La Directrice de l’Acquisition des Talents chez Thoughtworks explique comment faire du recrutement un processus prédictif et piloté par les données grâce à l’IA

Au cours de ma carrière, j’ai occupé des postes de direction au sein d’importantes entreprises technologiques et de conseil, telles que Thoughtworks, Cognizant et Hewlett-Packard, où j’ai dirigé de grandes équipes d’acquisition de talents, réparties sur plusieurs pays. Plus tôt dans ma carrière, j'ai également agi comme partenaire stratégique de gestion de talents, conseillant des dirigeants seniors et exécutifs sur la planification des effectifs, la structuration organisationnelle et la stratégie RH.

Travailler à grande échelle a façonné mon parcours de leadership — supervisant des équipes de plus de 50 recruteurs, menant entre 600 et 2 000 embauches annuelles, et obtenant systématiquement des résultats record en efficacité de recrutement, expérience candidat et croissance organisationnelle.

En plus de mon cœur de métier dans l’acquisition de talents, j’ai conçu et dirigé des programmes stratégiques de marque employeur, de diversité et d’inclusion, ainsi que de recrutement sur campus, notamment des initiatives ayant nettement accru l’embauche de femmes et de personnes en situation de handicap, tout en développant l’intégration de jeunes diplômés à l’international.

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

Ces dernières années, mon activité s’est fortement orientée vers l’impact de l’IA et du recrutement piloté par la donnée sur la refonte des modes de leadership, des stratégies de talents et la conception d’organisations performantes dans des environnements complexes et multinationaux.

You should also read

• Une conseillère en talents affirme que l’IA accélère la dette organisationnelle, au lieu de la résoudre

• La VP des Ressources Humaines affirme que les employés les plus précieux sont ceux qui « se rendent dispensables »

• Une experte du futur du travail affirme que les dirigeants doivent traiter l’IA comme un membre de l’équipe — pas seulement un outil

Pourquoi l’IA transforme bien plus que la technologie

Avec l’IA, mon rôle de leader dans l’acquisition de talents s’est transformé. D’un rôle principalement axé sur l’exécution, je suis passée à l’architecture de systèmes stratégiques de gestion de talents qui appuient l’organisation sur l’IA pour transformer la manière d’attirer, d’évaluer et d’engager les talents. Ce changement n’est pas que technologique — il redéfinit également les responsabilités des dirigeants, la structure organisationnelle et la relation entre l’humain et la donnée.

Traditionnellement, l’acquisition de talents est transactionnelle, mais cette transformation la rend pilotée par la donnée et prédictive. Au lieu de se fier au tri manuel et aux moyennes historiques, nous appliquons désormais des agents intelligents et des modèles prédictifs s’appuyant sur l’IA, capables d’analyser de larges ensembles de données pour identifier des schémas de réussite et recommander des candidats avec plus de précision.

En apprenant à partir des données passées, ces systèmes automatisent les tâches répétitives, permettant ainsi aux équipes de se recentrer sur leur valeur ajoutée : nouer des relations et prendre des décisions stratégiques.

En fin de compte, le leadership à l’ère de l’IA consiste à construire des architectures de décision : créer des systèmes où l’humain, la donnée et l’IA collaborent pour améliorer les résultats. Cela implique de développer une gouvernance éthique, des indicateurs clairs et des boucles de rétroaction intégrées, de sorte que l'organisation puisse anticiper ses besoins, réduire les biais à la sélection et aligner ses compétences sur des objectifs stratégiques de 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, nous suivons un principe clair : l’IA supprime le travail manuel, structure les signaux quantitatifs et fait émerger les informations clés, tandis que l’humain garde la responsabilité du jugement qualitatif et de la décision finale.

Voici quelques exemples de transformations que nous avons réalisées :

1. Analyse des enquêtes et boucles de feedback organisationnel

L’une des applications les plus efficaces de l’IA a été l’analyse de grands volumes de données issues d’enquêtes. À l’aide de plusieurs modèles Gemini personnalisés, nous traitons les réponses ouvertes afin de détecter les thèmes récurrents, les tendances de sentiment et les risques émergents à travers les équipes et les régions.

Plutôt que de compter sur un étiquetage manuel ou une interprétation subjective, l’IA nous permet de paramétrer les retours d’expérience à grande échelle et de transformer les informations qualitatives en signaux structurés afin d’identifier précisément où les interventions sont les plus nécessaires. Cela a considérablement 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 afin de réduire le travail manuel et répétitif. L’IA gère le tri des demandes, structure les informations non formatées et assiste la préparation des décisions dans de nombreux processus internes.

Cela a réellement permis de diminuer les charges opérationnelles et de laisser aux équipes plus de temps pour se concentrer sur des tâches à plus forte valeur ajoutée comme la résolution stratégique de problèmes, la mobilisation des parties prenantes et l’amélioration continue au lieu d’une exécution administrative.

3. Processus de performance et d’évaluation

Pour l’évaluation interne et les processus de performance, l’IA joue un rôle essentiel dans le traitement du volet quantitatif de l’analyse. L’IA recherche, agrège et recoupe les points de données structurées sur la durée, garantissant que les évaluations s’appuient sur une preuve longitudinale au lieu de se fier à l’actualité ou à des événements isolés.

Cela permet aux dirigeants de se concentrer sur les aspects qualitatifs de l’évaluation — jugement, contexte, conversations sur le développement et potentiel futur — plutôt que sur la collecte de données. Le résultat : des évaluations plus disciplinées, équitables et fondées sur des preuves.

4. Partage des connaissances et alignement

Nous utilisons NotebookLM comme couche de connaissances partagée pour documenter les processus, décisions et thèmes récurrents, assurant ainsi un accès rapide et sécurisé au savoir institutionnel. Nous partageons de façon transparente les informations enregistrées dans ce système lorsque cela est pertinent, ce qui favorise l’alignement, réduit les mésinterprétations et crée une base factuelle commune à travers les équipes.

5. Stratégie, prise de décision et conception organisationnelle

Au niveau stratégique, l’IA soutient notre réflexion sur l’incertitude, les priorités et les arbitrages. Plutôt que d’imposer des décisions, l’IA permet de faire émerger des tendances, de quantifier les zones d’ambiguïté et de tester les hypothèses — notamment sur des sujets 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 traitement était déjà solide, de l’ordre de 30 à 35 jours ; il ne s’agissait donc pas pour nous d’améliorer la rapidité. Le vrai changement s’est produit lorsque nous avons choisi de repenser la qualité de l’entonnoir plutôt que la vélocité du processus.

Tout d’abord, nous avons formé l’équipe Acquisition de talents à l’analyse prédictive et à la segmentation des effectifs axés sur les compétences. Plutôt que d’optimiser le volume, nous avons repensé nos modèles de sélection afin de prédire quels profils avaient le plus de chances de réussir pour des postes, marchés et équipes spécifiques. Cela nous a permis de réduire volontairement le nombre de candidats entrant à chaque étape du processus.

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

Mais là encore : l’IA ne doit surtout pas remplacer le discernement humain, mais l’affûter. Nous avons conservé volontairement une forte interaction humaine lors des entretiens, discussions de calibration et 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 impacte les résultats du recrutement piloté par l’IA

Avant de travailler avec des modèles prédictifs, je sous-estimais à quel point des descriptions de poste ambiguës, incohérentes ou gonflées pouvaient fausser les résultats du recrutement ainsi que le mode d’apprentissage des systèmes d’IA. Avec l’IA, la conception du poste et la qualité de la fiche de poste influencent toutes les décisions ultérieures.

En réalité, l’analyse prédictive de nos données historiques de recrutement a mis en lumière un schéma très clair. La variabilité dans les définitions de poste générait des résultats plus médiocres — davantage encore que la mauvaise qualité des candidats. En d’autres termes, les postes dont les compétences étaient mal spécifiées, avec des exigences irréalistes ou des signaux d’ancienneté incohérents, donnaient systématiquement lieu à un taux de conversion plus faible, davantage de rejets en fin de parcours et des performances initiales plus faibles, quelle que soit la force du vivier de candidats.

Cela a fondamentalement changé notre stratégie. Au lieu de considérer les fiches de poste comme des données d’entrée statiques, nous les avons repensées comme des artefacts prédictifs. Nous avons utilisé les résultats historiques pour distinguer les exigences corrélées au succès de celles qui ajoutaient simplement du bruit et de l’ambiguïté. Au fil du temps, cela nous a permis de simplifier les définitions de poste, de supprimer les critères non prédictifs et de cibler le recrutement sur un plus petit ensemble de compétences à forte valeur probante.

Pourquoi l’adoption de l’IA doit être institutionnalisée, et non testée en 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 attendent des améliorations. Mais elles conservent les mêmes incitations, les mêmes structures hiérarchiques et le même faible niveau de culture des données chez leurs dirigeants.

Le résultat, c’est que l’IA se retrouve sous-utilisée ou mal utilisée : des modèles puissants produisent des analyses qui ne sont ni comprises, ni prises en compte, ni exploitées.

Nous avons résolu cette déconnexion en institutionnalisant l’adoption de l’IA plutôt qu’en la considérant comme une série d’expérimentations pilotes. Nous avons mis en place un groupe de travail transversal dédié à la conception des prises de décision enrichies par l’IA dans l’acquisition de talents.

Le groupe fonctionne selon des objectifs explicites d’ordre business. Ses deux objectifs principaux sont d’augmenter de 50 % le taux de conversion dans le processus de recrutement via la segmentation prédictive et la refonte des décisions, et de réduire de 30 % supplémentaires le nombre d’heures d’entretien en éliminant plus tôt les candidats à faible probabilité. Ces objectifs incitent 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 responsable de la refonte des processus décisionnels avant d’introduire l’automatisation. Nous analysons 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 intégrons l’IA pour renforcer des étapes spécifiques, plutôt que de superposer des outils sur des processus défaillants.

Nous intégrons également une gouvernance dès la conception. Cela inclut l’intervention humaine possible, la surveillance des biais et des dérives, une responsabilité claire pour les résultats des modèles ainsi qu’un examen 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 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 consiste à poser en continu de meilleures questions : quels signaux sont pertinents, où existent-elles des incertitudes, et comment les données peuvent-elles éclairer le jugement humain.

La culture de l’IA se construit au quotidien, non via des formations formelles. Les équipes apprennent en utilisant l’IA pour dégager des tendances, tester des hypothèses et structurer des décisions à travers les sondages, les évaluations et les flux opérationnels.

Concrètement, cela se voit dans la manière dont nous prenons les décisions : des discussions plus fondées sur des preuves, des hypothèses clarifiées, une meilleure documentation et un langage partagé pour travailler dans l’incertitude. L’IA ne prend pas de décisions à notre place, elle façonne notre façon de réfléchir en amont.

La pile d’outils à trois niveaux de Carla

Pour l’exécution assistée par l’IA, nous utilisons plusieurs catégories d’outils. Pour la compréhension du langage, la conception des postes et le support des connaissances structurées, nous utilisons Gemini, un Agent IA interne, et NotebookLM, servant de couche de connaissances sécurisée pour consigner les processus et donner un accès rapide et gouverné au savoir institutionnel.

Pour l’intelligence des entretiens, nous utilisons BrightHire afin de capter des signaux structurés lors des entretiens et d’améliorer la calibration et la qualité des retours.

Au sein de notre plateforme principale de recrutement, nous utilisons Greenhouse AI principalement pour le résumé des grilles d’évaluation et la synthèse structurée des retours d’entretien, tout en conservant un contrôle humain total sur les décisions de sélection.

Pourquoi NotebookLM et ChatGPT sont des infrastructures cognitives indispensables

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

J’utilise ChatGPT uniquement à des fins personnelles, en dehors de mon environnement professionnel. Il est devenu mon principal outil personnel de réflexion et d’apprentissage. 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 assidus, ce qui reflète à quel point elle fait désormais partie de mon flux de travail cognitif personnel. Son principal impact a été d’accélérer mon apprentissage, d’améliorer ma clarté d’esprit et de m’aider à raisonner de façon plus rigoureuse sur des sujets complexes.

Dans mon contexte professionnel, c’est sur NotebookLM que je m’investis le plus. Je l’utilise de façon intensive pour documenter et structurer mes réunions individuelles, suivre les thèmes récurrents et maintenir une vision cohérente, fondée sur des preuves, du développement individuel et de la performance dans le temps.

Je partage ces notes et synthèses en toute transparence avec les personnes que je rencontre, ce qui donne à cet outil une grande puissance. Cela crée un enregistrement unique et aligné des attentes, retours et engagements, et a significativement renforcé la confiance, l’équité et la cohérence dans l’évaluation des performances. Cela permet aux deux parties de partir de la même base factuelle, et non de la mémoire ou de l’interprétation subjective.

Cela a permis une gestion de la performance bien plus disciplinée et équitable : meilleur suivi des actions de développement, moins de malentendus, et un meilleur alignement entre managers et membres de l’équipe.

Ce que j'apprécie le plus dans ces outils, c'est qu'ils ne sont pas 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 manière 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 qualité des décisions. Au cours des cinq prochaines années, le rôle évoluera, passant de l’exécution des processus de recrutement à la conception et à la gouvernance de la façon dont les organisations prennent des décisions sur les talents dans l’incertitude.

L’IA prendra de plus en plus en charge l’échelle, la reconnaissance des schémas et l’extraction de signaux — de la conception de poste à l’appariement avec le marché — tandis que les équipes Talent deviendront beaucoup plus précises et intentionnelles dans la conception et l’exécution des processus de sélection. L’avantage concurrentiel viendra d’une définition de poste plus claire, d’une meilleure qualité des signaux 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 que nous verrons une division claire : les organisations qui considèrent l’IA comme un état d’esprit intégré à leur modèle opérationnel surpasseront fondamentalement celles qui la considèrent comme un simple ensemble d’outils. L’avenir de la 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 en RH

Pour les personnes dans des rôles comme le mien, mon conseil est d’arrêter de considérer l’IA comme un accessoire optionnel et de commencer à la voir comme faisant partie du modus operandi de la manière dont le travail est accompli. Cela signifie se concentrer sur l’élimination des frictions administratives avec 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 comment l’intégrer de manière intentionnelle et responsable dans les décisions et les flux de travail quotidiens.

En même temps, nous devons être explicites sur ce qui doit rester humain. L’IA est extrêmement efficace pour gérer la montée en charge, structurer l’information et réduire le bruit. Utilisée judicieusement, elle libère les personnes pour qu’elles se concentrent davantage — et non moins — sur ce qui compte : le jugement, les relations, l’éthique, la créativité et le dialogue de fond.

Dans une perspective plus large, mon conseil aux dirigeants est de considérer l’IA comme une force qui clarifie les priorités. Les organisations performantes utilisent l’IA pour supprimer le travail que la technologie fait mieux que les humains 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 faire émerger un leadership plus réfléchi, plus concentré et plus humain.

Suivez l’actualité

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

D’autres interviews d’experts à venir sur People Managing People !