Votre DRH reçoit 180 CV pour un poste de commercial. Elle en lit 40 sérieusement, en survole 100, en ignore 40. Le candidat retenu vient de la pile survolée par pur hasard.
Vous vous dites que l'IA va régler ça. Sauf que la moitié des articles que vous lisez vous parlent d'Amazon qui a dû débrancher son IA de recrutement parce qu'elle discriminait les femmes. Alors vous hésitez. Normal.
Le vrai problème : ce n'est pas l'IA qui crée le biais
Le biais ne naît pas dans l'algorithme. Il naît dans les données que vous lui donnez à manger.
Si vos 10 dernières embauches sur un poste sont des hommes de 35 ans sortis de la même école, une IA entraînée sur cet historique va reproduire ce profil. Elle ne fait qu'accélérer un biais qui existait déjà chez vous, sans que personne n'ose le dire.
La bonne nouvelle : une IA bien configurée est infiniment plus auditable qu'un recruteur humain. Vous pouvez tracer chaque décision, chaque critère, chaque score. Essayez de faire ça avec un DRH qui a « un bon feeling ».
Ce que la loi française et l'AI Act imposent en 2025
Le recrutement est classé comme système à haut risque par l'AI Act. Ce n'est pas un détail. Concrètement, si vous utilisez de l'IA pour trier des CV, vous devez :
- Documenter les critères de décision de l'algorithme
- Garantir une supervision humaine sur chaque décision négative
- Informer le candidat qu'une IA intervient dans le process
- Conserver les logs de décision pendant au moins 6 mois
- Prouver que le système a été testé sur des biais de genre, âge, origine
Si vous ne savez pas par où commencer sur cette partie réglementaire, on a détaillé les échéances de conformité AI Act pour les PME dans un article dédié. Lisez-le avant de signer avec un prestataire.
Côté RGPD, vous devez aussi permettre au candidat de contester la décision et d'obtenir une révision humaine. Ce n'est pas optionnel.
Les 3 approches possibles (et laquelle éviter)
Approche 1 : le scoring pur (à éviter)
Vous balancez tous les CV dans un modèle qui recrache un score de 0 à 100. Le recruteur regarde les 20 meilleurs. C'est ce que font 80% des outils SaaS de recrutement sur le marché.
Problème : le score est une boîte noire. Personne ne sait vraiment pourquoi le candidat X a 78 et le candidat Y a 42. Non conforme AI Act, indéfendable devant un candidat qui conteste.
Approche 2 : l'extraction structurée + filtres explicites (recommandée)
L'IA se contente d'extraire des informations factuelles du CV : années d'expérience, compétences déclarées, diplômes, langues, mobilité. Elle ne juge pas. Elle structure.
Ensuite, vous appliquez des filtres explicites que vous avez définis à l'avance : 3 ans minimum sur telle techno, anglais professionnel, permis B. Chaque candidat écarté l'est pour une raison précise, écrite noir sur blanc.
C'est moins sexy que « notre IA prédit la performance ». C'est infiniment plus défendable.
Approche 3 : le matching sémantique sans notation
L'IA classe les CV par proximité avec la fiche de poste, sans les noter. Vous obtenez une liste ordonnée mais aucun candidat n'est éliminé. Le recruteur remonte la liste jusqu'à avoir sa short-list.
Bien pour les postes très techniques où la sémantique métier est complexe.
La méthode Rocket IA en 4 étapes
On a déployé ce type de système chez un cabinet de recrutement spécialisé industrie, 22 personnes, qui traitait 800 CV par semaine. Voici la méthode qu'on applique.
Étape 1 : anonymiser avant tout traitement
Avant que l'IA voie le CV, on retire : nom, prénom, photo, adresse, date de naissance, nationalité, école (dans certains cas). L'IA travaille sur un CV anonymisé. Le recruteur, lui, garde accès au CV complet quand il valide.
Ca neutralise 90% des biais discriminants automatiquement.
Étape 2 : définir les critères non-négociables AVANT de brancher l'IA
Vous rédigez avec le manager qui recrute une grille de 5 à 8 critères objectifs, hiérarchisés. Pas 30, pas 3. Entre 5 et 8.
Exemple : expérience métier (obligatoire), zone géographique (obligatoire), certification X (souhaité), langues (souhaité), etc.
Cette grille devient le prompt de l'IA. Si vous n'êtes pas à l'aise pour formaliser ça, on a écrit un guide non-technique pour cadrer un projet IA qui reprend cette logique pas à pas.
Étape 3 : extraction + filtre, jamais scoring caché
L'IA extrait les données du CV et applique les filtres. Sortie : trois piles.
- Pile A : coche tous les critères obligatoires → transmise au recruteur
- Pile B : coche les obligatoires, manque du souhaité → transmise avec mention
- Pile C : ne coche pas un obligatoire → écartée avec motif écrit
Chaque CV de la pile C a une phrase de motif : « écarté car moins de 3 ans d'expérience sur SAP ». Défendable, contestable, traçable.
Étape 4 : audit mensuel des sorties
Une fois par mois, on regarde la répartition des candidats retenus vs écartés sur les axes de risque : genre, tranche d'âge estimée, origine géographique du nom.
Si on détecte un écart significatif entre le pool d'entrée et le pool retenu, on ajuste les critères. Ce n'est pas de la magie, c'est de l'hygiène statistique.
Ce que ça change concrètement chez le cabinet client
Avant : 4 recruteurs, 800 CV par semaine, 30h de tri hebdomadaire cumulées, taux de rappel candidat à 12%.
Après 4 mois : 8h de tri hebdomadaire cumulées, taux de rappel à 34%, zéro contestation RGPD en 8 mois, un audit interne passé sans réserve.
Le gain principal n'est pas le temps économisé. C'est la qualité de la short-list. Les recruteurs passent maintenant du temps sur les entretiens au lieu du tri.
Les 3 pièges à éviter absolument
Piège 1 : l'outil SaaS américain « clé en main ». La plupart ne sont pas conformes AI Act et vous n'avez aucune visibilité sur les critères. Vous êtes responsable en cas de contentieux, pas eux.
Piège 2 : croire que l'IA remplace le recruteur. Non. Elle remplace le tri, pas l'évaluation. Un candidat n'est jamais embauché par une IA. Il est présélectionné, point.
Piège 3 : négliger la formation des recruteurs. Une IA de tri mal comprise par l'équipe RH crée de la défiance et du sabotage passif. Comptez 2 jours de formation minimum au démarrage.
Combien ça coûte, réellement
Pour une PME qui recrute 20 à 50 personnes par an :
- Setup initial (paramétrage, grille critères, tests biais) : 8 000 à 15 000 €
- Coût mensuel d'exploitation : 200 à 500 € (API + hébergement)
- Formation équipe RH : 2 000 à 3 000 €
Retour sur investissement observé : 4 à 8 mois selon le volume de CV traités. Au-delà de 200 CV par mois, ça devient une évidence économique.
Passer à l'action
Si vous recrutez régulièrement et que le tri des CV devient un goulot d'étranglement, ça vaut le coup de creuser. Mais ne partez pas seul avec un outil SaaS générique : le cadre légal est serré et les biais se cachent où on ne les attend pas.
On propose un audit gratuit de 45 minutes : on regarde votre volume, votre process actuel, votre exposition légale, et on vous dit honnêtement si un projet IA a du sens dans votre cas. Sans engagement, sans blabla commercial. Réservez un créneau ici.