L'IA démantèle à un rythme soutenu la structure du marché de l'emploi qui prévalait avant la crise sanitaire de la Covid-19. Le processus de recrutement est aujourd'hui presque entièrement automatisé pour plus d'efficacité. Mais au lieu de cela, le recrutement par l'IA est devenu une source de frustration pour tous. Certains experts affirment que les entreprises sabotent leur propre accès aux talents à l'ère de l'IA. Dans le même temps, les recruteurs sont submergés de CV et de lettres de motivation médiocres générés par l’IA, ce qui les conduit à automatiser le tri des candidatures. Résultat : environ 75 % des CV sont éliminés avant d’être lus par un recruteur.Les responsables RH se souviennent de la pandémie de Covid-19 pour son recrutement effréné. L'essor technologique, provoqué par un besoin important en services numériques et le télétravail, semblait sans limites, et les entreprises ont embauché comme jamais auparavant afin de devancer leurs concurrents. Mais en l'espace de deux ans, cette bulle des ressources humaines a éclaté, entraînant le licenciement de milliers de ces nouveaux employés.
En 2025, rien qu'aux États-Unis, 1,17 million d'emplois ont été supprimés. Mais presque aussitôt après le début de la récession, l’IA s’est imposée dans le monde de l’entreprise. Les fondements de l’ancien modèle de travail étaient déjà fragilisés ; ainsi, plutôt que de consolider les anciens systèmes, l’IA les a tout simplement fait s’effondrer pour en construire de nouveaux. Aujourd'hui, de nouveaux travailleurs "assistés" par l'IA prennent les emplois.
Les entreprises repensent également leurs processus de recrutement en fonction de ce qu'elles attendent de l'IA. Pour les demandeurs d'emploi, cette distinction est importante, car l'engagement des organisations en faveur de l'IA est déjà en train de redéfinir la demande de compétences.
Le filtrage automatisé des candidatures à l'ère de l'IA
Dans de nombreuses entreprises, les candidatures sont désormais examinées en premier lieu par des systèmes automatisés de recrutement appelés Applicant Tracking Systems (ATS). Les ATS se popularisent très rapidement. Ils analysent les CV avant toute intervention humaine afin de trier un grand volume de candidatures. Par conséquent, une grande partie des CV n’est jamais lue par un humain, car ils sont rejetés directement par l’algorithme.
L'ampleur de la présélection automatisée est plus importante que ne le pensent de nombreux demandeurs d'emploi. Des études estiment que plus de 75 % des CV sont rejetés par les ATS avant même qu'un humain ne les examine. Pour les candidats qui envoient des dizaines de candidatures sur mesure, cela explique en partie l'expérience courante et frustrante de recevoir des e-mails de refus en quelques minutes, parfois sans une explication claire.
Les recruteurs ont recours aux ATS pour gérer l’afflux de CV, mais le compromis est de taille. Un candidat compétent peut être éliminé simplement parce que son CV n’utilise pas les mêmes termes que l’offre d’emploi, tandis qu’un candidat moins qualifié, mais mieux aligné lexicalement peut être sélectionné.
Des études montrent que plus de 98 % des entreprises du classement Fortune 500 utilisent désormais un ATS, ce qui indique le niveau d'intégration de l'IA. Pour les demandeurs d'emploi, cela rend le processus déroutant et impersonnel, transformant ce qui devrait être une candidature simple en un jeu consistant à comprendre des règles cachées et à optimiser les CV pour atteindre les personnes qui prennent réellement les décisions d'embauche.
Les limites criantes du filtrage des candidatures par l’IA
Le filtrage s’effectue par la mise en correspondance de mots-clés et la reconnaissance de la mise en forme. Les ATS évaluent les CV en fonction de leur adéquation avec la description du poste, en recherchant des termes spécifiques, une expérience pertinente, des titres de rubriques standard et une mise en forme reconnaissable. Mais cette approche est jugée opaque et inefficace. Elle épuiserait les recruteurs autant qu’elle décourage les candidats.
Dans la pratique, les CV qui ne contiennent pas certains termes spécifiques, utilisent des intitulés non conventionnels ou présentent l'expérience professionnelle d'une manière que le système ne reconnaît pas sont automatiquement rejetés, quelles que soient les qualifications réelles du demandeur d'emploi.
La plupart des systèmes filtrent également en fonction d'exigences strictes telles que les années d'expérience, le niveau d'études et les certifications spécifiques. Un candidat qualifié dont le CV est mal formaté ou ne contient pas les mots-clés spécifiques ne passe jamais le cap de l'algorithme. En revanche, un candidat moins qualifié, mais comprenant le fonctionnement de l'ATS peut facilement passer à l'étape de l'examen par un recruteur humain.
Il en résulte que les CV de nombreux candidats qualifiés ne parviennent jamais jusqu’aux recruteurs. Il est désormais essentiel pour les demandeurs d’emploi de comprendre le fonctionnement des ATS, notamment les critères qu’ils analysent en matière de mots-clés, de mise en page, d’expérience et de structure.
Les préjugés cachés dans la présélection des CV par l'IA
L'IA répète des biais critiques. La présélection automatisée des CV favorise souvent certains candidats tout en en négligeant d'autres. Une étude analysant trois grands modèles de présélection a mis en évidence des disparités significatives basées uniquement sur le nom. Les CV portant des noms associés aux Blancs ont été préférés dans 85 % des tests, tandis que ceux portant des noms associés aux Noirs n'ont été favorisés que dans 8,6 % des cas.
Ces ATS semblaient également favoriser les hommes. Les prénoms masculins ont été préférés aux prénoms féminins dans 51,9 % des tests, contre 11,1 % pour les prénoms féminins. Ce biais s'accentue avec les CV plus courts et les prénoms moins courants, ce qui signifie que les algorithmes conçus pour améliorer l'efficacité du recrutement éliminent systématiquement des candidats qualifiés avant même que des recruteurs humains ne les examinent.
Ce biais est inhérent au mode d'apprentissage des ATS. Ils analysent les données historiques de recrutement afin d'identifier les caractéristiques communes aux candidats retenus. Lorsque les processus de recrutement menés par des humains privilégiaient par le passé certains groupes démographiques, certaines écoles ou certains parcours professionnels, l'algorithme reproduit ces préférences, car les machines sont formées par des humains.
Le système ne reconnaît pas les préjugés. Il détecte des schémas et les renforce. Les candidats qui ne correspondent pas au profil des embauches précédentes sont écartés, même s'ils sont plus...
La fin de cet article est réservée aux abonnés. Soutenez le Club Developpez.com en prenant un abonnement pour que nous puissions continuer à vous proposer des publications.