Présélection des talents par l'IA : industrialiser le recrutement sans industrialiser les biais

Un recruteur qui écarterait discrètement chaque candidat noir s’exposerait à un procès. Un modèle qui fait exactement la même chose, entraîné sur une décennie de décisions de ce recruteur, est souvent présenté comme un gain d’efficacité.

Toute l’ambiguïté de l’IA dans la présélection des talents tient là. La technologie fonctionne exactement comme prévu : elle repère les schémas présents dans votre historique de recrutement et les reproduit à grande échelle, sur chaque candidat, instantanément. Si ces schémas étaient équitables, elle démultiplie l’équité. S’ils ne l’étaient pas, elle démultiplie le biais et lui confère l’autorité d’un système.

L’argument de l’efficacité est réel, et ce n’est pas là que réside la difficulté

L’adoption a franchi le seuil qui sépare l’expérimentation de la norme. Et ce que l’IA réussit en matière de présélection est tout à fait réel : analyser les CV, mettre les compétences en regard des exigences du poste, noter de façon cohérente des évaluations structurées et absorber le volume qui submerge les recruteurs dans les 48 heures suivant une publication d’offre.

Rien de tout cela n’est contesté. La difficulté tient à ce que le modèle a appris en gagnant en rapidité.

Le biais ne se compense pas, il se concentre

On nous promettait des machines plus neutres que les humains. Les faits disent le contraire dès lors que les données d’entraînement charrient avec elles l’histoire humaine. Dans une étude ayant confronté plus de 550 CV à des centaines de descriptions de poste, à travers trois modèles de présélection de qualité industrielle, les écarts n’avaient rien de subtil et ne se compensaient pas.

Le modèle n'a pas inventé le biais. Il en a hérité, puis l'a appliqué à chaque candidat, sans fatigue ni état d'âme.

Le résultat intersectionnel était plus frappant encore. Les CV portant des noms d’hommes noirs n’ont été préférés à ceux d’hommes blancs dans aucune des comparaisons, soit exactement zéro pour cent. Un tel écart ne survivrait jamais à un audit humain. Enchâssé dans un modèle et appliqué en silence à des milliers de candidatures, il peut persister des années durant : puisque personne ne l’a décidé, personne n’en répond.

Le risque juridique est exactement le même que pour un processus humain biaisé. Recourir à l’IA ne décharge en rien l’employeur de son obligation de non-discrimination. Cela rend simplement la discrimination plus difficile à déceler et plus facile à reproduire.

Les candidats s’en aperçoivent, et ils partent

La présélection est le premier contact concret qu’un candidat a avec la marque d’un employeur. La confier à un modèle opaque relève d’une décision d’expérience client autant que d’une décision de recrutement, et les personnes qui se trouvent de l’autre côté n’en sont guère convaincues.

La défiance est profonde. Dans une enquête nationale, 66 % des adultes américains ont déclaré qu’ils ne voudraient pas postuler auprès d’un employeur qui s’appuie sur l’IA pour ses décisions d’embauche, et 71 % se sont opposés à ce qu’on la laisse trancher en dernier ressort. Un outil de présélection qui écarte en silence vos meilleurs candidats avant même qu’un humain ne les voie n’est pas un gain de productivité. C’est une déperdition en haut de l’entonnoir qu’aucun tableau de bord ne signalera.

Un cadre de présélection qui démultiplie l’équité, pas le risque

L’objectif : conserver la rapidité sans hériter du biais ni des dégâts d’image. Cinq disciplines séparent les programmes qui y parviennent de ceux qui finissent devant les tribunaux.

1. Définissez ce qu’est un « bon » candidat avant de l’automatiser. Arrimez la présélection à des critères pertinents pour le poste, validés au regard de la performance réelle sur le terrain, et non au profil de ceux qui ont été recrutés par le passé. Les recrutements d’hier sont le produit des biais d’hier, pas une définition du mérite.
2. Éliminez les variables de substitution. Retirez les noms, les photos, les codes postaux et les signaux de prestige scolaire, qui tiennent lieu d’attributs protégés sans rien prédire de la performance. Si une variable est davantage corrélée à l’origine ou au genre qu’au poste, c’est un risque, pas un signal.
3. Auditez l’effet discriminatoire, en amont comme en aval. Mesurez les taux de passage par groupe sur chaque modèle, à intervalle régulier, et traitez tout écart comme un défaut à corriger, non comme un résultat à justifier.
4. Gardez un humain dans la décision. Servez-vous de l’IA pour classer et faire remonter les candidatures, jamais pour les rejeter automatiquement. Le oui ou le non final, et la responsabilité qui l’accompagne, demeurent du ressort d’une personne.
5. Jouez la transparence avec les candidats. Dites-leur ce qui est évalué et ménagez-leur une voie de recours vers un examen humain. La transparence coûte moins cher que le départ silencieux des candidats que vous vouliez justement attirer.

Les organisations qui réussissent abordent la présélection comme une composante de l’expérience collaborateur au sens large, où la première interaction donne le ton de tout ce qui suit. Elles encadrent le modèle comme elles encadreraient toute décision déterminant qui entre dans l’entreprise.

L’IA présélectionnera toujours plus vite. Qu’elle le fasse plus équitablement relève d’un choix de conception et de gouvernance, non d’une propriété de la technologie. Menée avec rigueur, elle industrialise le recrutement sans industrialiser les biais. Menée à la légère, elle automatise précisément le problème qu’elle était censée résoudre. Pour découvrir comment nous concevons et gouvernons cette démarche aux côtés de nos clients, explorez nos travaux de conseil et notre pratique d’expérience collaborateur, ou parcourez nos études de cas.