Recrutement avec l’IA : ce qu’une PME peut automatiser sans déléguer le choix du candidat

Le règlement européen sur l’IA classe parmi les usages à haut risque les systèmes destinés à recruter ou sélectionner des personnes, notamment lorsqu’ils ciblent des offres, analysent ou filtrent des candidatures, ou évaluent des candidats. La Commission européenne précise que les règles relatives aux systèmes à haut risque de l’annexe III s’appliqueront à partir du 2 décembre 2027.

Cette échéance ne crée pas une période sans règle. Le RGPD s’applique déjà aux données des candidats. La CNIL rappelle que les décisions fondées exclusivement sur un traitement automatisé et produisant un effet significatif sont en principe interdites, sauf conditions exceptionnelles et garanties spécifiques. Un clic humain qui entérine systématiquement un score sans pouvoir l’expliquer ne constitue pas une véritable reprise en main.

Pour une PME, la frontière opérationnelle est donc simple : commencer par les tâches qui organisent l’information, sans produire de classement ni de recommandation sur les personnes.

Trois usages doivent sortir du premier pilote : le score global d’un candidat, le classement automatique des CV et l’analyse de la personnalité ou des émotions à partir de la voix ou de la vidéo. Ils déplacent l’outil de l’assistance vers l’évaluation et créent un risque disproportionné pour un premier projet.

1. Choisir une tâche sans pouvoir d’exclusion

Prenez une étape pénible mais réversible : préparer les dossiers avant l’entretien, coordonner les agendas ou produire la grille commune. Écartez tout usage dont la sortie décide qui verra l’offre, qui sera lu ou qui passera à l’étape suivante.

2. Écrire les critères avant de choisir l’outil

La fiche de poste doit distinguer les conditions indispensables, les compétences qui peuvent s’apprendre et les simples préférences. Chaque critère doit avoir un lien direct avec l’emploi. Si l’équipe n’arrive pas à expliquer pourquoi une information est nécessaire, elle ne doit pas demander au modèle de l’exploiter.

3. Définir les données autorisées

Listez les documents que l’outil peut lire, les personnes qui peuvent accéder aux résultats, le lieu de stockage et la durée de conservation. Un CV reste une donnée personnelle, même s’il a été publié sur un réseau professionnel. Utilisez un compte professionnel approuvé et vérifiez le contrat, les sous-traitants, les transferts éventuels et les réglages de conservation.

4. Exiger des sorties vérifiables

Pour chaque information extraite, demandez le passage source du CV ou de la lettre. Interdisez les formulations comme « bon fit », « potentiel élevé » ou « risque culturel » : elles mélangent des faits, des inférences et des préférences impossibles à auditer. Une sortie utile dit « certification mentionnée page 1 » ou « expérience non trouvée », pas « candidat faible ».

5. Organiser une revue humaine réelle

Nommez la personne qui vérifie le dossier et celle qui décide. La première doit pouvoir corriger l’extraction ; la seconde doit voir les éléments sources, pas seulement la synthèse. Pendant le pilote, relisez aussi les dossiers que l’outil signale comme incomplets afin de détecter les erreurs silencieuses.

6. Tester sur des recrutements déjà terminés

Rejouez le processus sur des dossiers clos, sans modifier rétroactivement les décisions. Comparez le temps passé, les erreurs d’extraction, les informations manquées et les corrections humaines. Ce test rétrospectif permet d’améliorer la consigne sans exposer un candidat réel à une règle encore instable.

Une PME recrute un ingénieur commercial et reçoit vingt candidatures. L’IA ne reçoit ni la mission de noter les profils ni celle de proposer une shortlist. Elle produit pour chaque dossier la même fiche : expériences de vente B2B mentionnées, secteurs servis, langues déclarées, disponibilité indiquée, passages sources et informations absentes.

Le responsable commercial et la DRH lisent ensuite les vingt fiches avec les CV accessibles à côté. Ils interprètent eux-mêmes les parcours, vérifient les équivalences et décident des entretiens. Si le modèle ne trouve pas une certification, il écrit « non trouvée » ; il ne transforme pas cette absence en rejet.

Le gain recherché porte sur la préparation uniforme des dossiers. La décision ne change pas de propriétaire.

La qualité de l’extraction. Suivez le nombre de champs corrigés et les informations importantes manquées. Une synthèse fluide peut être fausse ; la présence des passages sources compte davantage que la qualité du style.

L’absence d’exclusion automatique. Vérifiez qu’aucune règle technique, aucun score implicite et aucun filtre par défaut ne retire un candidat avant lecture humaine.

La cohérence des pratiques. Utilisez la même grille pour tous les candidats à un même poste. Une consigne modifiée en cours de recrutement doit être tracée et appliquée de manière cohérente.

La maîtrise des données. Contrôlez les accès, la conservation, l’effacement et l’information remise aux candidats. Associez le DPO ou la personne chargée de la conformité dès que l’usage influence l’évaluation, combine plusieurs sources ou traite des données sensibles.

1. L’outil classe-t-il, note-t-il ou recommande-t-il des candidats, même sous un autre nom ?

1. Peut-on désactiver ces fonctions et conserver seulement l’extraction ou la planification ?

1. Chaque sortie renvoie-t-elle aux données sources qui la justifient ?

1. Qui peut consulter les CV, les synthèses et les journaux d’activité ?

1. Combien de temps les données sont-elles conservées, et comment les effacer ?

1. Les données servent-elles à entraîner ou améliorer le service ?

1. Peut-on exporter les dossiers, les règles et les traces si l’on change de fournisseur ?

1. Qui, dans l’entreprise, est responsable de la décision finale et du traitement d’une contestation ?

Ces questions évitent de choisir un outil sur la seule qualité d’une démonstration. Le vrai équipement n’est pas seulement le modèle : c’est le processus complet, avec ses données, ses règles, ses personnes et ses preuves.

Un assistant génératif peut mal lire un CV, survaloriser une formulation conventionnelle ou inférer une compétence absente. La revue humaine réduit ces risques sans les supprimer. Elle doit donc être conçue comme une étape de travail, avec du temps, un responsable et un accès aux sources.

Un historique de recrutements n’est pas automatiquement une bonne base d’apprentissage. Il peut reproduire les préférences et exclusions passées. Une PME dispose en outre de peu de cas comparables ; mieux vaut commencer par une règle explicite et un contrôle manuel que fabriquer un score statistique fragile.

Enfin, le périmètre juridique dépend de l’usage réel, pas du vocabulaire commercial du fournisseur. Un outil présenté comme une « aide » peut matériellement influencer la sélection. Si le système source, filtre, classe ou évalue des personnes, faites analyser le dispositif avant de le déployer.

Choisissez une seule offre déjà publiée et un recrutement terminé. Écrivez les critères utilisés, rassemblez les dossiers dans un espace autorisé et demandez à l’IA de produire une fiche factuelle identique pour chaque candidature, avec les passages sources. Faites relire toutes les fiches par la personne qui avait conduit le recrutement.

À la fin du test, vous devez pouvoir répondre à trois questions : quelles minutes ont réellement été économisées, quelles erreurs ont dû être corrigées, et à quel moment exact une personne reprend-elle la décision ? Si la troisième réponse reste floue, le processus n’est pas prêt à accueillir des candidatures réelles.

• Studio IA — concevoir une automatisation reliée au processus réel et à ses contrôles.

• Coaching IA dirigeants — clarifier les décisions que le dirigeant garde et les usages qu’il peut déléguer.

• Conseil stratégique — arbitrer l’impact de l’IA sur l’organisation, les responsabilités et les compétences.

• Choisir le premier processus IA à transformer dans une PME — méthode complémentaire de sélection d’un premier processus.