La Responsable de l’Acquisition des Talents chez Thoughtworks explique comment rendre le recrutement piloté par la donnée et prédictif grâce à l’IA

Au cours de ma carrière, j'ai occupé des postes de direction au sein d'entreprises mondiales de la tech et du conseil telles que Thoughtworks, Cognizant et Hewlett-Packard, où j'ai piloté de grandes équipes d'acquisition de talents dans plusieurs pays. Au début de ma carrière, j'ai également officié en tant que Talent Business Partner stratégique, conseillant les cadres dirigeants sur la planification de la main-d'œuvre, la conception organisationnelle et la stratégie RH.

Travailler à grande échelle a façonné mon parcours de leadership – gestion d'équipes de plus de 50 recruteurs, pilotage de 600 à 2 000 recrutements annuels, et résultats records constants en matière d'efficacité, d'expérience candidat et de croissance organisationnelle.

En plus de mes missions d’acquisition de talents, j’ai développé et dirigé des programmes stratégiques autour de la marque employeur, la diversité et l'inclusion, ainsi que le recrutement sur les campus, comprenant des initiatives ayant fortement augmenté le recrutement de femmes et de personnes en situation de handicap et élargi le vivier de jeunes diplômés dans plusieurs pays.

Parallèlement à mes fonctions en entreprise, je suis également conseillère indépendante pour beecrowd, une plateforme mondiale de programmation compétitive et d'évaluation technique utilisée par des universités et entreprises du numérique afin d’évaluer les talents en ingénierie logicielle à grande échelle. Dans ce rôle, je conseille sur les cadres d’évaluation des talents, l’évaluation des compétences et l’articulation entre l’excellence technique et la stratégie RH.

Ces dernières années, mon travail s'est de plus en plus centré sur l'impact de l’IA et du recrutement basé sur les données pour repenser le leadership, la stratégie de talents et la conception d’organisations performantes dans des environnements complexes multisites.

You should also read

• Un Leader Affirme que l’Inertie et l’Incrémentalisme Freinent la Transformation par l’IA

• La Patience Stratégique : La Première Compétence Que l’Adoption de l’IA Détruit

• La responsable des personnes et de la culture affirme que les transformations par l’IA peuvent s’effondrer sous l’effet des silos et de la dette technique

Pourquoi l’IA bouleverse plus que la simple technologie

Avec l'IA, mon rôle de leader en acquisition de talents est passé d’un focus opérationnel à la conception de systèmes stratégiques qui exploitent l'IA pour transformer la façon dont les organisations attirent, évaluent et engagent les talents. Ce changement n'est pas seulement technologique : il rebat aussi les responsabilités des dirigeants, la structure organisationnelle et la relation entre les équipes et la donnée.

L’acquisition de talents a longtemps été transactionnelle, mais cette transformation la rend fondée sur les données et prédictive. Au lieu de se reposer sur le crible manuel et les moyennes historiques, nous appliquons désormais des agents d'apprentissage et des modèles prédictifs pilotés par IA qui analysent de grands ensembles de données pour identifier les schémas de réussite et recommander avec plus d’exactitude les candidats les plus adaptés.

En apprenant grâce aux données historiques, ces systèmes prennent en charge les tâches répétitives pour permettre aux équipes de se consacrer à ce qu'elles font de mieux : construire des relations et prendre des décisions stratégiques.

Finalement, diriger à l’ère de l’IA, c’est concevoir des architectures de décision : créer des systèmes où l’humain, la donnée et l’IA collaborent pour améliorer les résultats. Cela implique de bâtir une gouvernance éthique, des indicateurs clairs et des boucles de retour intégrées permettant aux organisations d'anticiper les besoins, de réduire les biais lors de la sélection et d’aligner les compétences de la main-d'œuvre sur les objectifs stratégiques à long terme.

Comment l’IA transforme les processus RH et la prise de décision

À chaque fois que nous réinventons un processus avec l’IA, un principe demeure : l’IA élimine les tâches manuelles, structure les signaux quantitatifs et fait émerger des éclairages, tandis que l’humain reste responsable de l’analyse qualitative et des décisions finales.

Voici quelques exemples de transformations menées :

1. Analyse de sondages et boucles de retour organisationnelles

Une des applications les plus efficaces de l’IA a été l’analyse de grands volumes de données issues d’enquêtes. Grâce à plusieurs modèles Gemini personnalisés, nous traitons les réponses textuelles aux sondages pour détecter les thèmes récurrents, les tendances de sentiment et les risques émergents au sein des équipes et des régions.

Plutôt que de s’appuyer sur le marquage manuel ou des interprétations anecdotiques, l’IA nous permet de paramétrer les retours d’expérience à grande échelle et de transformer les contributions qualitatives en signaux structurés pour identifier les domaines nécessitant le plus d’interventions. Cela a considérablement amélioré la rapidité, la cohérence et l’objectivité de la planification des améliorations organisationnelles.

2. Flux de travail internes et suppression des processus manuels

Nous avons également appliqué l’IA à nos flux de travail internes afin de réduire le travail manuel et répétitif. L’IA trie les demandes, structure les entrées non formatées et soutient la préparation à la prise de décision à travers différents processus internes.

Cela a considérablement réduit la charge opérationnelle, permettant aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée comme la résolution stratégique de problèmes, l’engagement des parties prenantes et l’amélioration continue, plutôt que sur l’exécution administrative.

3. Processus d'évaluation et de performance

Dans les processus d’évaluation et de performance internes, l’IA joue un rôle essentiel dans le traitement du côté quantitatif de l’analyse. L’IA recherche, agrège et recoupe les données structurées dans le temps, garantissant que les évaluations s’appuient sur des preuves longitudinales plutôt que sur des événements récents ou isolés.

Cela permet aux responsables de se concentrer sur les aspects qualitatifs de l’évaluation — jugement, contexte, discussions de développement et potentiel futur — au lieu de la collecte de données. Le résultat a été des évaluations plus rigoureuses, équitables et fondées sur des preuves.

4. Partage des connaissances et alignement

Nous utilisons NotebookLM comme une couche de connaissances partagée pour documenter les processus, les décisions et les thèmes récurrents, ce qui assure un accès rapide et sécurisé au savoir institutionnel. Nous partageons de manière transparente les informations capturées dans ce système lorsque cela est approprié, ce qui améliore l’alignement, réduit les mauvaises interprétations et crée une base factuelle commune entre les équipes.

5. Stratégie, prise de décision et conception organisationnelle

Au niveau stratégique, l’IA nous aide à aborder l’incertitude, les priorités et les arbitrages. Plutôt que de prescrire des décisions, l’IA permet de faire émerger des tendances, de quantifier l’ambiguïté et de tester des hypothèses — notamment dans des domaines comme la conception des rôles, l’efficacité organisationnelle et les initiatives de changement.

Comment l’analytique prédictive améliore la qualité des décisions d’embauche

Dans l’acquisition de talents, notre délai de recrutement était déjà régulièrement performant, entre 30 et 35 jours, donc notre objectif n’était pas d’accélérer le processus. Le changement majeur est survenu lorsque nous avons décidé de repenser la qualité de l’entonnoir plutôt que sa rapidité.

D’abord, nous avons formé l’équipe Talent Acquisition à l’analyse prédictive et à la segmentation d’une main-d’œuvre basée sur les compétences. Au lieu d’optimiser le volume, nous avons redessiné nos modèles d’entrée et de présélection pour prédire quels profils avaient le plus de chances de réussir dans des rôles, marchés et équipes spécifiques. Cela nous a permis de réduire intentionnellement le nombre de candidats à chaque étape du processus.

Concrètement, nous avons construit des tableaux de bord prédictifs combinant les résultats de recrutement historiques, les données de performance et les signaux du marché. Les recruteurs ont alors utilisé ces modèles pour se concentrer uniquement sur les compétences à forte probabilité, passant d’une qualité par le volume à une qualité par la précision.

Mais encore une fois : l’IA ne doit pas remplacer le jugement humain, mais l’aiguiser. Nous avons délibérément conservé des interactions humaines à forte valeur dans les entretiens, les discussions de calibration et les décisions finales. Cette combinaison nous a permis d’offrir une meilleure expérience candidat, des évaluations plus réfléchies et des décisions plus équitables et cohérentes.

Comment la conception des postes influence les résultats de l’embauche pilotée par l’IA

Avant de travailler avec des modèles prédictifs, je sous-estimais l’influence qu’exercent les descriptions de poste ambiguës, incohérentes ou gonflées sur les résultats du recrutement et le comportement des systèmes d’IA. Avec l’IA, la conception et la qualité des descriptions de poste déterminent chaque décision qui suit en aval.

En fait, l’analyse prédictive de nos données de recrutement historiques a révélé une tendance claire. La variabilité dans la définition des rôles était source de moins bons résultats — plus encore qu’une faible qualité des candidats. Autrement dit, les rôles dont les compétences sont mal définies, les exigences irréalistes ou les signaux de séniorité incohérents aboutissaient systématiquement à un taux de conversion plus faible, un taux de rejet tardif plus élevé et de plus faibles performances initiales, quelle que soit la qualité du vivier de candidats.

Cela a profondément modifié notre stratégie. Plutôt que de traiter les descriptions de poste comme des entrées statiques, nous les avons repensées comme des artefacts prédictifs. Nous avons utilisé les données historiques de résultats pour distinguer les exigences corrélées au succès de celles qui n’apportaient que du bruit ou de l’ambiguïté. Progressivement, cela nous a permis de simplifier la définition des rôles, de supprimer les exigences non prédictives et de concentrer le recrutement sur un nombre restreint de compétences à forte valeur prédictive.

Pourquoi l'adoption de l'IA doit être institutionnalisée, et non testée par des pilotes

Le principal décalage que je constate systématiquement entre la promesse de l’IA et la réalité organisationnelle n’est pas d’ordre technologique, mais bien organisationnel et humain. La plupart des entreprises investissent massivement dans des outils d’IA en s’attendant à des améliorations. Mais elles gardent les mêmes incitations, les mêmes structures hiérarchiques, et le même faible niveau de culture des données chez les dirigeants.

Le résultat, c’est que l’IA finit soit sous-utilisée, soit mal utilisée : des modèles puissants produisent des informations qui ne sont ni comprises, ni exploitées, ni auxquelles on accorde de la confiance.

Nous avons résolu ce décalage en institutionnalisant l’adoption de l’IA plutôt qu’en la traitant comme une série de projets pilotes. Nous avons mis en place un groupe de travail transversal dédié à la conception de prises de décision assistées par l’IA pour l’acquisition des talents.

Le groupe de travail fonctionne avec des objectifs explicites au niveau de l’entreprise. Ses deux principaux objectifs sont d’augmenter les taux de conversion dans tout le parcours de recrutement de 50 % grâce à la segmentation prédictive et à la refonte des décisions, et de réduire le temps d’entretien de 30 % supplémentaires en éliminant les candidats à faible probabilité plus tôt dans le processus. Ces objectifs obligent l’organisation à se concentrer non pas sur l’expérimentation, mais sur des gains de performance pérennes et systémiques.

Au-delà des mesures, le groupe est responsable de la refonte des circuits de décision avant l’introduction d’automatismes. Nous cartographions où les recrutements critiques se font, qui en a la responsabilité, quelles données sont nécessaires, et quels aspects nécessitent une intervention humaine centrale. Ce n’est qu’après avoir clarifié l’architecture des décisions que nous introduisons l’IA pour renforcer des étapes précises, et non pour ajouter des outils à des processus défaillants.

Nous intégrons aussi une gouvernance dès la conception. Cela inclut la possibilité d’intervention humaine, le suivi des biais et de la dérive, une responsabilité clairement définie pour les résultats des modèles, et la vérification éthique des cas d’usage à fort impact. Sans cela, l’IA tend à amplifier à la fois les bonnes et les mauvaises décisions.

Ce que signifie être prêt pour l’IA dans les RH et l’acquisition de talents

Nous considérons l’IA moins comme un ensemble d’outils que comme un état d’esprit orienté décision. Être prêt pour l’IA dans notre organisation, c’est poser systématiquement de meilleures questions : quels signaux importent, où se trouve l’incertitude, et comment les données peuvent éclairer le jugement humain.

La culture de l’IA se développe au quotidien, non par des formations formelles. Les équipes apprennent en utilisant l’IA pour révéler des motifs, tester des hypothèses et structurer des décisions à travers enquêtes, évaluations et processus opérationnels.

Concrètement, cela se traduit dans notre processus de décision : des échanges plus fondés sur les preuves, des hypothèses clarifiées, une meilleure documentation, et un langage partagé pour traiter l’incertitude. L’IA ne prend pas les décisions, elle façonne notre réflexion en amont.

La pile d’outils en trois couches de Carla

Pour l’exécution assistée par l’IA, nous utilisons plusieurs catégories d’outils. Pour la compréhension du langage, la conception de postes et le support structuré des connaissances, nous utilisons Gemini, un Agent IA interne, ainsi que NotebookLM, servant de couche de connaissance interne sécurisée pour documenter les processus et fournir un accès rapide et maîtrisé au savoir institutionnel.

Pour l’intelligence des entretiens, nous exploitons BrightHire pour capter des signaux structurés lors des entretiens et améliorer la calibration et la qualité des retours.

Dans notre plateforme de recrutement principale, nous utilisons Greenhouse AI principalement pour la synthèse des grilles d’évaluation et une synthèse structurée des retours d’entretiens, tout en préservant un contrôle humain total sur les décisions de sélection.

Pourquoi NotebookLM et ChatGPT sont des infrastructures cognitives incontournables

Je suis particulièrement fasciné par deux outils actuellement : NotebookLM et ChatGPT. Je les utilise dans des contextes très différents.

J’utilise ChatGPT exclusivement à titre personnel, en dehors de mon environnement professionnel. Il est devenu mon principal outil de réflexion et d’apprentissage personnel. Je l’utilise pour tout : apprentissage structuré, rédaction, exploration d’idées, planification, et réflexion.

La plateforme elle-même indique que je fais partie de ses utilisateurs les plus actifs, ce qui illustre à quel point elle est intégrée à mon flux cognitif personnel. Son principal impact a été d’accélérer mon apprentissage, d’améliorer ma clarté d’esprit et de m’aider à raisonner avec plus de rigueur sur des sujets complexes.

Dans mon contexte professionnel, c’est NotebookLM qui me mobilise le plus. Je l’utilise intensivement pour documenter et structurer mes entretiens individuels, suivre les thèmes récurrents, et garder une vision cohérente et basée sur des preuves du développement et de la performance individuelle dans le temps.

Je partage ces notes et résumés de façon transparente avec mes interlocuteurs, ce qui est particulièrement puissant. Cela crée un enregistrement unique et aligné des attentes, retours et engagements, et a nettement amélioré la confiance, la justice et la cohérence dans l’évaluation des performances. Cela permet à chacun de travailler à partir de la même base factuelle plutôt que sur la mémoire ou l’interprétation subjective.

Cela a abouti à une gestion de la performance bien plus rigoureuse et équitable : un meilleur suivi des actions de développement, moins de malentendus et une meilleure cohésion entre managers et membres de l’équipe.

Ce que j'apprécie le plus dans ces outils, c'est qu'ils ne sont pas seulement des outils d'automatisation, mais une infrastructure cognitive. Utilisés de cette manière, ils ne remplacent pas le jugement — ils améliorent la qualité, l’équité et la transparence de la façon dont ce jugement est exercé.

Comment l'acquisition de talents va évoluer au cours des cinq prochaines années

L’acquisition de talents ne sera plus principalement mesurée par la rapidité ou le volume, mais deviendra une fonction de qualité décisionnelle. Au cours des cinq prochaines années, le rôle évoluera du simple pilotage des processus de recrutement vers la conception et la gouvernance de la manière dont les organisations prennent des décisions relatives aux talents dans l’incertitude.

L’IA gérera de plus en plus l’échelle, la reconnaissance de motifs et l’extraction de signaux — de la conception des postes à l’appariement sur le marché — tandis que les équipes Talent deviendront bien plus précises et intentionnelles dans la conception et la réalisation des processus de sélection. L’avantage concurrentiel proviendra d’une définition de poste plus claire, d’une meilleure qualité de signal tout au long de l’entonnoir, et de décisions de sélection plus cohérentes et fondées sur des preuves.

À l’échelle du secteur, je pense qu’on verra une division nette : les organisations qui considèrent l’IA comme un état d’esprit intégré à leur modèle d’exploitation surpasseront fondamentalement celles qui la voient comme un simple ensemble d’outils. Le futur de la fonction appartient aux équipes qui conçoivent de meilleures décisions, et non simplement des processus plus rapides.

Comment les dirigeants peuvent adopter l’IA de manière intentionnelle en RH

Pour les personnes occupant des postes similaires au mien, mon conseil est de cesser de considérer l’IA comme un simple ajout optionnel, et de la traiter plutôt comme une partie intégrante du modus operandi dans la réalisation du travail. Cela signifie se concentrer sur l’élimination des frictions administratives grâce à l’IA comme étape fondamentale. À ce stade, résister à l’IA est une contradiction : la question n’est plus de savoir s’il faut l’utiliser, mais bien de déterminer avec quelle intention et quelle responsabilité nous l’intégrons dans les décisions et les flux de travail quotidiens.

Dans le même temps, nous devons être explicites sur ce qui doit rester humain. L’IA est extrêmement efficace pour gérer l’échelle, structurer l’information et réduire le bruit. Lorsqu’elle est bien utilisée, elle libère les personnes pour se concentrer davantage — et non moins — sur ce qui compte : le jugement, les relations, l’éthique, la créativité et le dialogue de fond.

Plus globalement, mon conseil aux dirigeants est de voir l’IA comme une force qui clarifie les priorités. Les organisations performantes utilisent l’IA pour supprimer le travail que la technologie réalise mieux que l’humain, et réinvestissent délibérément ce temps et cette attention dans des interactions humaines de meilleure qualité.

Au lieu de diminuer le leadership, l’IA crée les conditions pour un leadership plus réfléchi, concentré et humain.

Suivez l’actualité

Vous pouvez suivre le travail de Carla dans la révolution de l’acquisition de talents sur LinkedIn.

D’autres entretiens avec des experts à venir sur People Managing People !