Quand les applications écrites par IA sont soumises à un filtrage automatique
Les candidats utilisent l'IA. Les entreprises s'appuient sur le filtrage automatisé. Résultat : dilution du signal et perte de talent. Comment concevoir des systèmes de recrutement qui fonctionnent toujours alors que l'IA est omniprésente.
Ça a commencé de la même façon à chaque fois.
« Nous avons décidé de ne pas donner suite à votre candidature ».
Titulaire d'un doctorat en physique des particules, j'ai passé plus de dix ans au CERN, dont plusieurs années à la tête d'équipes de recherche internationales. Je n'ai pas pu passer le premier tour de sélection automatique des offres d'emploi.
Les e-mails de refus étaient polis et identiques. Plusieurs collègues aux parcours impressionnants se sont heurtés à la même barrière invisible. Cela a soulevé une question : que se passe-t-il exactement à la première étape du recrutement aujourd'hui et quel type de signal détecte-t-il réellement ?
L'état actuel du dépistage automatique
La plupart des grandes organisations s'appuient sur des systèmes automatisés pour gérer la première série de demandes. Ces systèmes analysent les CV à la recherche de titres de poste, de compétences et de certifications, classant les candidats en fonction des correspondances de mots clés.
L'efficacité est indéniable, mais les limites le sont tout autant.
Un « ingénieur logiciel » peut réussir alors qu'un « ingénieur DevOps » est rejeté, même si les compétences se chevauchent. L'expérience de leadership peut disparaître si elle est formulée différemment du modèle attendu. Deux personnes peuvent décrire le même rôle de différentes manières, mais les logiciels voient rarement au-delà du libellé.
Quelque part dans ces systèmes, une décennie de travail analytique a été réduite à un décalage entre la « physique des particules » et le « conseil en données ». Des mots différents. Affaire classée.
Lorsque j'ai finalement rejoint Argusa, j'ai demandé à mon responsable en quoi ma candidature se démarquait.
Elle a souri et a dit : « Je passe en revue toutes les candidatures manuellement ».
Cette seule phrase a changé mon point de vue.
La révision manuelle fonctionne dans les petites entreprises. Mais une fois que des centaines de candidatures arrivent chaque semaine, cela devient irréaliste. La question n'est plus de savoir s'il faut automatiser, mais comment le faire sans perte de signal.
L'autre côté : les candidats s'adaptent
Une autre force qui redéfinit le recrutement aujourd'hui se situe du côté des candidats.
Les outils d'intelligence artificielle aident les candidats à rédiger des CV, à personnaliser des lettres de motivation et à répondre aux questions de candidature, souvent sur de nombreuses candidatures. Dans la pratique, les candidats postulent largement parce que c'est ce que demande le marché actuel.
Les recruteurs sont de plus en plus confrontés à une formulation quasi identique, à des énoncés de motivation génériques et à des artefacts occasionnels à copier-coller tels que « Aimeriez-vous que je continue ? ».
Il en résulte une dilution du signal.
Lorsque tout le monde peut produire instantanément un texte soigné et compétent, les signaux traditionnels tels que la motivation, les compétences en communication et même le souci du détail perdent leur pouvoir de différenciation. Le défi n'est plus de filtrer pour une écriture de qualité, mais pour un signal authentique sous le vernis.
Les systèmes de recrutement ont été conçus pour un monde où le polonais était en corrélation avec l'effort et l'intention. Ce monde n'existe plus.
Un prototype : combiner les perspectives au lieu d'en choisir une
Dans le cadre de récents travaux sur les systèmes internes d'Argusa, j'ai élaboré une petite démonstration de concept afin d'explorer un principe de conception alternatif : au lieu de regrouper les candidats en un seul score, plusieurs perspectives interprétables pourraient-elles faire apparaître des profils que la sélection par méthode unique oublie souvent ?
Ce prototype était exploratoire et n'a jamais été utilisé dans le cadre d'un véritable recrutement. Il a comparé des CV de candidats fictifs à des profils de candidats qualifiés en utilisant trois approches complémentaires :
- Similitude sémantique: mesure dans quelle mesure chaque CV ressemble à celui de nos meilleurs employés en termes de structure, d'orientation et de langue.
- Correspondance des mots-clés: Une liste de contrôle traditionnelle par rapport aux compétences requises.
- Évaluation de l'IA (revue basée sur le LLM): Une évaluation écrite résumant la manière dont les antécédents d'un candidat correspondent au poste.
L'affichage de plusieurs scores reflète la façon dont le recrutement fonctionne dans la pratique : nous impliquons plusieurs intervieweurs précisément parce qu'aucune perspective ne permet de brosser un tableau complet.
Cependant, cette approche présente également une limite importante : si elle est utilisée à l'aveuglette, la comparaison de candidats avec des candidats « recrutés de haut niveau » peut renforcer les biais existants. C'est pourquoi ces perspectives visent à éclairer l'évaluation humaine plutôt qu'à la remplacer.
Note sur les données et la confidentialité: Tous les CV utilisés par ce prototype étaient fictifs et générés par l'IA ; aucune donnée réelle sur les candidats Argusa n'a été utilisée.
Le prototype a été conçu avec l'anonymisation intégrée, de sorte que même avec des données réelles sur les candidats, l'évaluation basée sur le LLM ne fonctionnerait que sur des informations expurgées et non identifiantes, tandis que les méthodes de mots clés et de similarité peuvent être entièrement exécutées en interne.
Lorsque les méthodes ne sont pas d'accord, un aperçu émerge
À l'aide de ces profils fictifs, le prototype a produit des scores indépendants et des résumés concis des forces et des faiblesses de chaque candidat. Les cas les plus intéressants n'étaient pas ceux où tous les scores étaient identiques, mais ceux où ils divergeaient.
Dans un exemple, un candidat a obtenu de bons résultats en termes de similarité sémantique et d'évaluation basée sur le LLM, mais de mauvais résultats en termes de correspondance des mots clés. Leurs antécédents ressemblaient beaucoup à ceux des recruteurs qualifiés, et le modèle a identifié un potentiel évident, mais l'absence de termes spécifiques a maintenu le score des mots clés à un faible niveau.
Ce type de divergence met en évidence les candidats qui méritent une plus grande attention plutôt que d'être rejetés automatiquement. C'est précisément là que le jugement humain devient essentiel.
Du prototype à la pratique à Argusa
La construction du prototype a mis en évidence que lorsque les candidats peuvent peaufiner leurs candidatures à l'aide de l'IA, de meilleures méthodes de notation ne suffisent pas à elles seules.
La question qui se pose est la suivante : comment concevoir des questions qui créent un signal authentique ?
Le système de suivi des candidats d'Argusa (Jotform, Zapier, Jira) est intentionnellement modulaire, ce qui permet une itération rapide de la conception des questions. Nos travaux actuels se concentrent sur l'utilisation de cette flexibilité pour mettre en œuvre une approche différente : un système de questions conçu pour préserver un signal significatif même lorsque les candidats utilisent l'IA. Ces questions mettent l'accent sur la priorisation, la réflexion et l'ancrage dans l'expérience plutôt que sur la seule description fluide.
Par exemple, les candidats sont invités à classer cinq réalités du travail de consultant (projets parallèles, déplacements de clients, contextes techniques variés, délais serrés et communication avec les parties prenantes) de « plus enthousiastes » à « plus préoccupées », puis d'expliquer brièvement les deux extrêmes. D'autres questions interrogent les candidats sur une expérience concrète, par exemple en décrivant un projet particulièrement difficile, en indiquant ce qui l'a rendu difficile, comment ils l'ont abordé et ce qu'ils en ont appris.
Le principe de conception unificateur est la contrainte. Les questions à choix forcé font ressortir les priorités et les compromis, tandis que les questions basées sur l'expérience ancrent les réponses dans des situations concrètes. L'IA peut faciliter l'expression, mais les questions restreintes reportent la responsabilité de la substance au candidat.
L'avenir que nous choisissons
La mise en place de ces systèmes a renforcé une leçon : la question n'est pas de savoir s'il faut utiliser l'automatisation pour le recrutement, mais comment la concevoir.
Lorsque les candidats utilisent l'IA pour générer des candidatures et que les entreprises s'appuient sur une sélection automatisée, les systèmes de recrutement ne peuvent plus être conçus comme ils l'étaient par le passé. L'emplacement du signal significatif a changé et les systèmes doivent s'adapter en conséquence.
Pourtant, un aspect du recrutement reste fondamentalement résistant à l'automatisation : vous pouvez vous imaginer travailler avec quelqu'un. Ce jugement reflète la façon dont une personne communique, réagit à l'incertitude et interagit avec les autres, information qui n'émerge que par l'interaction.
Le véritable risque n'est pas que l'automatisation prenne des décisions plus rapidement que les humains. C'est qu'une automatisation mal conçue prend des décisions discrètement sans inciter personne à se tourner à nouveau vers le candidat qui ne correspond pas au modèle.
L'automatisation du recrutement est inévitable. Qu'il aide les organisations à découvrir des talents ou à les négliger systématiquement dépend de l'intentionnalité avec laquelle ces systèmes sont conçus.
Auteur
Michaela Mlynariková
Les candidats utilisent l'IA. Les entreprises s'appuient sur le filtrage automatisé. Résultat : dilution du signal et perte de talent. Comment concevoir des systèmes de recrutement qui fonctionnent toujours alors que l'IA est omniprésente.
Ça a commencé de la même façon à chaque fois.
« Nous avons décidé de ne pas donner suite à votre candidature ».
Titulaire d'un doctorat en physique des particules, j'ai passé plus de dix ans au CERN, dont plusieurs années à la tête d'équipes de recherche internationales. Je n'ai pas pu passer le premier tour de sélection automatique des offres d'emploi.
Les e-mails de refus étaient polis et identiques. Plusieurs collègues aux parcours impressionnants se sont heurtés à la même barrière invisible. Cela a soulevé une question : que se passe-t-il exactement à la première étape du recrutement aujourd'hui et quel type de signal détecte-t-il réellement ?
L'état actuel du dépistage automatique
La plupart des grandes organisations s'appuient sur des systèmes automatisés pour gérer la première série de demandes. Ces systèmes analysent les CV à la recherche de titres de poste, de compétences et de certifications, classant les candidats en fonction des correspondances de mots clés.
L'efficacité est indéniable, mais les limites le sont tout autant.
Un « ingénieur logiciel » peut réussir alors qu'un « ingénieur DevOps » est rejeté, même si les compétences se chevauchent. L'expérience de leadership peut disparaître si elle est formulée différemment du modèle attendu. Deux personnes peuvent décrire le même rôle de différentes manières, mais les logiciels voient rarement au-delà du libellé.
Quelque part dans ces systèmes, une décennie de travail analytique a été réduite à un décalage entre la « physique des particules » et le « conseil en données ». Des mots différents. Affaire classée.
Lorsque j'ai finalement rejoint Argusa, j'ai demandé à mon responsable en quoi ma candidature se démarquait.
Elle a souri et a dit : « Je passe en revue toutes les candidatures manuellement ».
Cette seule phrase a changé mon point de vue.
La révision manuelle fonctionne dans les petites entreprises. Mais une fois que des centaines de candidatures arrivent chaque semaine, cela devient irréaliste. La question n'est plus de savoir s'il faut automatiser, mais comment le faire sans perte de signal.
L'autre côté : les candidats s'adaptent
Une autre force qui redéfinit le recrutement aujourd'hui se situe du côté des candidats.
Les outils d'intelligence artificielle aident les candidats à rédiger des CV, à personnaliser des lettres de motivation et à répondre aux questions de candidature, souvent sur de nombreuses candidatures. Dans la pratique, les candidats postulent largement parce que c'est ce que demande le marché actuel.
Les recruteurs sont de plus en plus confrontés à une formulation quasi identique, à des énoncés de motivation génériques et à des artefacts occasionnels à copier-coller tels que « Aimeriez-vous que je continue ? ».
Il en résulte une dilution du signal.
Lorsque tout le monde peut produire instantanément un texte soigné et compétent, les signaux traditionnels tels que la motivation, les compétences en communication et même le souci du détail perdent leur pouvoir de différenciation. Le défi n'est plus de filtrer pour une écriture de qualité, mais pour un signal authentique sous le vernis.
Les systèmes de recrutement ont été conçus pour un monde où le polonais était en corrélation avec l'effort et l'intention. Ce monde n'existe plus.
Un prototype : combiner les perspectives au lieu d'en choisir une
Dans le cadre de récents travaux sur les systèmes internes d'Argusa, j'ai élaboré une petite démonstration de concept afin d'explorer un principe de conception alternatif : au lieu de regrouper les candidats en un seul score, plusieurs perspectives interprétables pourraient-elles faire apparaître des profils que la sélection par méthode unique oublie souvent ?
Ce prototype était exploratoire et n'a jamais été utilisé dans le cadre d'un véritable recrutement. Il a comparé des CV de candidats fictifs à des profils de candidats qualifiés en utilisant trois approches complémentaires :
- Similitude sémantique: mesure dans quelle mesure chaque CV ressemble à celui de nos meilleurs employés en termes de structure, d'orientation et de langue.
- Correspondance des mots-clés: Une liste de contrôle traditionnelle par rapport aux compétences requises.
- Évaluation de l'IA (revue basée sur le LLM): Une évaluation écrite résumant la manière dont les antécédents d'un candidat correspondent au poste.
L'affichage de plusieurs scores reflète la façon dont le recrutement fonctionne dans la pratique : nous impliquons plusieurs intervieweurs précisément parce qu'aucune perspective ne permet de brosser un tableau complet.
Cependant, cette approche présente également une limite importante : si elle est utilisée à l'aveuglette, la comparaison de candidats avec des candidats « recrutés de haut niveau » peut renforcer les biais existants. C'est pourquoi ces perspectives visent à éclairer l'évaluation humaine plutôt qu'à la remplacer.
Note sur les données et la confidentialité: Tous les CV utilisés par ce prototype étaient fictifs et générés par l'IA ; aucune donnée réelle sur les candidats Argusa n'a été utilisée.
Le prototype a été conçu avec l'anonymisation intégrée, de sorte que même avec des données réelles sur les candidats, l'évaluation basée sur le LLM ne fonctionnerait que sur des informations expurgées et non identifiantes, tandis que les méthodes de mots clés et de similarité peuvent être entièrement exécutées en interne.
Lorsque les méthodes ne sont pas d'accord, un aperçu émerge
À l'aide de ces profils fictifs, le prototype a produit des scores indépendants et des résumés concis des forces et des faiblesses de chaque candidat. Les cas les plus intéressants n'étaient pas ceux où tous les scores étaient identiques, mais ceux où ils divergeaient.
Dans un exemple, un candidat a obtenu de bons résultats en termes de similarité sémantique et d'évaluation basée sur le LLM, mais de mauvais résultats en termes de correspondance des mots clés. Leurs antécédents ressemblaient beaucoup à ceux des recruteurs qualifiés, et le modèle a identifié un potentiel évident, mais l'absence de termes spécifiques a maintenu le score des mots clés à un faible niveau.
Ce type de divergence met en évidence les candidats qui méritent une plus grande attention plutôt que d'être rejetés automatiquement. C'est précisément là que le jugement humain devient essentiel.
Du prototype à la pratique à Argusa
La construction du prototype a mis en évidence que lorsque les candidats peuvent peaufiner leurs candidatures à l'aide de l'IA, de meilleures méthodes de notation ne suffisent pas à elles seules.
La question qui se pose est la suivante : comment concevoir des questions qui créent un signal authentique ?
Le système de suivi des candidats d'Argusa (Jotform, Zapier, Jira) est intentionnellement modulaire, ce qui permet une itération rapide de la conception des questions. Nos travaux actuels se concentrent sur l'utilisation de cette flexibilité pour mettre en œuvre une approche différente : un système de questions conçu pour préserver un signal significatif même lorsque les candidats utilisent l'IA. Ces questions mettent l'accent sur la priorisation, la réflexion et l'ancrage dans l'expérience plutôt que sur la seule description fluide.
Par exemple, les candidats sont invités à classer cinq réalités du travail de consultant (projets parallèles, déplacements de clients, contextes techniques variés, délais serrés et communication avec les parties prenantes) de « plus enthousiastes » à « plus préoccupées », puis d'expliquer brièvement les deux extrêmes. D'autres questions interrogent les candidats sur une expérience concrète, par exemple en décrivant un projet particulièrement difficile, en indiquant ce qui l'a rendu difficile, comment ils l'ont abordé et ce qu'ils en ont appris.
Le principe de conception unificateur est la contrainte. Les questions à choix forcé font ressortir les priorités et les compromis, tandis que les questions basées sur l'expérience ancrent les réponses dans des situations concrètes. L'IA peut faciliter l'expression, mais les questions restreintes reportent la responsabilité de la substance au candidat.
L'avenir que nous choisissons
La mise en place de ces systèmes a renforcé une leçon : la question n'est pas de savoir s'il faut utiliser l'automatisation pour le recrutement, mais comment la concevoir.
Lorsque les candidats utilisent l'IA pour générer des candidatures et que les entreprises s'appuient sur une sélection automatisée, les systèmes de recrutement ne peuvent plus être conçus comme ils l'étaient par le passé. L'emplacement du signal significatif a changé et les systèmes doivent s'adapter en conséquence.
Pourtant, un aspect du recrutement reste fondamentalement résistant à l'automatisation : vous pouvez vous imaginer travailler avec quelqu'un. Ce jugement reflète la façon dont une personne communique, réagit à l'incertitude et interagit avec les autres, information qui n'émerge que par l'interaction.
Le véritable risque n'est pas que l'automatisation prenne des décisions plus rapidement que les humains. C'est qu'une automatisation mal conçue prend des décisions discrètement sans inciter personne à se tourner à nouveau vers le candidat qui ne correspond pas au modèle.
L'automatisation du recrutement est inévitable. Qu'il aide les organisations à découvrir des talents ou à les négliger systématiquement dépend de l'intentionnalité avec laquelle ces systèmes sont conçus.
Auteur
Michaela Mlynariková