La responsable acquisition de talents chez Thoughtworks explique comment rendre le recrutement prédictif et piloté par les données grâce à l’IA

Au cours de ma carrière, j’ai occupé des postes de direction dans des sociétés de technologie et de conseil mondiales telles que Thoughtworks, Cognizant et Hewlett-Packard, où j’ai dirigé d’importantes équipes d’acquisition de talents réparties sur plusieurs pays. Plus tôt dans ma carrière, j’ai également agi en tant que partenaire stratégique des talents, conseillant les dirigeants et cadres supérieurs sur la planification de la main-d’œuvre, la conception organisationnelle et la stratégie RH.

Travailler à grande échelle a été décisif dans mon parcours de leadership — gérer des équipes de plus de 50 recruteurs, piloter entre 600 et 2 000 embauches par an, et réaliser de façon constante des résultats records en matière d’efficacité de recrutement, d’expérience candidat et de croissance organisationnelle.

En plus du leadership en acquisition de talents, j’ai conçu et piloté des programmes stratégiques de marque employeur, de diversité et d’inclusion, et de recrutement sur campus, incluant des initiatives ayant considérablement augmenté l’embauche de femmes et de personnes en situation de handicap et renforcé les viviers de jeunes talents dans de nombreux pays.

En parallèle de mes fonctions en entreprise, j’interviens également en tant que conseillère indépendante auprès de beecrowd, une plateforme mondiale d’évaluation technique et de programmation compétitive utilisée par les universités et les entreprises technologiques pour évaluer les talents en ingénierie logicielle à grande échelle. Dans ce cadre, je conseille sur les référentiels d’évaluation des talents, l’évaluation des compétences et l’articulation entre excellence technique et stratégie RH.

Ces dernières années, mon activité s’est de plus en plus concentrée sur la façon dont l’IA et le recrutement piloté par les données redessinent le leadership, la stratégie de talents, et l’organisation de sociétés performantes dans des environnements complexes et multi-pays.

Pourquoi l’IA bouleverse bien plus que la technologie

Avec l’IA, mon rôle de leader en acquisition de talents a évolué : il ne s’agit plus seulement d’exécution, mais de concevoir des systèmes stratégiques capables de tirer parti de l’IA pour transformer l’attraction, l’évaluation et l’engagement des talents. Ce n’est pas un simple virage technologique — cela redéfinit les responsabilités managériales, l’organisation et la relation entre l’humain et les données.

L’acquisition de talents a toujours été perçue comme transactionnelle, mais cette transformation la rend pilotée par les données et prédictive. Plutôt que de s’appuyer sur du traitement manuel et des moyennes historiques, nous déployons aujourd’hui des agents d’apprentissage et des modèles prédictifs basés sur l’IA qui analysent de vastes ensembles de données pour détecter des schémas de réussite et recommander avec plus de précision les bons candidats.

En apprenant des données historiques, ces systèmes prennent en charge les tâches répétitives afin de permettre aux équipes de se concentrer sur ce qu’elles font de mieux : tisser des relations et prendre des décisions stratégiques.

Au final, diriger à l’ère de l’IA consiste à concevoir des architectures décisionnelles : poser des systèmes où humains, données et IA collaborent pour des résultats optimisés. Cela implique de construire une gouvernance éthique, des indicateurs clairs et des boucles de rétroaction intégrées permettant à l’entreprise d’anticiper les besoins, réduire les biais de sélection et aligner la capacité de la main-d’œuvre sur ses objectifs stratégiques de long terme.

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

À chaque fois que nous refondons un processus grâce à l’IA, nous suivons un principe précis : l’IA élimine l’aspect manuel, structure des signaux quantitatifs et fait émerger des analyses, pendant que l’humain conserve la responsabilité du jugement qualitatif et de la décision finale.

Voici quelques exemples de refontes que nous avons réalisées :

1. Analyse des enquêtes et boucles de rétroaction organisationnelles

L’une des applications les plus efficaces de l’IA concerne l’analyse de larges volumes de données issues d’enquêtes. Grâce à plusieurs modèles Gemini personnalisés, nous traitons les réponses libres pour repérer les thèmes récurrents, les tendances de sentiment et l’émergence de risques selon les équipes et régions.

Plutôt que de s'appuyer sur un étiquetage manuel ou une interprétation subjective, l’IA nous permet de paramétrer les retours à grande échelle et de transformer les commentaires qualitatifs en signaux structurés qui orientent les interventions là où elles sont les plus nécessaires. Cela a nettement amélioré la rapidité, la cohérence et l’objectivité de la planification de l’amélioration organisationnelle.

2. Flux de travail internes et suppression des processus manuels

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

Cela a permis de réduire de manière significative la charge opérationnelle, permettant ainsi aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée telles que la résolution stratégique de problèmes, l’engagement des parties prenantes et l’amélioration continue au lieu de l'exécution administrative.

3. Processus d’évaluation et de performance

Dans les processus internes d’évaluation et de performance, l’IA joue un rôle clé dans la gestion de l’analyse quantitative. Elle recherche, agrège et croise des points de données structurés au fil du temps, garantissant ainsi que les évaluations reposent sur des preuves longitudinales et non sur des événements récents ou isolés.

Cela permet aux dirigeants de se concentrer sur les aspects qualitatifs de l’évaluation — jugement, contexte, entretiens de développement et potentiel futur — au lieu de la collecte de données. Le résultat : des évaluations plus disciplinées, équitables et basées sur des preuves.

4. Partage des connaissances et alignement

Nous utilisons NotebookLM comme couche de connaissance partagée pour documenter les processus, les décisions et les thèmes récurrents, assurant ainsi un accès rapide et sécurisé à la connaissance institutionnelle. Nous partageons ces informations de façon transparente là où cela est approprié, ce qui améliore l’alignement, réduit les malentendus et crée une base factuelle commune entre les équipes.

5. Stratégie, prise de décision et conception organisationnelle

Au niveau stratégique, l’IA appuie notre réflexion sur l’incertitude, les priorités et les arbitrages. Plutôt que de dicter les décisions, l’IA aide à faire émerger des tendances, à quantifier l’ambiguïté et à tester les hypothèses — en particulier dans les domaines tels que la conception des rôles, l'efficacité organisationnelle et les initiatives de changement.

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

En acquisition de talents, notre délai de recrutement était déjà solide et constant, compris entre 30 et 35 jours ; pour nous, il ne s’agissait donc pas de gagner en rapidité. Le vrai changement est survenu lorsque nous avons décidé de repenser la qualité du vivier plutôt que la vitesse du processus.

Nous avons d’abord formé l’équipe Talent Acquisition à l’analyse prédictive et à la segmentation de la main-d’œuvre basée sur les compétences. Au lieu d’optimiser le volume, nous avons repensé nos modèles d’entrée et de sélection pour anticiper quels profils avaient le plus de chances de réussir selon les postes, les marchés et les équipes. Nous avons ainsi pu réduire volontairement le nombre de candidats à chaque étape du processus.

Concrètement, nous avons conçu des tableaux de bord prédictifs combinant les résultats d’embauche passés, les données de performance et les signaux du marché. Les recruteurs ont ensuite utilisé ces modèles pour se concentrer uniquement sur les compétences les plus prometteuses, passant d’une logique de qualité par le volume à une qualité par la précision.

Encore une fois : l’IA ne doit pas remplacer le jugement humain, mais l’affiner. Nous avons veillé à préserver une forte interaction humaine 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 justes et plus cohérentes.

Comment la conception des postes influence les résultats de recrutement assisté par IA

Avant de travailler avec des modèles prédictifs, je sous-estimais à quel point des descriptions de poste ambiguës, incohérentes ou surévaluées pouvaient fausser les résultats de recrutement et le comportement d’apprentissage des systèmes d’IA. Avec l’IA, la conception et la qualité des descriptions de poste déterminent chaque décision ultérieure.

En effet, l’analyse prédictive de nos données historiques de recrutement a mis en évidence un schéma clair. La variabilité dans la définition des rôles entraînait de moins bons résultats — encore plus que la faible qualité des candidats. Autrement dit, des postes dont les compétences sont mal définies, les exigences irréalistes ou les critères de séniorité incohérents produisent systématiquement moins de conversions, plus de rejets en fin de parcours et une moindre performance initiale, et ce quel que soit la qualité du vivier de candidats.

Cela a fondamentalement transformé notre stratégie. Plutôt que de considérer les descriptions de poste comme des entrées statiques, nous les avons repensées comme des artefacts prédictifs. Nous avons utilisé nos données historiques pour distinguer les critères corrélés au succès de ceux qui n’apportaient que du bruit et de l’ambiguïté. Au fil du temps, 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 ajoutée.

Pourquoi l’adoption de l’IA doit être institutionnalisée et non gérée comme un pilote

La plus grande déconnexion que je constate systématiquement entre la promesse de l’IA et la réalité organisationnelle n’est pas technologique, elle est organisationnelle et humaine. La plupart des entreprises investissent massivement dans des outils d’IA et s’attendent à des améliorations. Mais elles gardent les mêmes incitations, les mêmes structures hiérarchiques et le même faible niveau de culture des données parmi les dirigeants.

Le résultat, c’est que l’IA est soit sous-utilisée, soit mal utilisée : des modèles puissants qui produisent des analyses, mais qui ne sont ni comprises, ni dignes de confiance, ni exploitées.

Nous avons résorbé cette déconnexion en institutionnalisant l’adoption de l’IA au lieu de la traiter comme une série de projets pilotes. Nous avons établi un groupe de travail transversal dédié à la conception de décisions assistée par l’IA en acquisition de talents.

Le groupe de travail fonctionne avec des objectifs explicites, au niveau de l’entreprise. Ses deux principaux objectifs sont d’augmenter de 50 % les taux de conversion à chaque étape du processus de recrutement grâce à la segmentation prédictive et à la refonte des décisions, et de réduire le nombre d’heures d’entretiens de 30 % supplémentaires en éliminant plus tôt les candidats à faible probabilité. Ces cibles poussent l’organisation à se concentrer non pas sur l’expérimentation, mais sur des gains de performance durables et systémiques.

Au-delà des indicateurs, le groupe est chargé de refondre les flux de décisions avant d’introduire l’automatisation. Nous cartographions l’endroit où les embauches critiques sont réalisées, qui en est responsable, quelles données sont nécessaires et où le jugement humain doit rester central. Ce n’est qu’une fois l’architecture décisionnelle clarifiée que nous introduisons l’IA pour augmenter certaines étapes, au lieu d’ajouter des outils à des processus défaillants.

Nous intégrons également la gouvernance dès la conception. Cela inclut la possibilité de reprise humaine, la surveillance des biais et des dérives, une responsabilité claire sur les résultats des modèles, et un examen éthique des cas d’utilisation à fort impact. Sans cela, l’IA tend à amplifier à la fois les bonnes et les mauvaises décisions.

Ce que cela signifie d’être prêt pour l’IA en RH et en acquisition de talents

Nous considérons l’IA moins comme un ensemble d’outils que comme un état d’esprit décisionnel. Être prêt pour l’IA dans notre organisation signifie poser systématiquement de meilleures questions : quels signaux sont importants, où il y a de l’incertitude, et comment les données peuvent enrichir le jugement humain.

La culture de l’IA se développe dans le travail quotidien, pas au travers de formations formelles. Les équipes apprennent à utiliser l’IA pour faire émerger des tendances, tester des hypothèses et structurer les décisions dans les enquêtes, les évaluations ou les processus opérationnels.

Dans la pratique, cela se reflète dans notre manière de décider : des discussions plus fondées sur les preuves, des hypothèses clairement formulées, une meilleure documentation et un langage commun pour travailler avec l’incertitude. L’IA ne décide pas à notre place, elle façonne notre réflexion avant la prise de décision.

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 et NotebookLM, qui sert de couche de connaissance interne sécurisée pour documenter les processus et donner un accès rapide et gouverné au savoir institutionnel.

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

Dans notre plateforme principale de recrutement, nous utilisons Greenhouse AI principalement pour la synthèse des grilles de notation et la consolidation structurée des retours d’entretien, tout en maintenant un contrôle humain total dans les décisions de sélection.

Pourquoi NotebookLM et ChatGPT sont des infrastructures cognitives indispensables

Deux outils me fascinent particulièrement aujourd’hui : NotebookLM et ChatGPT. Je les utilise dans des contextes très différents.

J’utilise ChatGPT exclusivement à des fins personnelles, en dehors de mon environnement professionnel. C’est devenu mon principal outil de réflexion et d’apprentissage personnel. Je l’utilise aussi bien pour apprendre et écrire de façon structurée que pour explorer des idées, planifier et réfléchir.

La plateforme elle-même m’indique que je fais partie de ses plus gros utilisateurs, ce qui reflète à quel point elle est intégrée à mon cycle cognitif personnel. Son impact principal a été d’accélérer mon apprentissage, d’améliorer la clarté de ma pensée et de renforcer la rigueur de mon raisonnement sur des sujets complexes.

Dans un contexte professionnel, mon investissement se concentre sur NotebookLM. Je l’utilise largement pour documenter et structurer mes entretiens individuels, suivre les thèmes récurrents et maintenir dans le temps une vue cohérente et factuelle du développement et de la performance de chaque personne.

Je partage ces notes et synthèses de façon transparente avec les personnes que je rencontre, ce qui les rend particulièrement puissantes. Cela crée un seul et même référentiel pour les attentes, les retours et les engagements, et cela a nettement amélioré la confiance, l’équité et la cohérence dans l’évaluation de performance. Chacun part ainsi de la même base factuelle, plutôt que de la mémoire ou d’interprétations subjectives.

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

Ce que j’apprécie le plus avec ces outils, c’est qu’ils ne sont pas simplement 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 le jugement est exercé.

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

L’acquisition de talents cessera d’être mesurée principalement par la rapidité ou le volume et deviendra une fonction de la qualité des décisions. Au cours des cinq prochaines années, ce rôle évoluera : il ne s’agira plus seulement d’exécuter des processus de recrutement, mais de concevoir et de gouverner la manière dont les organisations prennent des décisions en matière de talents dans un contexte d’incertitude.

L’IA prendra en charge de plus en plus les aspects d’échelle, de reconnaissance de schémas et d’extraction de signaux — de la conception des postes à la mise en relation avec le marché — tandis que les équipes de talents deviendront bien plus précises et intentionnelles dans la conception et l’exécution des processus de sélection. L’avantage concurrentiel résidera dans une définition plus claire des rôles, une meilleure qualité des signaux tout au long du parcours et des décisions de sélection plus cohérentes et fondées sur les preuves.

À l’échelle du secteur, je pense que nous observerons une nette division : les organisations qui considèrent l’IA comme un état d’esprit intégré à leur modèle opérationnel surpasseront fondamentalement celles qui la traitent comme un simple ensemble d’outils. L’avenir de cette fonction appartient aux équipes qui conçoivent de meilleures décisions, pas seulement des processus plus rapides.

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

Pour les personnes occupant des rôles similaires au mien, mon conseil est de cesser de considérer l’IA comme un ajout optionnel et de commencer à l’intégrer comme faisant partie du modus operandi de l’organisation du travail. À ce stade, résister à l’IA est une contradiction : la question n’est plus de savoir s’il faut l’utiliser, mais avec quel degré d’intention et de responsabilité nous l’intégrons dans les décisions et processus quotidiens.

En 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. Bien utilisée, elle libère les personnes afin qu’elles puissent se concentrer davantage — et non moins — sur ce qui compte : le jugement, les relations, l’éthique, la créativité et le dialogue authentique.

Plus largement, mon conseil aux dirigeants est de percevoir l’IA comme une force qui clarifie les priorités. Les organisations performantes utilisent l’IA pour éliminer le travail que la technologie accomplit mieux que l’humain, puis réinvestissent intentionnellement ce temps et cette attention dans des interactions humaines de meilleure qualité.

L’IA ne diminue pas le leadership : elle crée les conditions pour que se développe un leadership plus réfléchi, plus concentré et plus humain.

Restez connectés

Vous pouvez suivre le travail de Carla pour révolutionner l’acquisition de talents sur LinkedIn.

Encore plus d’interviews d’experts à venir sur People Managing People !