IA et recrutement : les engagements de RecrutOr

Dans un entretien publié le 14 juillet 2026 sur Les talents narratifs, la newsletter de Laurent Brouat consacrée au recrutement, la chercheuse Tania Ocana — docteure en psychologie du travail et autrice de la newsletter La science du recrutement — pose un diagnostic qui devrait faire réfléchir tous les éditeurs de logiciels RH, dont nous faisons partie. Sa formule résume l'enjeu : « On est en train d'industrialiser la discrimination. »

Chez RecrutOr, cet entretien tombe à point nommé. Nous travaillons actuellement à l'intégration d'un moteur d'intelligence artificielle dans notre ATS, et nous avons volontairement pris le temps de la réflexion avant d'écrire la première ligne de code. Les mises en garde de la recherche confirment les principes que nous nous sommes fixés. Cet article les rend publics : ce sont nos engagements, et vous pourrez nous demander des comptes.

Le problème de l'échelle : du biais individuel au biais systémique

Le point de départ de Tania Ocana est simple. Un recruteur humain a des biais — la recherche le documente depuis plus d'un siècle. Mais ces biais s'expriment à l'échelle d'un individu : quelques entretiens par jour, des variations d'humeur, des angles morts personnels. Ils sont regrettables, mais ils restent locaux, divers, et partiellement corrigibles par la méthode (l'entretien structuré, précisément).

Un grand modèle de langage, lui, traite des millions de candidatures. Et comme le marché s'appuie sur une poignée de modèles que tout le monde utilise, un même biais se réplique partout, en même temps, de façon invisible. Là où le biais humain était un artisanat défaillant, le biais algorithmique devient une production en série. C'est ce changement d'échelle que la chercheuse désigne par le terme d'industrialisation.

Elle rappelle au passage un point technique que beaucoup d'acteurs du marché préfèrent taire : la variabilité des LLM n'est pas un défaut de jeunesse qu'une mise à jour corrigera. Elle est inscrite dans leur conception mathématique. Même avec un paramétrage strict, deux passages du même CV peuvent produire des évaluations différentes. Des expériences citées dans l'entretien montrent qu'un simple changement de prénom, à candidature identique, suffit à faire varier le résultat. La recherche a même identifié des biais créés par la machine elle-même, comme une préférence mesurable pour les CV… rédigés par une IA.

La solution que recommande la recherche : séparer l'extraction de la décision

Le passage le plus important de l'entretien, de notre point de vue, est celui où Tania Ocana décrit ce qu'elle considère comme les meilleures approches actuelles : des architectures mixtes. Le LLM intervient là où il excelle — lire un document, en extraire les informations, enrichir la compréhension sémantique d'un texte. Mais la décision, elle, est confiée à des algorithmes classiques, transparents et auditables, dont on comprend le fonctionnement ligne par ligne.

Autrement dit : l'IA générative pour comprendre, le déterminisme pour décider.

C'est très exactement l'architecture que nous avons retenue pour le moteur IA de RecrutOr. Non pas parce que nous avions lu la littérature en psychologie du travail, mais parce qu'en testant les LLM sur des CV réels, nous avons constaté empiriquement ce que la recherche formalise aujourd'hui : un score produit par un modèle génératif n'est ni fiable, ni reproductible, ni explicable. Nous avons donc préféré retarder l'arrivée de l'IA dans RecrutOr plutôt que de brancher un modèle en quelques semaines pour suivre le marché.

Nos engagements pour le moteur IA de RecrutOr

Voici les principes qui guident son développement. Ils sont non négociables, et vous pourrez les vérifier à sa sortie.

Aucun score magique, jamais. RecrutOr ne produira pas de note globale du type « ce candidat correspond à 87 % au poste ». Ce chiffre aurait l'apparence de la rigueur et la réalité de l'arbitraire : personne, pas même l'éditeur du modèle, ne peut expliquer pourquoi 87 et pas 82. Un recruteur qui écarte un candidat sur la foi d'un tel score prend une décision qu'il ne peut justifier — ni devant le candidat, ni devant un juge, ni devant lui-même.

Une détection déterministe pour les critères objectifs. Certains prérequis ne souffrent aucune approximation : un CACES, un permis, une habilitation électrique. Pour ces critères, nous n'utiliserons pas de modèle probabiliste mais une détection déterministe : la même donnée en entrée produira toujours le même résultat en sortie. C'est moins spectaculaire qu'un LLM, mais c'est auditable — exactement la propriété que la recherche identifie comme décisive.

Une pondération contrôlée par le recruteur. Dans le rapprochement entre un poste et des candidatures, c'est le recruteur qui définira l'importance relative de chaque critère. La machine rapprochera, triera, mettra en évidence ; elle ne hiérarchisera pas à la place de l'humain. Ce choix rejoint d'ailleurs un autre enseignement de l'entretien : l'analyse de poste — identifier les tâches critiques et les compétences qui permettent de les réussir — est le socle de toute évaluation valide. Aucun algorithme ne peut faire ce travail à la place du recruteur et du manager.

Un traitement des données en local, en France. Nos traitements d'IA tourneront sur notre propre infrastructure, déjà installée et opérationnelle, sans transmettre les CV de vos candidats à un fournisseur de modèles américain. C'est une exigence du RGPD, mais c'est aussi une condition de l'auditabilité : on ne peut contrôler que ce que l'on héberge.

L'AI Act donnera raison aux architectures auditables

Ce débat n'est plus seulement éthique ou technique : il devient réglementaire. La Commission européenne classe le recrutement parmi les usages « à haut risque » de l'IA. Cela signifie, à terme, des obligations d'audit, de documentation et d'explicabilité pour tous les systèmes qui participent à des décisions d'embauche.

Les éditeurs qui ont bâti leur promesse commerciale sur un scoring opaque devront démontrer ce qui, par construction, ne peut pas l'être. Ceux qui séparent l'extraction (probabiliste) de la décision (déterministe et humaine) pourront documenter chaque étape de leur chaîne de traitement. Nous avons choisi notre catégorie avant d'écrire le code.

En attendant l'IA : ce qu'un ATS bien conçu fait déjà pour les candidats

Un dernier point de l'entretien mérite d'être relevé, parce qu'il concerne le cœur de métier d'un ATS, avec ou sans intelligence artificielle. Interrogée sur la difficulté de répondre à tous les candidats — ces fameuses « tâches invisibles » du recruteur, jamais mesurées ni valorisées —, Tania Ocana souligne que les ATS sont précisément l'outil qui rend cette exigence tenable.

Sur ce terrain, RecrutOr a fait depuis longtemps le pari de la simplicité. Le tri d'une candidature tient en trois choix : oui, non, peut-être. Pour chacun, le recruteur décide en un seul clic d'en notifier ou non le candidat par email. Et pour traiter le volume, il peut sélectionner d'un clic tous les candidats d'une même catégorie — les refusés, les « peut-être », les candidatures restant à traiter, ou l'ensemble des postulants à une offre — et leur adresser un message personnalisé.

Résultat : répondre à tous les candidats ne demande ni colonne supplémentaire, ni procédure, ni heure sup. Quand le geste ne coûte presque rien, la tâche invisible cesse d'être sacrifiée. C'est notre conception de l'outillage : le rôle d'un logiciel de recrutement n'est pas de remplacer le jugement du recruteur, mais de lui rendre du temps pour les tâches qui comptent — le brief avec le manager, l'entretien bien mené, le retour argumenté au candidat.

En résumé

L'entretien de Tania Ocana chez Laurent Brouat confirme la conviction qui guide le développement du moteur IA de RecrutOr : le danger n'est pas l'intelligence artificielle en elle-même, mais la délégation de la décision d'évaluation à des systèmes dont la variabilité est constitutive et les biais invisibles. La bonne architecture existe, la recherche la décrit : extraire avec l'IA, décider avec des règles auditables, et laisser le dernier mot au recruteur. C'est celle que nous construisons, et nous reviendrons vers vous, engagements en main, au moment de sa sortie.

Pour aller plus loin sur le blog RecrutOr :

• Digitaliser son processus de recrutement RH : le guide 2026 — étapes clés, conformité RGPD et décision finale structurée par des critères objectifs.
• Sécurité et hébergement des données : un ATS souverain, hébergé en France — où vivent vos données candidats et pourquoi cela compte.

Nous vous recommandons vivement la lecture de l'entretien complet sur Les talents narratifs, ainsi que la newsletter de Tania Ocana, La science du recrutement.