IA et recrutement : cas d’usage, risques de discrimination et règles de conformité

Résumé à emporter : l’IA peut faire gagner du temps à chaque étape du recrutement, de la rédaction d’annonce au tri de CV. Le risque majeur n’est pas “l’IA” en soi, mais la discrimination et l’opacité quand un outil classe, score ou écarte des candidats. À la fin de ce guide, vous saurez cartographier vos usages, décider ce qui peut rester “assisté”, mettre en place une supervision humaine réelle, et constituer un dossier de conformité solide (RGPD, non-discrimination et AI Act) adapté à une PME.

• Ce que vous pouvez automatiser sans déléguer la décision
• Où naissent les biais et comment les réduire
• Quoi documenter et quelles questions poser à votre éditeur

Utiliser l’intelligence artificielle en recrutement est devenu courant, y compris dans les PME : un ATS propose du matching, un outil résume les CV, un chatbot préqualifie, ou une IA générative aide à rédiger une annonce. Le gain est réel si l’IA est correctement cadrée : moins de tâches administratives, meilleure traçabilité, et plus de temps pour les échanges humains.

Mais le recrutement est aussi un terrain à risque : une décision injuste peut être illégale, nuire à votre marque employeur et créer des litiges. Le point dur est souvent le même : un modèle “optimise” un objectif (trier vite, prédire la réussite, réduire le turnover) et finit par pénaliser certains profils, parfois sans que personne ne le voie.

Ce guide couvre :

• Les cas d’usage IA concrets, du besoin au choix final
• Les scénarios typiques de discrimination indirecte et de biais
• Les règles clés : RGPD, décisions automatisées, AI Act et non-discrimination
• Un plan de déploiement en 10 étapes avec livrables et preuves
• Une grille pragmatique pour choisir et encadrer un fournisseur

Ce que l’IA change vraiment dans un recrutement

Dans la pratique, “utiliser de l’IA en recrutement” recouvre des fonctions très différentes. Certaines ne font que reformuler un texte ou résumer un document. D’autres produisent un classement, un score, ou un filtrage qui influence fortement qui sera vu, contacté, ou éliminé. C’est ce niveau d’impact, plus que la technologie, qui détermine le niveau de risque, l’effort de conformité, et le niveau de supervision humaine à organiser.

Pour une PME, l’objectif n’est pas d’interdire l’IA, mais de distinguer clairement trois catégories : assistance éditoriale, assistance organisationnelle, et assistance décisionnelle (les limites de l’IA : comprendre les risques et sécuriser vos usages en PME). Plus vous vous rapprochez d’une décision (ranking, scoring, élimination), plus vous devez formaliser des garde-fous opérationnels et des preuves vérifiables. En cas de doute, un audit IA en entreprise permet de clarifier rapidement les usages réellement “décisionnels”.

Les principaux cas d’usage de l’IA en recrutement

• Rédaction et optimisation d’annonces d’emploi : gain attendu, accélérer la rédaction et améliorer la clarté. Risque typique, formulations stéréotypées ou indirectement discriminatoires.
• Diffusion et ciblage des annonces : gain attendu, toucher plus vite des profils pertinents. Risque typique, exclusion involontaire de publics via un ciblage ou des “lookalikes” (audiences similaires construites à partir de profils existants).
• Sourcing et recherche de profils : gain attendu, identifier plus rapidement des candidats potentiels. Risque typique, surreprésentation des profils “historiques” et invisibilisation des parcours atypiques.
• Tri et classement de CV : gain attendu, réduire le temps de lecture initial. Risque typique, discrimination indirecte via des critères proxy et élimination automatique difficile à justifier.
• Matching CV offre et scoring : gain attendu, prioriser les candidatures par proximité “compétences”. Risque typique, opacité du score et effet déterminant sur l’accès à l’entretien.
• Préqualification via chatbot : gain attendu, standardiser les questions, répondre 24 h sur 24. Risque typique, questions non pertinentes, collecte excessive, réponses interprétées de façon biaisée.
• Analyse d’entretiens et tests en ligne : gain attendu, homogénéiser l’évaluation. Risque typique, biais de mesure, validité contestable, surpondération d’un sous-signal.
• Aide à la synthèse pour les recruteurs : gain attendu, produire des résumés et comptes rendus plus rapidement. Risque typique, hallucinations, c’est-à-dire des informations inventées ou non vérifiées, et propagation d’un jugement initial.

Tableau de cartographie des cas d’usage, niveau de risque et garde-fous

Note pédagogique : plus l’outil classe, score ou écarte, plus l’exigence de supervision humaine réelle et de preuve documentée est élevée.

Pourquoi l’IA peut discriminer même si personne ne le veut

La discrimination peut être directe, quand un critère interdit est explicitement utilisé. Elle est plus souvent indirecte, quand un outil pénalise un groupe via des variables qui “ressemblent” à un critère sensible. Le Défenseur des droits, dans son rapport sur l’automatisation des discriminations, insiste sur un point opérationnel : l’automatisation peut amplifier un biais préexistant, le rendre moins visible, et le déployer à grande échelle, y compris sans intention discriminatoire.

Au-delà du RGPD, le cadre de non-discrimination impose une vigilance très concrète : les critères d’évaluation doivent être liés au poste et justifiables. Même si vous n’utilisez jamais un critère sensible “en clair”, des proxys (école, adresse, trous dans le CV, vocabulaire, etc.) peuvent produire un effet discriminatoire. C’est précisément ce risque d’“effet de bord” qu’il faut analyser et documenter.

En recrutement, l’IA est particulièrement exposée à ce risque parce que les données disponibles sont inégales, parce que la notion de “bon candidat” est multifactorielle, et parce qu’on optimise parfois des objectifs imparfaits, comme la rapidité de tri ou la similarité avec les profils en poste.

Les mécanismes qui créent des biais dans les outils de recrutement

1. Données historiques qui reflètent des pratiques passées : si l’entreprise a historiquement recruté un certain type de profils, le modèle peut apprendre à reproduire ce schéma.

2. Variables proxy qui devinent un critère sensible : code postal, interruptions de carrière, type d’école, temporalité, vocabulaire, peuvent corréler avec âge, origine, santé, situation familiale.

3. Données incomplètes ou de faible qualité : CV hétérogènes, informations manquantes, erreurs d’extraction, conduisent à des décisions incohérentes.

4. Objectif mal défini : optimiser une “réussite” mesurée trop vite, ou une “similarité”, peut défavoriser des talents non conventionnels.

5. Sur-automatisation et manque de contrôle humain : si le recruteur suit le score sans le questionner, l’outil devient décisionnaire de fait.

Exemples de discrimination indirecte fréquents en recrutement

• Scénario : classement défavorable pour des parcours non linéaires | Pourquoi c’est risqué : interruptions, reconversions, temps partiel peuvent être interprétés comme “instabilité” | Comment réduire le risque : définir des critères de compétences observables, tester le ranking sur des profils variés, interdire toute pénalisation automatique des “trous” sans justification métier.
• Scénario : sur-valorisation de certaines écoles ou entreprises | Pourquoi c’est risqué : l’outil peut assimiler prestige et performance, ce qui exclut des candidats compétents d’autres parcours | Comment réduire le risque : limiter le poids des signaux de prestige, introduire des critères de compétences, auditer des cas où le score est élevé uniquement pour le pedigree.
• Scénario : mots-clés qui pénalisent des profils atypiques | Pourquoi c’est risqué : la recherche sémantique peut confondre synonymes, et écarter des candidatures pourtant pertinentes | Comment réduire le risque : enrichir les dictionnaires de compétences, vérifier des faux négatifs, permettre la remontée de candidats “hors score” par lecture humaine.
• Scénario : ciblage d’annonces qui exclut involontairement | Pourquoi c’est risqué : optimisation de diffusion qui se concentre sur des groupes déjà surreprésentés | Comment réduire le risque : diversifier les canaux, contrôler les paramètres de ciblage, suivre la composition du vivier, adapter la stratégie de diffusion.

Les règles à connaître avant de déployer une IA de recrutement

Trois cadres se superposent : le RGPD pour la protection des données, le principe de non-discrimination en droit du travail, et le règlement européen sur l’IA pour certains systèmes à haut risque. L’enjeu pour une PME est de traduire ces textes en règles simples : quelles données sont pertinentes, comment informer les candidats, quand éviter l’automatisation, comment exiger de la transparence d’un éditeur, et quelles preuves conserver.

Repère rapide : ce qui est plutôt “assisté” vs “à risque” (et souvent “haut risque” AI Act).

• Faible risque (assisté) : rédaction d’annonce, résumé de CV, synthèse de notes.
  Exigences : relecture humaine systématique ; interdiction d’ajouter des inférences (âge, santé, origine, etc.) et conservation de la source (CV/notes) comme référence.
• Risque élevé (influence forte) : diffusion/ciblage, sourcing automatisé, chatbot de préqualification.
  Exigences : minimisation des données (et script validé) ; contrôle de la diversité du vivier et possibilité de basculer vers un contact humain en cas de blocage.
• Haut risque probable AI Act (Annexe III) : ranking/scoring/matching déterminant, outils d’évaluation, analyse d’entretien / scoring comportemental.
  Exigences : supervision humaine réelle et tracée (un humain peut renverser le résultat) ; tests avant mise en production + logs et procédure de contestation/documentation d’usage fournie par l’éditeur.

Ce guide ne remplace pas un avis juridique. En pratique, vous vous en sortez mieux avec un dispositif clair, documenté, auditable, piloté par des responsables identifiés, que par une accumulation de “clauses” sans mise en œuvre. Si besoin, un accompagnement IA en entreprise aide à cadrer le process et le niveau de preuve attendu en fonction des usages réellement déployés.

RGPD et recrutement : les obligations qui reviennent toujours

La CNIL, via son CNIL — Le guide du recrutement, rappelle des principes très concrets applicables immédiatement en PME : pertinence des données au regard du poste, transparence auprès des candidats, encadrement des durées de conservation, et maîtrise de la sous-traitance lorsque vous utilisez un ATS ou un outil de tri.

• Définir les rôles : qui est responsable de traitement, qui est sous-traitant, qui sont les sous-traitants ultérieurs.
• Définir des finalités explicites : tri, prise de contact, organisation d’entretien, gestion vivier, et éviter les finalités vagues.
• Choisir une base légale adaptée et documenter la justification : en recrutement, la transparence et la nécessité du traitement sont centrales.
• Minimisation : ne collecter que des données pertinentes pour évaluer l’aptitude au poste, éviter les données sensibles et les questions intrusives.
• Durées de conservation : définir et appliquer une politique claire, différencier candidature non retenue et vivier avec accord.
• Information des candidats : expliquer simplement quelles données sont utilisées, à quelles fins, avec quels outils, quels droits.
• Sécurité et accès : contrôle des habilitations, traçabilité, gestion des exports, et règles internes de partage des CV.

Décisions automatisées et profilage : ce que cela change pour le tri et le scoring

Dès qu’un outil produit un score, un classement, ou un filtre qui détermine l’accès à un entretien, vous devez vous poser la question de l’effet sur le candidat. Les EDPB — Lignes directrices sur la prise de décision automatisée et le profilage aident à cadrer un point clé : une décision exclusivement automatisée produisant un effet juridique ou un effet significatif déclenche des exigences renforcées.

Opérationnellement, retenez ceci : si votre processus revient à “le score décide” ou “en dessous d’un seuil, la candidature ne sera jamais vue”, vous êtes dans une zone à risque. Une supervision humaine réelle signifie qu’un humain peut modifier le résultat, qu’il dispose des informations nécessaires pour le faire, et que cette intervention est effectivement exercée, pas seulement déclarée.

• Ce qui devient sensible : élimination automatique, scoring déterminant, profilage sur des comportements, ou utilisation de signaux non pertinents.
• Garanties à organiser : intervention humaine qualifiée, explication compréhensible des critères principaux, possibilité de faire valoir un point de vue, voie de contestation et réexamen.
• Preuves utiles : règles de décision, seuils, journaux d’activité, exemples de cas révisés par un humain, et procédure formalisée de recours.

AI Act : pourquoi beaucoup d’usages RH relèvent du haut risque

Le règlement européen sur l’IA (AI Act en entreprise : obligations dès le 2 août 2026) classe certains systèmes en “haut risque” lorsqu’ils sont utilisés dans des domaines sensibles comme l’emploi. L’Annexe III, telle que présentée par l’AI Act Service Desk — Annexe III (systèmes IA à haut risque) de la Commission européenne, mentionne explicitement des systèmes d’IA destinés à être utilisés pour le recrutement, la sélection, l’évaluation, ou la prise de décisions liées à l’emploi.

Pour une PME, le point pratique est le suivant : dès que vous déployez un outil de ranking, scoring ou d’évaluation qui influence la sélection, vous devez vous comporter en déployeur responsable. Cela implique de demander au fournisseur de la documentation et des garanties, mais aussi d’organiser vos propres contrôles, votre supervision, et votre suivi en conditions réelles.

Fournisseur vs PME déployeur : qui fait quoi, concrètement.

• Côté fournisseur (éditeur) : fournir une documentation d’usage et des limites ; préciser les données utilisées et les variables exclues ; expliquer la logique de scoring/ranking (au niveau utile) ; permettre la traçabilité (logs/exports) ; documenter les tests et la gestion des risques ; supporter les audits et les incidents.
• Côté PME (déployeur) : définir les finalités et les critères liés au poste ; paramétrer et limiter les usages (pas de rejet automatique) ; former les utilisateurs et organiser un contrôle humain réel ; tester avant mise en production ; suivre les dérives et les plaintes ; informer les candidats et gérer les contestations ; conserver les preuves.

• À exiger du fournisseur : documentation d’usage, limites, instructions de supervision, informations sur les données, tests et gestion des risques.
• À mettre en place côté PME : procédure d’utilisation, formation des utilisateurs, contrôles avant mise en production, suivi des dérives, traitement des incidents et des contestations (voir aussi accompagnement IA en entreprise si vous souhaitez un cadre léger mais complet).
• À conserver : un dossier de déploiement et des preuves de pilotage, pas uniquement un contrat.

Tableau de synthèse conformité pour une PME

Utilisez la synthèse ci-dessous comme “grille obligation / action / preuve”. Elle est volontairement orientée livrables, car c’est ce que vous demandera un audit interne, un contrôle, ou un candidat qui conteste.

Check-list en 10 étapes pour utiliser l’IA en recrutement sans se mettre en risque

La meilleure stratégie PME est de déployer l’IA comme un projet de processus, pas comme un achat logiciel isolé. Une méthode simple consiste à traiter chaque étape comme un livrable, réutilisable d’un recrutement à l’autre. La checklist ci-dessous est alignée avec une approche “cartographier, tester, superviser, prouver”, et peut se compléter avec audit IA en entreprise : méthode, étapes et livrables pour une PME.

Les 10 étapes et leurs livrables

1. Action : cartographier les cas d’usage et décider ce qui est assisté ou décisionnel | Responsable : RH avec direction | Livrable : matrice des usages et niveau d’impact candidat.

2. Action : décrire le process cible et les points de contrôle humains | Responsable : RH et managers | Livrable : schéma de process et règle “un score ne rejette pas”.

3. Action : inventorier les données utilisées et supprimer le superflu | Responsable : RH avec référent RGPD | Livrable : inventaire des données sources, formulaire minimisé, règles de conservation.

4. Action : réaliser une analyse de risques discrimination et vie privée | Responsable : RH et référent RGPD | Livrable : grille de risques, mesures de réduction, risques résiduels.

5. Action : déterminer si une AIPD est nécessaire et la lancer si besoin | Responsable : DPO ou référent RGPD | Livrable : décision motivée, AIPD complète si applicable.

6. Action : choisir l’outil avec une grille d’évaluation fournisseur | Responsable : RH, DSI, achats | Livrable : grille comparée, réponses éditeurs, décision de sélection.

7. Action : rédiger les mentions d’information candidat et les intégrer au process | Responsable : RH et juridique si présent | Livrable : notices, e-mails types, FAQ candidat interne.

8. Action : tester avant déploiement sur des cas représentatifs | Responsable : RH et managers | Livrable : plan de test, jeux d’essai, résultats, ajustements.

9. Action : mettre en place monitoring, audits, et seuils d’alerte | Responsable : RH et DSI | Livrable : tableau de bord, fréquence de revue, critères d’alerte.

10. Action : organiser la gestion des contestations et incidents | Responsable : RH et direction | Livrable : procédure de recours, registre incidents, plan d’action correctif.

Comment choisir un outil IA de recrutement et encadrer votre fournisseur

En PME, le risque principal est d’acheter un outil “magique” sans savoir ce qu’il fait réellement, quelles données il utilise, et comment il produit un score. Vous n’avez pas besoin d’auditer le modèle comme un laboratoire. En revanche, vous devez obtenir suffisamment d’éléments pour justifier vos choix, paramétrer correctement, et répondre à un candidat ou à un contrôle. Pensez votre achat comme un achat “sensible RH” : exigence de transparence, réversibilité, et support. En cas de doute, un accompagnement IA en entreprise peut sécuriser le cadrage et la relation éditeur.

Deux définitions utiles pour parler “opérationnel” avec un éditeur : la dérive (drift) est le fait que les résultats d’un modèle changent dans le temps car les données, les populations ou les pratiques évoluent ; les faux négatifs sont des candidats pertinents que l’outil classe trop bas ou écarte à tort.

Grille de questions à poser avant achat ou renouvellement

• Données et modèle : quelles données entrent dans le scoring, quelles données sont exclues, comment sont gérées les mises à jour, comment détectez-vous la dérive, et peut-on désactiver certaines variables.
• Explicabilité et traçabilité : quelles sont les raisons principales d’un classement, peut-on obtenir un export des facteurs, conserve-t-on des logs exploitables, et peut-on reconstituer une décision a posteriori.
• Équité et performance : quels tests de biais sont réalisés, à quelle fréquence, avec quelles métriques, quels correctifs existent, et comment gérez-vous les faux négatifs.
• Sécurité et accès : quelles mesures de sécurité, quelles habilitations, quelle gestion des comptes, quelle traçabilité des actions utilisateurs, et quel régime de sous-traitants.
• Usage contractuel : réutilisez-vous les données des candidats pour entraîner ou améliorer vos modèles, quelles finalités, quels choix d’opt-out, et quel support en cas de contrôle ou de contestation.

Ce qui doit apparaître dans le contrat et dans votre dossier de conformité

• Rôles RGPD, obligations de sécurité, conditions de sous-traitance, durée de conservation et modalités de suppression ou restitution.
• Engagements de transparence : documentation d’usage, description des fonctionnalités d’IA, limites connues, et support en cas de demandes de droits.
• Modalités de supervision humaine : paramètres de seuil, possibilité de désactiver le rejet automatique, et recommandations de contrôle.
• Réutilisation des données candidats : interdire par défaut, ou encadrer explicitement toute réutilisation (entraînement/amélioration), avec finalités, garanties et clause de non-réutilisation sans accord documenté.
• Documentation fournie : fiches techniques, journaux, rapports de tests, et procédure de gestion d’incident avec délais de notification.

Gouvernance interne : qui fait quoi et quelles preuves garder

Le point faible des PME n’est pas la bonne volonté, mais la charge mentale : si personne n’est clairement responsable, le processus dérive. Une gouvernance légère suffit si elle est explicite : qui valide les critères, qui surveille les résultats, qui répond aux candidats, et qui tient à jour les preuves. Pour structurer cela sans “usine à gaz”, vous pouvez vous appuyer sur la logique et les livrables d’un audit IA en entreprise.

RACI simple pour une PME

• RH : responsable de la définition du processus, des critères d’évaluation, de l’information candidat, et du suivi des contestations. R et souvent A.
• Manager recruteur : valide les critères métier, réalise les entretiens, exerce la supervision humaine et justifie la décision. R.
• DSI ou référent IT : gère la sécurité, les accès, les intégrations et la traçabilité. R.
• DPO ou référent RGPD : conseille sur le registre, l’AIPD, l’information, et les droits. C.
• Direction : arbitre le niveau de risque accepté, alloue les moyens et valide la politique. A.

Rituels recommandés : une revue de paramétrage avant mise en production, puis une revue périodique courte qui examine un échantillon de décisions, les écarts, les plaintes, et les actions correctives.

Dossier de preuves à maintenir en continu

• Registre des traitements et cartographie des outils et fonctionnalités IA utilisées.
• Notices d’information et scripts de réponse aux candidats, versionnés, avec dates de mise à jour.
• Résultats de tests et audits, comptes rendus de revues, décisions de paramétrage et justifications.
• Paramétrages clés, règles de seuil, logs d’activité, et historique des accès.
• Historique des incidents, contestations, et actions correctives avec clôture documentée.

Scénarios concrets : risques typiques et parades pragmatiques

Les scénarios suivants aident à trancher rapidement ce qui est acceptable, ce qui doit rester assisté, et ce qui doit être fortement encadré. L’idée n’est pas d’être “parfait”, mais de réduire les risques les plus probables et de pouvoir prouver votre diligence. Si vous devez prioriser, commencez par les usages qui classent, scorent ou écartent, car ce sont ceux qui concentrent les exigences (RGPD et souvent AI Act “haut risque”, cf. AI Act en entreprise).

Rédiger une annonce avec une IA générative est-ce risqué

Risque principal : une annonce peut contenir des formulations stéréotypées ou des exigences non nécessaires qui excluent indirectement certains candidats. Décision recommandée : autoriser l’IA en mode brouillon, avec relecture obligatoire. Parade pragmatique : une grille de relecture inclusive, une validation RH, et une vérification que chaque exigence est nécessaire au poste.

Résumer des CV automatiquement : bonnes pratiques

Risque principal : erreurs factuelles, sur-interprétation, ou inférences sur des données sensibles. Décision recommandée : autoriser la synthèse comme aide de lecture, jamais comme preuve. Parades : conserver l’original comme source de vérité, limiter les champs résumés à des éléments professionnels pertinents, et imposer un contrôle humain avant toute prise de décision.

Classer automatiquement et écarter des candidats : ce qu’il faut éviter

Risque principal : l’élimination automatique devient une décision de fait, difficile à expliquer et potentiellement discriminatoire. Décision recommandée : éviter l’exclusion entièrement automatisée. Parades : mettre des seuils qui déclenchent une revue humaine, tracer les motifs, revoir régulièrement les faux négatifs, et établir une procédure de contestation avec réexamen.

Utiliser la visio-analyse ou le scoring comportemental : pourquoi c’est sensible

Risque principal : atteinte à la vie privée, biais de mesure, validité contestée, et discrimination indirecte. Décision recommandée : extrême prudence, et préférer des alternatives moins intrusives. Si vous l’utilisez malgré tout : cadrage strict de la finalité, justification de pertinence, information candidate renforcée, tests de biais, et supervision humaine renforcée avec voie de recours claire.

Conclusion

L’IA peut améliorer un recrutement si vous la traitez comme un système de travail augmenté, pas comme un “juge” automatique. La bonne approche PME consiste à cartographier vos cas d’usage, limiter l’automatisation décisionnelle, organiser une supervision humaine réelle, et conserver des preuves simples mais solides. Les recommandations de la CNIL, les principes rappelés par l’EDPB sur les décisions automatisées, l’approche du Défenseur des droits sur la prévention des discriminations, et la logique “haut risque” de l’AI Act convergent vers un même objectif : expliciter, contrôler, documenter.

• Prochaine action 1 : faites l’inventaire de vos outils RH et identifiez où un score ou un ranking influence réellement la sélection.
• Prochaine action 2 : mettez à jour vos mentions d’information candidat et vos procédures de supervision et de recours.
• Prochaine action 3 : appliquez la checklist en 10 étapes et exigez la documentation et la traçabilité auprès de vos fournisseurs.

Si vous souhaitez un accompagnement IA en entreprise pour structurer cette démarche sans alourdir votre organisation, SchoolIA peut vous accompagner avec une approche pragmatique : montée en compétence des équipes RH et managers sur l’usage de l’IA et le prompting via formation IA pour les Ressources Humaines & le Recrutement, cadrage des cas d’usage, et mise en place d’un dossier de conformité et d’une gouvernance IA adaptée à une PME.

FAQ

Peut-on utiliser ChatGPT pour rédiger une annonce d’emploi sans risque de discrimination

Vous pouvez l’utiliser comme outil d’assistance, mais pas sans contrôle. Le risque est d’introduire des formulations stéréotypées ou des exigences non nécessaires. La bonne pratique est de générer un brouillon, puis de le relire avec une grille inclusive, en vérifiant que chaque critère demandé est objectivement lié au poste.

A-t-on le droit de trier des CV automatiquement avec un score

Le scoring en tant qu’aide peut être possible, mais l’élimination automatique est risquée, surtout si le score a un effet déterminant. Les lignes directrices de l’EDPB sur les décisions automatisées rappellent l’importance de garanties comme une intervention humaine réelle, la possibilité de contester et une explication compréhensible du raisonnement.

Que doit-on dire au candidat quand une IA est utilisée dans le recrutement

Vous devez informer de façon claire et accessible : quelles données sont utilisées, pour quelles finalités, si un outil d’IA aide au tri ou à l’évaluation, et quels sont les droits et voies de recours. La CNIL, dans son Guide du recrutement, insiste sur la transparence et la pertinence des données au regard du poste.

Quand faut-il réaliser une AIPD pour un outil IA de recrutement

Une AIPD est à envisager lorsque le traitement est susceptible d’engendrer un risque élevé pour les droits des personnes, par exemple en cas de scoring déterminant, de profilage, de données sensibles, ou d’outil intrusif. En pratique, dès que l’IA influence fortement la sélection, il est prudent d’évaluer formellement les risques et mesures.

Quelles questions poser à un éditeur ATS qui propose du matching ou du scoring IA

Demandez : quelles données alimentent le score, quels critères sont exclus, comment expliquer un classement, quels logs sont disponibles, quels tests de biais sont réalisés, et comment gérer les dérives. Interrogez aussi la réutilisation des données des candidats, les sous-traitants, la sécurité, et le support en cas de contestation ou de contrôle.