Le filtre de recrutement par l’IA mérite un examen approfondi
Question de conformité: La loi sur l’IA du Colorado impose la transparence et la responsabilité aux employeurs utilisant l’IA pour recruter.
Transparence de l’IA: Beaucoup de candidats ignorent que des systèmes d’IA ont influencé leur candidature ou leur évaluation.
Lacune d’interprétation: Les services RH peinent souvent à expliquer les modèles de notation par IA et leurs implications sur le recrutement.
Responsabilité du fournisseur: Selon les réglementations récentes, ce sont les employeurs, et non les fournisseurs, qui sont responsables des conséquences négatives liées aux outils d’IA.
Évolution de la gouvernance: Les organisations doivent désormais accorder la priorité à l’explicabilité et à la documentation de leurs processus de recrutement par IA pour rester conformes.
Quelque part dans votre processus de recrutement, un candidat a été écarté par un système que votre équipe n’est pas en mesure d’expliquer entièrement. Vous avez peut-être un contrat avec un fournisseur, un tableau de bord et un score. Mais ce que la plupart des organisations n’ont pas, c’est une réponse claire à la question que les nouvelles réglementations sur l’IA vous obligent désormais à poser : pourquoi.
Cette différence entre ce que fait concrètement l’IA dans le recrutement en entreprise et ce que les candidats et régulateurs peuvent effectivement constater est désormais un enjeu de conformité. L’AI Act du Colorado, l’une des premières lois de ce type aux États-Unis, est entrée en vigueur en février et oblige les employeurs utilisant des systèmes d’IA à haut risque dans les décisions d’embauche à informer les candidats et à leur fournir un moyen de corriger leurs données ou de contester un résultat défavorable.
Pour de nombreux départements RH, respecter cette exigence implique d’expliquer des systèmes qu’ils ne comprennent pas entièrement eux-mêmes.
Continuez à lire—et continuez à diriger plus intelligemment
Créez un compte gratuit pour terminer cet article et rejoindre une communauté de leaders tournés vers l'avenir exploitant outils, guides pratiques et perspectives pour prospérer à l'ère de l'IA.
Have an account? Log In
Le marché des outils d’embauche pilotés par l’IA s’est considérablement développé ces dernières années. Les fournisseurs proposent aux employeurs des plateformes de présélection, de notation automatisée des entretiens et des modèles prédictifs d’adéquation pour gérer un volume important de candidatures.
La promesse est celle de l’efficacité, mais dans la réalité, le constat est plus nuancé. Les candidatures sur LinkedIn ont augmenté de plus de 45 % d’une année sur l’autre en 2025, avec environ 11 000 candidatures déposées chaque minute. Dans le même temps, 64 % des recruteurs ont signalé une hausse des candidatures générées par l’IA, similaires entre elles, sur la même période, ce qui a accru leur charge de présélection au lieu de la réduire. Les outils conçus pour filtrer le volume en sont en partie la cause.
Tatiana Teppoeva, ancienne data scientist chez Microsoft et Boeing, aujourd’hui conseillère auprès d’organisations sur les risques liés au recrutement assisté par l’IA, observe cette dynamique se reproduire systématiquement chez ses clients grands comptes.
De nombreuses équipes RH comprennent les arguments des prestataires, mais ont une visibilité limitée sur la façon dont les résultats de présélection sont générés ou sur les signaux candidats qui sont pondérés. Lorsque des candidats demandent pourquoi ils ont été écartés, les organisations peinent souvent à traduire un score fournisseur en une explication claire et pertinente pour l’emploi.
D’après son expérience, l’écart est précis : il est plus facile pour les organisations de décrire le score produit par un outil que d’expliquer ce qu’il représente réellement en termes de compétences liées au poste.
Ce manque de transparence a un coût mesurable pour les candidats. Une enquête menée en avril 2026 auprès de 1 066 candidats américains par Enhancv a révélé que 68,5 % d’entre eux n’avaient jamais été informés qu’une IA jouait un rôle dans leur évaluation, et seulement 9,7 % disaient qu’un employeur l’avait clairement précisé.
Près d’un tiers ont déclaré avoir abandonné une candidature plutôt que de passer par une présélection automatisée en asynchrone, et ce phénomène n’était pas homogène. Près de 80 % des postes abandonnés étaient rémunérés moins de 100 000 $. Ce sont donc les candidats les moins favorisés qui sont les plus exposés à des systèmes auxquels ils n’ont pas accès et sans leur consentement.
Une boîte noire assortie d’un contrat fournisseur
La question de la responsabilité ne porte pas uniquement sur l’opacité des systèmes, même si celle-ci joue un rôle important. De nombreuses plateformes de présélection fonctionnent comme des boîtes noires—ou presque—: la logique de pondération du modèle n’est pas accessible à l’employeur, et encore moins au candidat.
Même lorsque les prestataires proposent des fonctionnalités d’explicabilité, l’explication fournie au recruteur n’est bien souvent qu’un résumé simplifié d’un processus sous-jacent bien plus complexe. Un responsable RH peut lire le résultat. Il a souvent du mal à questionner la manière dont il a été produit.
Cela prend d’autant plus d’importance à grande échelle. Une entreprise qui gère des dizaines de milliers de candidatures par an prend énormément de décisions à forts enjeux via un système que sa propre équipe ne sait pas forcément auditer. Les obligations de notification et d’appel inscrites dans la loi du Colorado rendent la question incontournable. Si un candidat demande pourquoi il a été rejeté, qui répond et avec quelles informations ?
Le travail de Teppoeva porte précisément sur ce qu’elle appelle « la couche d’interprétation », c’est-à-dire l’espace entre un signal généré par l’IA et une décision humaine. La première question qu’elle pose aux organisations déjà équipées d’un outil de présélection est pourquoi : « Pourquoi ce candidat a-t-il reçu un score faible alors qu’il semblait solide à l’équipe de recrutement ? Pourquoi tel autre a-t-il obtenu un score élevé mais s’est ensuite retrouvé sous plan d’amélioration de la performance ? »
La plupart des organisations, explique-t-elle, ne savent pas répondre à ces questions. Elles ont le score, mais pas la logique qui le sous-tend.
Les organisations s’appuient fréquemment sur les résultats générés par les prestataires sans disposer d’un cadre interne clair pour interpréter ou documenter ces résultats, explique-t-elle. Cela peut rendre difficile l’explication du rôle du jugement humain ou des modalités de la décision finale.
Lorsqu’une décision est contestée, ce manque devient un vrai risque.
La responsabilité incombe à l’employeur
Le calendrier réglementaire met également en lumière un problème lié à la manière dont les outils d’embauche basés sur l’IA sont généralement acquis. Les décisions sur la plateforme à utiliser sont souvent prises par les équipes d’acquisition de talents, axées sur le volume, tandis que les départements juridique, conformité et parfois les responsables RH sont moins impliqués dans l’évaluation de ce que fait réellement l’outil.
La loi du Colorado change la donne. Selon le SB 205, la responsabilité concernant les conséquences négatives de l’utilisation d’une IA à haut risque en matière d’emploi incombe à l’employeur, non au prestataire. L’entreprise qui utilise l’outil est tenue responsable de ses résultats.
Jimmy Hurff, COO et co-fondateur de Brightmove, un fournisseur de système de suivi des candidats, affirme que les discussions qu’il observe lors des achats reflètent parfaitement ce problème.
Les employeurs semblent surtout se concentrer sur l’intégration des fonctionnalités et sur le volume de candidats. Nos clients potentiels vérifient principalement les possibilités d’intégration, mais se préoccupent rarement de la qualité du vivier de candidats et de l’automatisation du classement et de l’évaluation.
Les questions qui comptent le plus dans le cadre réglementaire du Colorado — explicabilité, auditabilité, processus d’appel — ne sont généralement pas celles posées lors des discussions d’achat.
Brightmove a publié une politique de l’IA responsable en réponse directe au SB 205, et Hurff affirme que la loi a entraîné une remise en question plus large chez les éditeurs. Il précise également selon lui l’évolution souhaitable du débat réglementaire : aller vers une norme fédérale unique plutôt qu’un patchwork d’exigences état par état, ce qui donnerait aux fournisseurs un cadre plus clair pour développer leurs solutions.
La question de la documentation devient particulièrement critique lorsque des candidats dont la communication diffère de celle sur laquelle le système a été entraîné — à cause d’un handicap, d’une neurodivergence ou d’un contexte linguistique — sont évalués par des outils incapables de prendre en compte leur situation. Teppoeva décrit le problème central.
« Un signal peut être mesuré de façon précise, mais interprété de façon erronée », explique-t-elle.
Lorsqu’un candidat conteste une décision, la plupart des organisations peuvent reproduire le résultat. Elles sont incapables d’expliquer la décision, et disposent rarement de documents démontrant la pertinence de ce qui a été mesuré pour le poste.
L’EEOC surveille ce sujet depuis au moins 2021, date du lancement de son initiative sur l’IA et l’équité algorithmique en recrutement. Ses orientations de 2023 ont clairement indiqué que les employeurs ne peuvent pas externaliser la responsabilité des discriminations lors du filtrage à un prestataire tiers.
La loi du Colorado va plus loin, en imposant des obligations de transparence et de possibilités de recours, que la plupart des processus de recrutement d’entreprise ne sont pas prêts à mettre en œuvre.
Ce que les responsables RH doivent savoir
Concrètement, cela crée un périmètre de conformité que beaucoup de responsables RH n’ont pas cartographié. Ils disposent parfois d’un contrat avec un fournisseur. Ils ont une compréhension générale de ce que fait l’outil. Mais la documentation sur la façon dont le modèle a été entraîné, ses objectifs d’optimisation, et sur la manière dont les décisions sont enregistrées et peuvent être récupérées pour un examen en recours, est souvent bien en deçà de ce qu’impose aujourd’hui le contexte réglementaire.
Teppoeva exprime ce changement avec des termes familiers aux responsables RH issus d’autres débats sur la conformité.
Les nouvelles régulations font évoluer le débat de « Est-ce que l’outil fonctionne ? » à « Pouvons-nous expliquer et défendre son utilisation ? »
Ceux qui considèrent le filtrage par l’IA comme une simple décision d’achat, et non comme un enjeu de gouvernance continue, s’exposent le plus lorsque des candidats ou des régulateurs posent des questions auxquelles l’outil ne peut pas répondre.
Une partie de cela évoluera sous la pression des clients. Si les entreprises exigeaient systématiquement une documentation sur l’explicabilité et des pistes d’audit lors de l’achat, les fournisseurs s’adapteraient. Mais cela prendra du temps, et en attendant, des candidats au Colorado et ailleurs sont filtrés par des systèmes dont la logique reste inexpliquée par les employeurs qui les utilisent.
Le débat que les responsables RH doivent ouvrir ne porte pas seulement sur le fonctionnement des outils de filtrage basés sur l’IA. Il s’agit surtout de savoir si leur organisation peut expliquer et justifier les décisions que produisent ces outils.
