L’IA a brisé le CV, quelle est la suite ?
Analyse du flux de travail: Les méthodes de recrutement traditionnelles privilégient le filtrage d’un infime pourcentage de candidats, laissant la grande majorité de côté.
Défi de l’IA: Les outils d’IA renforcent l’efficacité mais ne parviennent pas à évaluer de manière pertinente les performances réelles des candidats lors du recrutement.
Coût de la candidature: La facilité à postuler à des emplois a entraîné une augmentation du volume de candidatures, rendant le processus de filtrage plus complexe.
Érosion des signaux: Les indicateurs classiques de recrutement perdent en fiabilité, ce qui complique l’identification des candidats qualifiés.
Focalisation sur les compétences: Adopter une approche axée sur les compétences pourrait améliorer le recrutement, mais la mise en œuvre reste un défi majeur.
Pendant des années, le flux de travail au sein de la plupart des équipes de recrutement a suivi les mêmes étapes. Publier l’offre, examiner les meilleures candidatures, sélectionner les candidats les plus solides, envoyer les meilleurs profils au responsable du recrutement.
Ce système a fonctionné pendant de nombreuses années en tant que méthode pour trouver les meilleurs talents pour l’entreprise.
Le problème, comme l’a exposé Tim Sackett, PDG de HRUTech.com et auteur de The Talent Fix: A Leader's Guide to Recruiting Great Talent, lors de l’événement Transform plus tôt ce mois-ci, est que tout cela relève en grande partie de la fiction.
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
Lorsqu’une offre d’emploi attire 250 à 300 candidatures (bien d’autres en recueillent bien plus), le recruteur traditionnel en examine 25, peut-être 30. Seuls 2 à 3 % des candidats reçoivent donc une quelconque considération. Les autres disparaissent.
« Nous disons à nos responsables du recrutement que nous sommes ici pour trouver les meilleurs talents du marché, » a-t-il déclaré. « En réalité, seule une petite fraction de vos candidats est réellement intégrée au processus. »
Ce fossé entre ce que promettent les équipes de recrutement et ce qu’elles sont capables de réaliser existe depuis des décennies. L’IA ne l’a pas créé. Mais l’IA a parfois rendu ce fossé beaucoup plus difficile à combler, et les outils que les organisations s’empressent de déployer mesurent peut-être tout simplement les mauvais critères.
Le problème de la mesure précède la technologie
Leanne Markus, directrice générale du Centranum Group et psychologue organisationnelle travaillant avec des organisations sur les référentiels de compétences et l’évaluation basée sur les compétences, distingue des éléments que la plupart des processus de recrutement regroupent. C’est la différence entre les qualifications, les connaissances et la compétence.
Les qualifications — études, certifications, formations — indiquent la préparation et le potentiel. Les tests de connaissances peuvent indiquer la compréhension. Aucun des deux ne démontre de manière fiable la capacité à performer réellement dans un environnement professionnel.
Des décennies de recherche en psychologie montrent que la connaissance spécifique au poste, dit Markus. La capacité à l’appliquer correctement dans le contexte est le principal facteur prédictif de la performance au travail.
Le CV, par conception, mesure la première catégorie et fait vaguement allusion à la deuxième. Il n’a jamais mesuré la troisième.
Historiquement, les organisations ont accepté ce compromis car le CV servait au moins d’outil de tri pratique – un moyen de passer de centaines de candidatures à un nombre de discussions gérables, en partant du principe que de meilleurs signaux émergeraient lors de l’entretien.
Ce postulat est aujourd’hui remis en question à tous les niveaux.
Ce que l’IA est en train de filtrer
Lorsque l’IA intervient dans l’entonnoir de recrutement, ses défenseurs la présentent généralement comme une solution au problème de volume. Plus de candidats examinés, plus rapidement, avec moins de biais humain introduit aux premiers stades. Mais ce que cela ne change pas, c’est ce qui est mesuré avec des processus de recrutement axés sur les données.
L’IA rend la présélection plus efficace, mais elle ne modifie pas ce qui est mesuré, explique Markus. La plupart des méthodes de sélection, y compris les entretiens pilotés par l’IA, sont basées sur les réponses. Il s’agit toujours d’informations auto-déclarées. L’IA peut accélérer le traitement, mais elle évalue essentiellement la capacité d’un candidat à décrire le travail, et non s’il peut réellement réussir le poste.
Cela est plus important qu’il n’y paraît, car les données d’entraînement qui sous-tendent la plupart des outils de recrutement par IA aggravent le problème. Ces systèmes apprennent en corrélant les éléments de candidature et les décisions d’embauche avec les évaluations de la performance. Mais les évaluations formelles de la performance sont peu liées à la performance réelle du poste. L’IA apprend à reproduire un signal qui était déjà peu fiable.
Le résultat est un système qui valorise les candidats qui savent décrire leur travail de façon convaincante, ce qui, en 2026, signifie des candidats capables d’utiliser l’IA pour bien décrire leur expertise.
« L’IA peut renforcer les schémas qui restent cohérents », affirme Markus. « Mais cela ne signifie pas qu’ils soient valides. Dans un environnement opaque, il n’est pas clair comment les différents facteurs sont pondérés. »
Le problème de la quantité n’est, en fin de compte, peut-être pas le réel problème à résoudre.
L’IA a amplifié ce problème en permettant aux organisations de traiter encore plus de volumes d’applications entrants. Mais le volume n’est pas la contrainte — c’est l’accès.
Le coût de candidature est tombé à zéro
L'ampleur de ce qui s'est produit du côté des candidats n'est toujours pas pleinement comprise par la plupart des services de recrutement. Aaron Wang, PDG d'Alex AI, a exposé clairement la question structurelle lors de Transform : le coût pour postuler à un emploi est désormais proche de zéro.
Un candidat ayant accès à n'importe quel grand outil d'IA peut postuler à des centaines d'emplois du jour au lendemain, chaque candidature étant personnalisée en fonction de la description de poste spécifique, du parcours du recruteur et des valeurs affichées par l'employeur.
Ces mêmes outils peuvent coacher les candidats face à n'importe quel format de sélection rencontré de l'autre côté, y compris les entretiens avec IA. L'entonnoir qui filtrait autrefois par l'effort filtre aujourd'hui presque exclusivement par volume.
Wang présente cela comme une escalade à laquelle aucun des deux côtés ne peut échapper. Il décrit un scénario d'avenir proche où des agents IA candidats postulent et négocient de façon autonome, rencontrant des systèmes IA côté employeur.
« Cet avenir n'est pas seulement possible, il est peut-être probable », dit-il. La véritable mesure d'un tel système reste une question ouverte.
Pour l'instant, l'effet concret est que la candidature est devenue encore moins fiable comme signal. Les candidats les mieux adaptés à un poste ne sont pas toujours ceux qui paraissent les meilleurs sur le papier, surtout lorsque ce papier a été optimisé pour contourner l'ATS.
Des Signaux Joués
L'érosion du signal fiable ne se limite pas aux candidatures. Sabra Sciolaro, directrice des ressources humaines chez FirstUp, pointe une dégradation parallèle au sein des organisations qui a des implications directes sur l'interprétation des signaux lors du recrutement.
Dans une récente étude FirstUp menée auprès de plus de 3 000 travailleurs américains et canadiens, entre 75 et 89 % des employés, tous postes confondus, se sont déclarés engagés. Entre 40 et 46 % de ces mêmes employés ont indiqué qu'ils envisageaient activement de quitter leur emploi cette année.
L'engagement, tout comme l'enthousiasme lors d'un entretien, est un signal qui peut être joué. Il ne prédit pas les résultats.
La plupart des signaux sur lesquels les entreprises se sont appuyées sont faciles à reproduire mais ne prédisent pas des résultats comme la rétention ou la performance. Les signaux qui sont plus corrélés à la performance réelle concernent la façon dont les personnes naviguent dans des informations complexes et avec quelle rapidité elles s’adaptent lorsque les priorités changent — des traits qui se révèlent dans la durée et en contexte, pas lors d’une seule interaction assistée par IA.
Ce constat s'applique en amont également. Les qualités qui font d'une personne un bon employé sont en grande partie les mêmes que celles qui sont importantes chez un candidat, et ni le CV ni le filtrage structuré par IA ne sont conçus pour les révéler efficacement.
Ce que Font les Praticiens à la Place
Ben Lamarche, directeur général chez Lock Search Group, a changé l'étape du processus où il cherche à obtenir un vrai signal. Plutôt que d'attendre le début d'un entretien programmé pour lancer une vraie conversation, il avance cette interaction au premier contact avec le candidat.
La véritable conversation s’intégrait au processus après la programmation d’un entretien. Désormais, elle intervient souvent dès le premier jour. L’objectif est de sortir plus vite de la phase de revue documentaire pour entrer dans une vraie interaction, là où il est bien plus difficile de s’appuyer sur un discours tout préparé.
Lorsqu'il examine les candidatures, sa méthodologie s'oriente davantage vers ce que les CV révèlent dans les interstices entre les réalisations énoncées.
L’IA peut aider un candidat à rédiger un point fort convaincant. Elle ne peut cependant pas reproduire facilement la texture d’une expérience vécue sous pression.
« Quand je commence à poser des questions précises, » dit Lamarche, « je perçois très vite si c’est authentique ou répété par cœur. »
Il signale également une distorsion que le filtrage par IA crée à grande échelle : les candidats utilisant l’IA pour perfectionner leur présentation peuvent franchir facilement les premières étapes précisément parce qu’ils semblent irréprochables, tandis que des candidats plus discrets mais plus compétents sont évincés avant même qu’un véritable jugement puisse avoir lieu.
Le problème de signal ne se résume pas à du bruit : c’est un bruit qui avantage systématiquement certains styles de présentation au détriment du fond.
Markus propose une alternative plus structurée, qu’elle décrit comme un passage de la prédiction de la performance à l’exigence de preuves concrètes.
La séquence qu’elle applique avec ses clients commence par un filtrage de base selon les qualifications et exigences réglementaires, puis un test des connaissances spécifiques au poste, suivi de preuves structurées de compétences appliquées à travers des exemples validés et des antécédents de missions concrètes, avant de passer à un questionnement ciblé pour valider ces preuves, et enfin une confirmation des compétences lors de l’intégration et la période d’essai.
Cette dernière étape compte bien plus que la plupart des organisations ne le pensent. Si l’objectif est de valider la compétence en contexte réel, la période d’essai est bien plus qu’une formalité : c’est l’étape d’évaluation la plus fiable, et la plupart des entreprises ont cessé de l’utiliser comme telle.
Là où mène la démarche « compétences d'abord »
Le mouvement de recrutement axé sur les compétences a acquis une place importante dans l’esprit des organisations ces dernières années, notamment parce qu’il répond à une problématique réelle : les diplômes et l’origine ne sont que de faibles indicateurs de ce que quelqu’un sait réellement faire. Lamarche et Markus reconnaissent tous deux que la direction est la bonne.
« Cela oblige les entreprises à réfléchir plus clairement à ce que le poste exige vraiment, au lieu de se reposer sur les diplômes ou les origines, » explique Lamarche. « C’est un changement positif. »
C’est dans la mise en œuvre que cela se complique.
Beaucoup de mises en œuvre reposent encore sur des taxonomies de compétences très génériques et sur l’auto-déclaration. Le recrutement basé sur les compétences n’apporte rien s’il n’y a pas de lien clair entre les responsabilités concrètes d’un poste, les compétences nécessaires pour les remplir et un moyen de valider ces compétences sur des tâches réelles. La plupart des organisations n’ont pas construit ce lien. Elles ont simplement remplacé une série de mauvais indicateurs par une autre et appellent cela du progrès.
Le problème du volume n’a pas de solution simple. On ne peut pas auditionner ou tester en situation des milliers de candidats. Il faut bien pré-filtrer l’entonnoir : aujourd’hui c’est soit des examinateurs humains sur un petit échantillon, soit des outils IA qui analysent le langage. Aucun de ces choix ne mesure réellement ce que le recrutement doit mesurer.
Avancer l’évaluation à forte valeur en amont, construire des cadres d’évaluation adaptés au poste, traiter l’étape de sélection documentaire pour ce qu’elle est, c’est-à-dire une étape à faible valeur : techniquement, rien de tout cela n’est compliqué.
C’est simplement plus lent et plus réfléchi que de publier une offre et laisser un ATS trier les réponses. Dans un contexte où la rapidité est devenue le critère principal d’efficacité en recrutement, la réflexion est difficile à vendre. C’est pourtant, à ce jour, le seul moyen de savoir si la personne que vous recrutez peut réellement faire le travail.
