L’IA a brisé le CV, quelle est la suite ?
Aperçu du flux de travail: Les méthodes de recrutement traditionnelles privilégient le filtrage d’un infime pourcentage de candidats : la plupart ne sont jamais considérés.
Défi de l’IA: Les outils d’IA accroissent l’efficacité mais n’évaluent pas correctement les performances réelles d’un candidat lors du recrutement.
Coût de la candidature: La facilité à postuler augmente le nombre de candidatures, ce qui complique le tri.
Erosion des signaux: Les indicateurs d’embauche habituels perdent en fiabilité, rendant l’identification des candidats qualifiés plus difficile.
Concentration sur les compétences: Adopter une approche basée sur les compétences pourrait améliorer le recrutement, mais sa mise en œuvre reste difficile.
Pendant des années, le processus de travail au sein de la plupart des équipes de recrutement a suivi les mêmes étapes. Publiez l'offre d'emploi, examinez les meilleures candidatures, sélectionnez les candidats les plus prometteurs, envoyez les meilleurs profils au responsable du recrutement.
Le système a fonctionné pendant de nombreuses années comme 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 : Le guide du leader pour recruter les meilleurs talents, lors de la conférence Transform plus tôt ce mois-ci, c’est que cette vision est largement une 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 suscite 250 à 300 candidatures (et bien plus encore pour certaines), le recruteur type en examine 25, peut-être 30. Cela signifie que seulement 2 à 3 % du vivier de candidats reçoivent un minimum d'attention. Les autres disparaissent.
"Nous disons à nos managers qu'on parcourt le marché pour trouver les meilleurs talents", explique-t-il. "En réalité, seule une petite fraction de vos candidats entre réellement dans le processus."
Ce fossé entre ce que promettent les équipes de recrutement et ce qu'elles sont réellement capables de faire 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 précisément les mauvais éléments.
Le problème de mesure précède la technologie
Leanne Markus, directrice générale chez Centranum Group et psychologue organisationnelle spécialisée dans les référentiels de compétences et l’évaluation basée sur les compétences, distingue des éléments que la plupart des processus de recrutement confondent. Il s’agit de la différence entre les qualifications, les connaissances et la compétence.
Les qualifications — éducation, certifications, formations — indiquent la préparation et le potentiel. L’évaluation des connaissances peut indiquer la compréhension. Aucune ne démontre de façon fiable la capacité à être performant dans un environnement de travail réel.
Des décennies de recherche en psychologie montrent que les connaissances spécifiques au poste," explique Markus. "La capacité à les appliquer judicieusement dans le contexte, est le meilleur prédicteur unique de la performance au travail.
Le CV, par sa conception, mesure la première catégorie et fait un vague geste vers la seconde. Il n’a jamais mesuré la troisième.
Les organisations ont historiquement accepté ce compromis car le CV était au moins un dispositif pratique pour filtrer — permettant de passer de centaines de candidatures à une conversation gérable, avec l’hypothèse qu’un meilleur signal émergerait lors de l’entretien.
Cette hypothèse s’effondre aujourd’hui à tous les niveaux.
Ce que l’IA filtre réellement
Lorsque l’IA intervient dans l’entonnoir de recrutement, ses défenseurs la présentent généralement comme une solution au problème du volume. Plus de candidats examinés, plus rapidement, avec moins de biais humains introduits aux premiers stades. Mais ce que cela ne change pas, c’est ce qui est effectivement mesuré dans les processus de recrutement axés sur les données.
L’IA rend le filtrage plus efficace, mais elle ne modifie pas ce qui est mesuré," explique Markus. "La plupart des méthodes de filtrage, y compris les entretiens pilotés par l’IA, reposent sur les réponses des candidats. Tout est basé sur l’auto-déclaration. L’IA peut accélérer le traitement, mais elle évalue essentiellement la capacité du candidat à décrire le travail, non pas s’il peut réellement réussir sur le poste.
Cela a plus d’importance qu’on ne le pense, car les données d’entraînement qui sous-tendent la plupart des outils de recrutement par IA aggravent la situation. Ces systèmes apprennent en corrélant les informations des candidatures et les décisions de recrutement avec les évaluations de la performance. Mais les évaluations formelles de la performance n’ont que peu de rapport avec la performance réelle sur le terrain. L’IA apprend donc à reproduire un signal déjà peu fiable.
Le résultat est un système qui favorise les candidats capables de décrire leur travail de manière convaincante, ce qui, en 2026, signifie aussi être capable d’utiliser l’IA pour le faire.
"L’IA peut renforcer les schémas qui se répètent", ajoute Markus. "Mais cela ne veut pas dire qu’ils sont valides. Dans une boîte noire, on ne comprend pas clairement comment les divers facteurs sont pondérés."
Le problème du volume est peut-être, en fin de compte, le mauvais problème à résoudre.
L’IA a amplifié ce problème en permettant aux organisations de traiter des volumes encore plus importants de candidatures entrantes. 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 côté candidat n’est encore que partiellement comprise par la plupart des services de recrutement. Aaron Wang, PDG d’Alex AI, a clairement exposé ce point structurel lors de Transform : le coût du marché pour postuler à un emploi est tombé à presque zéro.
Un candidat ayant accès à un outil d’IA majeur peut postuler à des centaines d’emplois en une nuit, chaque candidature étant personnalisée pour la description de poste spécifique, le parcours du recruteur et les valeurs déclarées de l’employeur.
Les mêmes outils peuvent également accompagner les candidats lors de tous les formats de présélection rencontrés, y compris les entretiens IA. L’entonnoir qui filtrait autrefois par l’effort filtre désormais presque exclusivement par le volume.
Wang a décrit cela comme une escalade dont aucune des deux parties ne peut se retirer. Il a évoqué un scénario proche où des agents IA candidats négocient et postulent de façon autonome, rencontrant en face des systèmes d’IA employeurs.
« Ce futur n’est pas seulement possible, il est probable », a-t-il déclaré. Ce qu’un tel système mesurerait réellement reste une question ouverte.
À court terme, l’effet concret est que la candidature est devenue un signal encore moins fiable. Les candidats qui correspondent réellement le mieux à un poste ne sont pas toujours ceux qui présentent le meilleur dossier, surtout quand ce dossier a été optimisé pour battre l’ATS.
Des signaux joués
L’érosion des signaux fiables ne se limite pas aux candidatures. Sabra Sciolaro, Chief People Officer chez FirstUp, pointe une dégradation parallèle au sein des organisations, qui a des répercussions directes sur la façon dont on devrait interpréter les signaux à l’embauche.
Dans une récente étude de FirstUp menée auprès de plus de 3 000 travailleurs américains et canadiens, entre 75 et 89 % des employés, tous postes confondus, se disaient engagés. Entre 40 et 46 % de ces mêmes employés affirmaient envisager activement de quitter leur emploi cette année-là.
L’engagement, tout comme l’enthousiasme lors d’un entretien, est un signal qui peut être joué. Il ne prédit pas les résultats.
De nombreux signaux sur lesquels les entreprises se sont appuyées sont faciles à jouer mais ne prédisent pas des résultats comme la rétention ou la performance. Les signaux qui corrèlent réellement à la performance concernent la façon dont une personne navigue dans des situations complexes et s’adapte rapidement lorsque les priorités changent — des qualités qui ressortent avec le temps et dans le contexte, pas lors d’une seule interaction assistée par IA.
Ce constat s’applique aussi en amont. Les qualités qui font d’une personne un bon collaborateur sont globalement les mêmes que celles qui comptent chez un candidat, et ni un CV ni un entretien structuré assisté par IA ne sont adaptés pour les révéler.
Ce que font les praticiens à la place
Ben Lamarche, directeur général du Lock Search Group, a modifié l’étape du processus à laquelle il recherche des signaux authentiques. Plutôt que d’attendre le début de l’entretien programmé pour engager une vraie discussion, il provoque cette interaction dès le premier contact avec le candidat.
La véritable conversation n’avait lieu qu’une fois l’entretien programmé. Désormais, elle survient souvent dès le premier jour. L’objectif est de sortir de la phase d’analyse de documents et d’entrer rapidement dans l’échange réel, où il est bien plus difficile de s’appuyer sur un discours impeccablement préparé.
Quand il examine les candidatures, sa méthode s’est déplacée vers ce que les CV révèlent dans les zones d’ombre entre les accomplissements affichés.
L’IA peut aider un candidat à rédiger un excellent point dans un CV. Elle ne peut pas aisément restituer la texture d’une expérience précise sous pression.
« Dès que je commence à poser des questions spécifiques, dit Lamarche, je perçois rapidement s’il s’agit d’une réponse authentique ou récité. »
Il pointe également une distorsion créée par le filtrage par IA à grande échelle : les candidats qui utilisent l’IA pour optimiser leur présentation avancent dans les premières étapes précisément parce qu’ils paraissent très préparés, tandis que des candidats plus discrets et tout aussi compétents sont écartés avant même d’être vus par quelqu’un capable d’exercer un jugement.
Le problème du signal ne se limite pas au « bruit », c’est un bruit qui avantage systématiquement certains styles de présentation au détriment du fond.
Markus propose une alternative plus structurée, qu’elle présente comme un passage de la prédiction de la performance à l’exigence de preuves concrètes.
Sa séquence avec les clients commence par un filtrage de base selon les qualifications et obligations réglementaires, puis un test de connaissances spécifiques au poste, ensuite une démonstration structurée de compétences acquises à travers des exemples de travaux validés et l’historique de tâches, suivie de questions ciblées pour valider ces éléments, et enfin une confirmation en situation réelle lors de l’intégration et de la période d’essai.
Cette dernière étape compte bien plus que ne le considèrent la plupart des organisations. Si le but est de valider les compétences en contexte réel, la période d’essai n’est pas qu’une formalité : c’est la phase d’évaluation la plus fiable, et la plupart des entreprises ont arrêté de l’utiliser comme telle.
Où aboutit l’approche « skills-first »
Le mouvement du recrutement par compétences a pris une place importante dans l’esprit des organisations ces dernières années, notamment parce qu’il répond à un vrai problème : les diplômes et le pedigree sont des indicateurs bien faibles de ce que quelqu’un sait vraiment faire. Lamarche et Markus reconnaissent que la direction est la bonne.
« Cela force les entreprises à réfléchir plus concrètement à ce que requiert réellement le poste, au lieu de se reposer sur les diplômes ou le parcours », indique Lamarche. « C’est une évolution positive. »
C’est dans la mise en œuvre que cela s’effondre.
Beaucoup de mises en œuvre reposent encore sur des taxonomies de compétences très génériques et l’auto-déclaration. Le recrutement par compétences n’apporte rien sans lien clair entre des responsabilités précises, les compétences nécessaires pour les assumer, et un moyen de valider cela au niveau des tâches réalisées. La plupart des organisations n’ont pas créé ce lien. Elles ont simplement remplacé un ensemble de faux indicateurs par un autre et appellent ça du progrès.
Le problème de la volumétrie n’a pas de solution simple. Il n’est pas réaliste de présélectionner des milliers de candidats via des simulations ou des tests en situation de travail. Un premier filtre s’impose : aujourd’hui, ce sont soit des recruteurs humains qui examinent un faible pourcentage de candidatures, soit des outils d’IA qui évaluent des schémas de langage. Aucun ne mesure réellement ce que le recrutement est censé mesurer.
Installer une évaluation significative plus tôt, construire des référentiels d’évaluation adaptés au poste, et traiter la phase d’analyse documentaire comme l’étape de faible valeur qu’elle est — rien de tout cela n’est techniquement compliqué.
C'est simplement plus lent et plus réfléchi que de publier une offre d'emploi et de laisser un ATS trier les résultats. Dans un contexte où la rapidité est devenue le principal indicateur d'efficacité du recrutement, la réflexion délibérée est difficile à vendre. C'est aussi, pour l'instant, la seule façon de savoir si la personne que vous embauchez est réellement capable de faire le travail.
