Le filtrage des candidats par l’IA mérite un examen approfondi
Enjeu de conformité: La loi sur l’IA du Colorado exige la transparence et la responsabilité de la part des employeurs utilisant l’IA dans le recrutement.
Transparence de l’IA: De nombreux candidats ignorent que des systèmes IA ont influencé leur candidature ou leur évaluation.
Fossé d’interprétation: Les départements RH peinent souvent à expliquer les modèles de notation fondés sur l’IA et leurs implications en recrutement.
Responsabilité du fournisseur: Selon les récentes réglementations, les employeurs sont responsables des conséquences négatives des outils d’IA, pas les fournisseurs.
Changement de gouvernance: Les organisations doivent privilégier l’explicabilité et la documentation des processus d’embauche par l’IA pour rester en conformité.
Quelque part dans votre processus de recrutement, un·e candidat·e a été écarté·e par un système que votre équipe ne peut pas entièrement expliquer. Vous avez peut-être un contrat 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, de fait, à pouvoir expliquer : pourquoi.
Cette différence entre ce que fait l'IA dans le recrutement en entreprise et ce que les candidats et les régulateurs peuvent réellement voir constitue 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 exige que les employeurs utilisant des systèmes d'IA à haut risque pour les décisions d'embauche informent les candidats et leur offrent un moyen de corriger les données ou de faire appel d'une décision défavorable.
Pour de nombreux départements RH, satisfaire à cette exigence implique d'expliquer des systèmes qu'ils ne comprennent pas eux-mêmes pleinement.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Le marché des outils de recrutement alimentés par l'IA s'est considérablement développé ces dernières années. Les fournisseurs proposent des plateformes de présélection, de notation automatisée des entretiens et des modèles prédictifs d'adéquation aux entreprises qui gèrent un volume massif de candidatures.
L'argument de vente repose sur l'efficacité, mais la réalité est plus nuancée. Sur LinkedIn, les candidatures ont bondi de plus de 45 % d'une année sur l'autre en 2025, avec environ 11 000 candidatures déposées chaque minute. Parallèlement, 64 % des recruteurs ont constaté une augmentation des candidatures générées par IA et se ressemblant, ce qui a accru leur charge de tri au lieu de la réduire. Les outils conçus pour filtrer la masse ont, en partie, contribué à la créer.
Tatiana Teppoeva, ancienne data scientist chez Microsoft et Boeing, qui conseille aujourd'hui les organisations sur les risques liés au recrutement assisté par l'IA, observe cette dynamique de manière récurrente chez ses clients grands comptes.
Beaucoup d’équipes RH comprennent les promesses des fournisseurs, mais ont une visibilité limitée sur la manière dont les résultats de présélection sont générés ou sur les signaux candidats qui sont pris en compte. Lorsque les candidats demandent pourquoi ils ont été écartés, les organisations peinent souvent à traduire un score fournisseur en explication claire et pertinente vis-à-vis du poste.
D'après son expérience, l'écart est précis : les organisations savent décrire le score qu'un outil fournit bien plus facilement qu'elles ne savent expliquer ce qu'il traduit réellement en termes de compétences pertinentes pour le poste.
Ce manque de transparence a un coût tangible pour les candidats. Une enquête menée auprès de 1 066 personnes en recherche d'emploi aux États-Unis par Enhancv en avril 2026 a révélé que 68,5 % d'entre elles n'ont jamais été informées du recours à l'IA dans leur évaluation, et seulement 9,7 % déclarent qu'un employeur l'a clairement annoncé.
Près d'un tiers auraient abandonné une candidature plutôt que de réaliser un screening IA en différé, et ce phénomène n'était pas réparti également. Près de 80 % des postes abandonnés affichaient une rémunération inférieure à 100 000 dollars. Les candidats ayant le moins de choix sont les plus exposés à des systèmes qu'ils ne comprennent pas et auxquels ils n'ont pas consenti.
Une boîte noire avec un contrat fournisseur
La question de la responsabilité ne se résume pas à l'opacité, même si cela en fait partie. De nombreuses plateformes de présélection fonctionnent comme des systèmes de boîte noire ou quasi boîte noire, où la logique de pondération du modèle n'est pas visible pour l'employeur, encore moins pour le candidat.
Même lorsque les fournisseurs proposent des fonctionnalités d'explicabilité, l'explication fournie au recruteur est souvent un résumé simplifié d'un processus beaucoup plus complexe. Un responsable RH peut lire le résultat, mais il ne peut généralement pas interroger la façon dont il a été produit.
Cette question est d'autant plus critique à grande échelle. Une entreprise qui traite des dizaines de milliers de candidatures par an prend un grand nombre de décisions majeures via un système que son équipe n'est peut-être pas capable d'auditer. Les obligations de notification et de recours incluses dans la loi du Colorado forcent ce débat à s'ouvrir : Si un candidat demande pourquoi il a été rejeté, qui répond, et avec quelles informations ?
Le travail de Teppoeva se concentre précisément sur ce qu'elle décrit comme « 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 ayant déjà déployé un outil de présélection est pourquoi : « Pourquoi ce candidat a-t-il eu un score faible alors qu'il semblait pourtant solide à l'équipe de recrutement ? Pourquoi un autre candidat a-t-il obtenu un score élevé mais a finalement dû faire l'objet d'un plan d'amélioration des performances ? »
Selon elle, la plupart des organisations ne savent pas répondre à ces questions. Elles disposent d'un score mais pas du raisonnement qui le sous-tend.
Les organisations s'appuient fréquemment sur les résultats fournis par les fournisseurs, sans disposer d'un cadre interne clair pour interpréter ou documenter ces résultats, explique-t-elle. Cela complique la capacité à expliquer comment le jugement humain a été exercé ou comment une décision finale a été prise.
Lorsqu'une décision est contestée, cet écart devient un risque majeur.
La responsabilité incombe à l'employeur
Le calendrier réglementaire met également en lumière un problème concernant la manière dont les outils d'embauche basés sur l'IA ont généralement été achetés. Les décisions quant au choix de la plateforme à utiliser ont souvent été guidées par les équipes de recrutement axées sur la productivité, avec une implication moindre des départements juridiques, de conformité, et parfois de la direction RH pour évaluer ce que l'outil réalise réellement.
La loi du Colorado change la donne. Selon le projet de loi SB 205, la responsabilité des conséquences négatives issues de l'utilisation de l'IA à haut risque dans l'emploi incombe à l'employeur, et non au fournisseur. L'entreprise qui utilise l'outil est donc responsable de ses résultats.
Jimmy Hurff, COO et co-fondateur de Brightmove, un fournisseur de systèmes de suivi des candidatures, affirme que les discussions lors des achats reflètent précisément ce problème.
Les employeurs semblent principalement se concentrer sur l’intégration des fonctionnalités et sur le volume de candidats. Nos clients potentiels vérifient surtout les possibilités d’intégration, mais se penchent rarement sur la qualité du vivier de candidats et sur l’automatisation du score et de l’évaluation.
Les questions les plus importantes dans le cadre réglementaire du Colorado — explicabilité, audit, processus d'appel — ne sont généralement pas celles abordées lors des discussions.
Brightmove a publié une politique d’IA responsable en réponse directe à la SB 205, et Hurff déclare que la loi a provoqué une remise en question plus large dans l’ensemble des fournisseurs. Il précise également où, selon lui, la conversation réglementaire devrait aller ensuite : vers une norme fédérale unique, et non vers un patchwork de conformité État par État, ce qui, selon lui, donnerait aux fournisseurs une directive claire à suivre.
Le problème de documentation devient particulièrement problématique lorsque les candidats dont les modes de communication s’écartent de ce sur quoi le système a été entraîné — en raison d’un handicap, de la neurodiversité ou d’une origine linguistique — sont évalués par des outils qui ne peuvent pas tenir compte du contexte. Teppoeva décrit le problème de fond.
« Un signal peut être mesuré avec précision et néanmoins être interprété incorrectement », explique-t-elle.
Lorsqu’un candidat conteste une décision, la plupart des organisations peuvent reproduire le résultat. Elles ne peuvent pas expliquer la décision, et disposent rarement de documents prouvant que ce qui a été mesuré était réellement pertinent pour le poste.
L’EEOC surveille ce domaine au moins depuis 2021, année où elle a lancé son initiative sur l’IA et l’équité algorithmique dans le recrutement. Ses recommandations de 2023 précisent clairement que les employeurs ne peuvent pas déléguer la responsabilité des résultats de discrimination à un fournisseur tiers.
La loi du Colorado va plus loin, ajoutant des obligations de transparence et des procédures d’appel auxquelles la plupart des systèmes de recrutement d’entreprise ne sont pas préparés.
Ce que les responsables RH doivent savoir
Ce qui en résulte, sur le plan opérationnel, c’est une surface de conformité que de nombreux responsables RH n’ont pas cartographiée. Ils possèdent peut-être un accord avec un fournisseur. Ils ont peut-être une idée générale de ce que fait l’outil. Mais la documentation sur l’entraînement du modèle, ses objectifs d’optimisation, et la manière dont les décisions sont enregistrées et récupérables en cas d’appel, est souvent insuffisante par rapport aux exigences réglementaires actuelles.
Teppoeva présente ce changement dans des termes que les responsables RH reconnaîtront à travers d’autres discussions sur la conformité.
Les nouvelles réglementations font évoluer la question de « L’outil fonctionne-t-il ? » à « Pouvons-nous expliquer et justifier son utilisation ? »
Ceux qui considèrent le filtrage par IA comme une simple décision d’achat, plutôt que comme une question de gouvernance continue, sont les plus exposés lorsqu’un candidat ou un régulateur pose une question à laquelle l’outil ne peut pas répondre.
Certaines choses s’amélioreront naturellement sous la pression des clients. Si les grandes entreprises exigent une documentation sur l’explicabilité et des pistes d’audit lors des achats, les fournisseurs s’y adapteront. Mais ce processus avance lentement, et pendant ce temps, des candidats au Colorado et ailleurs sont filtrés par des systèmes dont la logique ne peut pas toujours être expliquée par les employeurs qui les utilisent.
La discussion que les responsables RH doivent mener ne doit pas se limiter à savoir si les outils de tri de CV basés sur l’IA fonctionnent. Elle porte sur la capacité des organisations qui les utilisent à expliquer ce qu’ils font réellement.
