By Daniel Whitmore, MSc in Industrial and Organizational Psychology
En bref
Dans le recrutement, l'IA doit fonctionner en appui à la décision : elle peut proposer des tâches et des grilles, résumer des réponses et des transcriptions d'entretien, et suggérer des notes au niveau du critère — mais une personne nommée confirme ou modifie chaque note, et chaque décision appartient à un humain capable de l'expliquer. Chaque production assistée par l'IA doit porter sa provenance (quel modèle, quelle version), afin que le rôle joué par l'IA dans une décision reste auditable après coup.
« C'est l'IA qui a choisi le candidat » réunit deux échecs en une seule phrase
Le premier échec porte sur la responsabilité. Une décision de recrutement affecte les moyens d'existence d'une personne, et quelqu'un doit pouvoir l'assumer — l'expliquer au candidat, la défendre devant une partie prenante et en répondre si elle est contestée. « Le modèle lui a donné une note plus basse » n'est pas une explication ; c'est une démission. Quand aucun humain nommé ne se tient derrière un refus, l'organisation n'a pas automatisé une décision. Elle l'a laissée orpheline.
Le second échec porte sur la qualité, et on en parle moins. Un modèle qui lit la réponse d'un candidat au support à un client en colère peut évaluer correctement la structure et le ton, mais il ignore que votre équipe croule sous les escalades de remboursement ce trimestre, que le poste remplace votre meilleur spécialiste de la désescalade, ou que le manager recruteur sait coacher l'écriture mais pas le jugement. Le contexte utile à la décision vit chez les personnes. Un modèle qui décide seul décide avec moins d'informations que n'en avait le jury.
Le cadrage courant — la supervision humaine comme frein de sécurité boulonné sur une décision de l'IA — prend donc le problème à l'envers. L'humain ne relit pas la décision de l'IA ; l'IA prépare celle de l'humain. Cette inversion compte aussi en pratique. Un relecteur qui se contente de tamponner la production de la machine dérive vers les angles morts de celle-ci, tandis qu'un évaluateur qui assume la décision se sert de la machine pour voir davantage, pas pour penser moins.
À quoi ressemble vraiment une bonne assistance par l'IA
Refuser l'IA décideuse, ce n'est pas refuser l'IA — ce serait gâcher la technologie la plus favorable aux relecteurs que l'évaluation ait connue. L'évaluation par mise en situation produit exactement le type de preuves avec lesquelles l'IA est réellement bonne : longues réponses rédigées, productions de tâches en plusieurs étapes, sessions entières d'activité qu'il faut du temps réel pour lire à froid. Employée comme assistante, elle rend l'évaluation humaine plus rapide et plus cohérente sans évincer le jugement qu'elle est là pour servir.
Le test est le même pour chaque fonctionnalité : prépare-t-elle le jugement de l'évaluateur, ou le devance-t-elle ? L'assistance qui réussit ce test remet à un humain une meilleure matière et laisse la conclusion ouverte ; celle qui échoue réduit discrètement le rôle de l'humain à un oui-ou-non sur l'avis de la machine. Dans un recrutement au support client ou en vente sédentaire, l'assistance qui réussit ressemble à ceci :
- Les résumés : condenser l'exercice complet de file de tickets d'un candidat ou son compte rendu d'appel de découverte en une synthèse que l'évaluateur peut vérifier en un clic face à la production brute.
- Les renvois aux preuves : mettre en évidence l'endroit où une réponse a pris en compte le client, où une décision relevant des règles internes a été prise, où une objection a réellement été traitée plutôt qu'esquivée.
- Les propositions de notes par critère : suggérer une note ancrée dans la grille pour chaque critère, avec les passages qui la justifient — un point de départ, jamais un verdict.
- Les signalements de cohérence : repérer quand la note d'un évaluateur s'écarte nettement du descripteur de grille qu'il a cité, et la faire remonter pour calibrage.
- Les signaux d'intégrité : signaler les anomalies de session pour une relecture humaine proportionnée — jamais un rejet automatique.
| Ce que l'IA propose et met en évidence | Ce qu'une personne nommée décide |
|---|---|
| Propositions de tâches, de questions et de grilles | Ce qui mesure réellement le poste |
| Résumés des longues réponses et des transcriptions | Comment pondérer les preuves |
| Suggestions de notes au niveau du critère | La note confirmée — et toute modification |
| Renvois aux preuves et signalements d'intégrité | Si un candidat passe à l'étape suivante |
Confirmer ou modifier : le point de contrôle qui garde les humains aux commandes
Le détail de conception qui sépare l'appui à la décision du blanchiment de décision, c'est ce point de contrôle explicite. Dans SkillCort, chaque note proposée par l'IA reste en attente jusqu'à ce qu'un évaluateur nommé la confirme ou la modifie — et une modification n'exige rien de plus que le jugement de l'évaluateur. Aucune taxe de justification, aucune friction qui punirait en silence le désaccord avec la machine. Si modifier est plus difficile qu'accepter, vous avez construit une IA décideuse avec des étapes en plus.
Les modifications sont elles aussi un signal, pas du bruit. Quand des évaluateurs modifient systématiquement la note proposée sur un critère de jugement dans le cadre des règles, cela indique que le descripteur de la grille est ambigu ou que la tâche demande à être repensée — un retour qu'un flux de simple tamponnage ne ferait jamais apparaître. Le point de contrôle garde les humains aux commandes et, par effet de bord, maintient l'assistance honnête sur les endroits où elle aide et ceux où elle n'aide pas.
C'est pourquoi nous insistons pour que chaque confirmation porte un nom. « Un évaluateur l'a approuvé » relève de la responsabilité ; « le système l'a traité » non. L'unité de décision en recrutement est une personne avec une justification, et l'outillage doit rendre cette personne visible plutôt que de l'effacer. Quand un candidat demande pourquoi il n'a pas été retenu, la réponse doit commencer par qui a décidé — et le dossier de preuves doit pouvoir le dire.
Provenance : chaque production assistée porte ses justificatifs
Si l'IA intervient dans une évaluation, le dossier doit le dire. Chaque production assistée par l'IA dans le dossier de preuves d'un candidat porte sa provenance : quel modèle l'a produite, quelle version, quand elle a été exécutée, ce qui lui a été demandé, et qui a confirmé ou modifié le résultat. Non pas comme un ornement de conformité — mais comme ce qui rend une décision assistée auditable, tout simplement.
La provenance répond aux questions qui, sinon, deviennent sans réponse des mois plus tard. Ce résumé a-t-il été généré avant ou après la modification de la grille ? Les notes proposées pour ces deux candidats viennent-elles de la même version du modèle, de sorte que leurs points de départ soient comparables ? Quel humain a transformé cette suggestion en note ? Sans journalisation, « assisté par l'IA » se dégrade en « décidé par l'IA, de façon invérifiable ». Avec elle, un auditeur, un candidat ou votre propre équipe peut reconstituer exactement où s'est arrêtée la contribution de la machine et où a commencé le jugement humain.
La réglementation converge vers la même ligne
Ce n'est pas seulement notre philosophie ; c'est la direction que prend le droit. Le règlement européen sur l'IA (AI Act) classe les systèmes d'IA utilisés dans les décisions de recrutement et d'emploi comme étant à haut risque, avec des obligations qui pointent directement vers la supervision humaine, la transparence et la tenue de registres — la même triade que les points de contrôle « confirmer ou modifier », l'assistance signalée comme telle et les journaux de provenance. Ailleurs, les régulateurs examinent les décisions d'emploi automatisées selon des lignes comparables. Les obligations précises varient ; la direction, non.
Les équipes qui installent dès maintenant la discipline de la décision humaine ne font pas un pari de conformité — elles construisent le processus que décrivent les régulateurs, parce que c'était de toute façon le bon processus. Un fournisseur dont l'argumentaire est « l'IA classe et rejette à votre place » vous vend exactement l'architecture à laquelle s'oppose la trajectoire réglementaire. L'appui à la décision avec une responsabilité nommée n'est pas l'option prudente. C'est l'option durable.
Notre position, dite simplement
L'IA dans l'évaluation doit rendre le jugement humain plus rapide, plus cohérent et mieux étayé par des preuves — et ne doit jamais le remplacer. En pratique, cela signifie : l'IA résume et désigne les preuves ; l'IA propose des notes au niveau du critère au regard d'une grille écrite par des humains ; une personne nommée confirme ou modifie chaque note ; chaque production assistée consigne son modèle, sa version et son relecteur ; les signaux d'intégrité partent en relecture humaine, jamais en rejet automatique ; et aucun candidat ne transporte jamais une note d'IA cachée d'un employeur à l'autre.
C'est ce qu'exige une évaluation fondée d'abord sur la mise en situation. Tout l'intérêt de demander à un candidat de faire le travail réel — répondre au client en colère, travailler le pipeline — tient à ce qu'une personne qui comprend le poste lise ce travail et décide. Tout ce qui retire la personne retire l'intérêt. La note ramenée au récit, la machine ramenée à la marge, la décision ramenée à un nom : voilà la norme sur laquelle nous construisons, et celle à laquelle, selon nous, le secteur finira par arriver.
À retenir
- « C'est l'IA qui a choisi le candidat » échoue deux fois : personne n'assume la décision, et celle-ci a été prise avec moins de contexte que n'en avaient les humains.
- Une bonne assistance par l'IA est concrète : résumés, renvois aux preuves, propositions de notes ancrées dans la grille et signalements de calibrage — jamais de sélection ni de rejet.
- Chaque note proposée par l'IA attend qu'un évaluateur nommé la confirme ou la modifie, et modifier doit être aussi simple qu'accepter.
- La journalisation de la provenance — modèle, version, horodatage, tâche, relecteur — est ce qui rend l'évaluation assistée par l'IA auditable plutôt qu'invérifiable.
- Le règlement européen sur l'IA classe le recrutement parmi les usages à haut risque, et l'accent qu'il met sur la supervision, la transparence et la tenue de registres va dans le même sens qu'une évaluation décidée par des humains.