis » pour inclure des personnes qui ont réussi par des chemins non conventionnels. Cela signifie élargir la définition de l’« expérience pertinente » au-delà des titres de poste directs.
Au lieu de lui donner uniquement des CV d’anciennes recrues, fournissez-lui des points de données qui reflètent les valeurs de votre entreprise : contributions à des projets open-source, travail bénévole démontrant le leadership, projets personnels montrant l’ingéniosité, ou même des défis spécifiques surmontés. C’est plus difficile à quantifier, je le sais, mais si nous n’essayons pas, nous perpétuons simplement le statu quo.
Étape pratique 3 : Mandater une révision humaine à des étapes clés
C’est peut-être le plus crucial. L’IA devrait servir de filtre, pas de décideur final. Je plaide pour mandater une révision humaine à des moments spécifiques dans le processus de recrutement. Par exemple :
- Le tas des « presque réussis » : Chaque système d’IA devrait avoir un mécanisme pour signaler les candidats qui n’ont pas tout à fait respecté les critères principaux mais ont obtenu de bons scores sur des métriques secondaires, plus qualitatives (par exemple, un portfolio solide, une lettre de motivation convaincante, une expérience diversifiée). Un humain devrait les examiner.
- Vérification de la diversité : Avant d’étendre des offres, un panel humain devrait examiner la composition démographique des candidats finaux. Si elle est trop homogène, revisitez les étapes précédentes et demandez pourquoi. L’IA a-t-elle involontairement filtré certains groupes ?
- Le créneau des « wildcards » : Consacrez un pourcentage de vos slots d’entretien (même 5-10 %) à des candidats qui ne correspondent pas au moule algorithmique mais qui ont été identifiés par un examinateur humain comme ayant un potentiel élevé ou une perspective unique.
Voici un exemple conceptuel de la manière dont vous pourriez mettre en œuvre un processus de révision « wildcard » en utilisant une simple requête de base de données, en supposant que votre IA attribue un « score » et qu’un examinateur humain puisse taguer un candidat comme « wildcard_potential ».
-- Requête SQL pour identifier les candidats pour une révision "wildcard" humaine
-- Cela suppose que votre IA attribue un score numérique 'ai_score' et qu'un humain peut ajouter un 'wildcard_tag'
SELECT
candidate_id,
candidate_name,
ai_score,
human_notes
FROM
applications
WHERE
(ai_score BETWEEN 0.6 AND 0.75) -- Candidats qui étaient "presque là" selon l'IA
OR
wildcard_tag = TRUE -- Candidats spécifiquement signalés par un examinateur humain
ORDER BY
ai_score DESC, candidate_name;
Cette requête extraira les candidats qui étaient à la limite selon l’IA, donnant à un examinateur humain la chance de réévaluer, aux côtés de tout candidat qu’un humain a spécifiquement marqué pour un second examen, peu importe leur score d’IA. Il s’agit de créer des points de friction intentionnels pour que le jugement humain intervienne.
L’avenir de l’autonomie dans le recrutement
Le but n’est pas de stopper le progrès. Il s’agit de s’assurer que le progrès sert l’épanouissement humain, et pas seulement les métriques d’efficacité des entreprises. Lorsque l’IA prend des décisions de recrutement sans une surveillance humaine suffisante, nous risquons de créer un cycle d’uniformité autoperpétuant. Nous perdons la sérendipité, les intuitions, la capacité de faire confiance à quelqu’un qui pourrait redéfinir à quoi ressemble le “succès” pour notre organisation.
Notre autonomie dans le recrutement ne se limite pas à la capacité du responsable du recrutement à choisir un candidat. Il s’agit de l’autonomie du candidat à présenter son moi entier, à faire voir ses qualités uniques, et à ne pas être éliminé par une boîte noire qui ne comprend pas la complexité humaine, à la fois chaotique et belle, du potentiel humain.
Utilisons l’IA pour rendre nos processus plus fluides, pour gérer le travail de base, mais protégeons avec vigueur l’élément humain dans les décisions qui comptent véritablement. Parce qu’en fin de compte, il ne s’agit pas seulement de pourvoir un poste ; il s’agit de constituer des équipes, de favoriser une culture et de façonner l’avenir même du travail.
Points d’action concrets :
- Exiger de la transparence : Ne pas accepter aveuglément les affirmations des fournisseurs. Comprendre les données et la logique derrière votre IA de recrutement.
- Définir vos valeurs : Articuler explicitement ce que signifie un « bon ajustement » et un « potentiel » pour votre organisation au-delà des mots-clés, et essayer de les intégrer dans la formation ou les critères d’évaluation de votre IA.
- Mettre en place des portes de révision humaine : Créer des points obligatoires dans votre pipeline de recrutement où le jugement humain prévaut ou renforce les décisions algorithmiques, notamment pour les candidats « presque retenus » ou pour les vérifications de diversité.
- Tester et itérer : Auditer continuellement les performances de votre IA par rapport aux résultats réels et ajuster ses paramètres ou vos processus de révision en conséquence.
- Valoriser le wildcard : Rechercher activement et plaider en faveur des candidats qui ne correspondent pas aux normes mais montrent un potentiel exceptionnel ou des perspectives uniques.
Articles connexes
- Agent IA réduisant les coûts opérationnels
- Bases de l’Alignement IA : Conseils Pratiques, Astuces et Exemples pour un Développement Responsable de l’IA
- J’explore l’avenir du travail sur agntzen.com
🕒 Published: