IA et recrutement : trier des CV sans discriminer

L'IA peut t'aider à trier des CV, mais laissée seule elle reproduit les biais de tes recrutements passés, ce qui devient aussi un risque légal. La bonne pratique : l'IA pré-classe et résume, un humain décide.

Le tri de candidatures est un cas d'usage tentant. Une offre attractive ramène des centaines de CV, et les lire un par un coûte des heures. Un modèle de langage (un LLM, le moteur derrière des outils comme ChatGPT ou Claude) lit vite, résume, repère des mots-clés. La question n'est pas de savoir s'il sait le faire. C'est de savoir ce qu'on lui laisse décider.

Ce que l'IA fait vraiment bien

Quatre tâches se délèguent sans danger, parce qu'elles ne tranchent rien.

Résumer une candidature : transformer trois pages en cinq lignes qui disent l'essentiel. Structurer : extraire d'un CV mal mis en page les expériences, les dates, les compétences, dans un format comparable. Repérer une compétence précise demandée par le poste, par exemple « a déjà géré un magasin de plus de dix personnes ». Et pré-classer une pile selon des critères que tu as toi-même posés.

Le mot important est « assister ». L'IA prépare le travail, elle ne prononce pas le verdict. Tu gagnes du temps sur le dégrossissage, pas sur le jugement.

Le piège central : elle apprend du passé

Un modèle apprend à partir de données. En recrutement, ces données sont tes embauches d'hier. Et c'est là que le danger commence.

Si pendant dix ans une équipe a surtout recruté un certain profil, le modèle en déduit que ce profil est le bon et le reproduit. Il n'a aucune intention : il continue la tendance qu'on lui a montrée. C'est ce qu'on appelle un biais hérité des données, un sujet qu'on détaille dans comment un biais s'installe dans une IA.

Le cas le plus documenté est celui d'Amazon. L'entreprise a développé à partir de 2014 un outil expérimental pour noter les candidatures de une à cinq étoiles. Entraîné sur dix ans de CV reçus, en majorité masculins dans la tech, le système a appris à pénaliser les CV contenant le mot « women's » ou le nom de certaines écoles réservées aux femmes. Amazon a abandonné le projet en 2017, faute de confiance dans sa neutralité (Reuters, octobre 2018).

Le piège est sournois parce que personne n'a écrit « écarte les femmes » nulle part. Le modèle a capté des signaux indirects : un mot, une école, une formulation corrélée au genre. Le même mécanisme peut viser l'âge (année de diplôme), l'origine (prénom, adresse) ou un trou dans un parcours. L'IA ne voit pas ces critères protégés, elle voit leurs ombres.

Pourquoi c'est aussi un risque légal

Discriminer à l'embauche est interdit, qu'un humain ou une machine le fasse. Deux textes encadrent l'usage de l'IA ici.

Le RGPD encadre les décisions entièrement automatisées qui produisent un effet sur une personne. Un candidat a le droit à une intervention humaine, à connaître la logique appliquée et à contester. Une IA qui rejette seule un CV, sans regard humain, tombe sous cette règle.

L'AI Act européen va plus loin et classe les systèmes d'IA de recrutement et de sélection de candidats comme usage à haut risque (Annexe III, point 4 : emploi). Les obligations attachées à cette catégorie s'appliquent à partir du 2 août 2026, avec des sanctions qui peuvent atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial. Haut risque ne veut pas dire interdit : ça veut dire encadré (documentation, supervision humaine, suivi des écarts). On revient sur ce que ça change concrètement dans l'AI Act vu côté entreprise.

Un exemple chez Maisons&Mobilia

Pierre, qui dirige Maisons&Mobilia, ouvre un poste de responsable de rayon dans son magasin de Lyon. L'annonce ramène cent quatre-vingts candidatures en une semaine. Lire tout, c'est deux jours perdus.

Il fait le bon choix : l'IA dégrossit, lui tranche.

L'outil reçoit une grille explicite liée au poste : expérience en gestion d'équipe en commerce, maîtrise d'un logiciel de caisse, disponibilité le samedi. Il résume chaque CV en quelques lignes et signale les candidatures qui cochent ces critères. Pierre obtient une présélection de trente profils à relire, pas une décision.

Ce qu'il ne fait pas : laisser l'outil dire « non » tout seul, ni lui demander de « trouver le meilleur candidat » sans grille. Une consigne vague rouvre la porte aux signaux indirects. Une grille précise la referme un peu.

Deux garde-fous complètent le dispositif. Pierre relit lui-même les trente CV retenus et garde un œil sur ceux que l'outil a écartés de justesse. Et une fois par trimestre, Sophie, à la compta, sort un comptage simple : les profils sélectionnés ressemblent-ils anormalement à un seul type ? Si l'écart se creuse, c'est le signal d'un biais à corriger.

La règle à retenir

Quatre principes tiennent l'usage debout.

Garde-fou	Ce que ça empêche
Un humain décide, jamais l'IA seule	Le rejet automatique illégal
Des critères explicites liés au poste	Les proxys cachés (prénom, âge, école)
Un audit régulier des écarts	Le biais qui s'installe sans qu'on le voie
La transparence vis-à-vis des candidats	L'angle mort réglementaire

Aucun de ces garde-fous n'est propre au recrutement. Ce sont les mêmes garde-fous qu'on pose autour de n'importe quel agent IA à qui on confie une décision sensible.

Aller plus loin

Le biais n'est pas le seul défaut hérité des données : une IA peut aussi inventer une information avec aplomb, ce qu'on appelle une hallucination. Si le sujet des données personnelles te concerne au quotidien, l'IA générative face au RGPD pose le cadre. Et pour comprendre d'où viennent les biais avant même de parler recrutement, commence par biais-ia.

Côté pratique, saisir.ai propose des modules courts pour t'entraîner à cadrer ce genre d'usage sans te noyer dans la théorie.