Intelligence ArtificielleArticleArticle intellligence artificielRessources

le recrutement à l’épreuve des ATS et de l’IA : Derrière chaque CV, un être humain

Comment les logiciels ATS traitent-ils les candidatures ? Entre extraction des données, filtres automatiques, intelligence artificielle et méthodes d'entretien, cet article analyse les limites techniques et les responsabilités humaines du recrutement moderne. Une réflexion documentée à partir d'études belges, de recherches internationales et de l'affaire Uber.

Souhaitez-vous écouter cet article ?

Lecture uniquement sur demande. La qualité des voix dépend du navigateur.

Derrière chaque CV, un être humain

le recrutement à l’épreuve des ATS – Chaque jour, des personnes consacrent des heures à rechercher un emploi, à adapter leur curriculum vitae et à préparer des entretiens. De leur côté, les entreprises doivent traiter des volumes parfois considérables de candidatures et s’appuient de plus en plus sur des outils numériques pour organiser leur sélection. Entre ces deux réalités, les logiciels ATS et l’intelligence artificielle occupent une place croissante. Ils promettent efficacité et rapidité, mais soulèvent aussi une question fondamentale : lorsqu’une décision professionnelle est automatisée, qui en assume véritablement la responsabilité ?

Table des Matières
  1. Chercher un emploi : une réalité humaine derrière les procédures
  2. Qu’est-ce qu’un ATS et pourquoi les entreprises l’utilisent-elles ?
    1. Un système de gestion avant d’être un outil de sélection
  3. Comment fonctionne techniquement le traitement d’un CV ?
    1. Étape 1 : réception et enregistrement du dossier
    2. Étape 2 : extraction automatique des informations
    3. Étape 3 : structuration et normalisation des données
    4. Étape 4 : application des filtres de présélection
    5. Étape 5 : recherche, rapprochement et classement éventuel
    6. Étape 6 : examen du dossier et décision
    7. Étape 7 : communication et suivi
  4. Quand les critères informatiques éloignent l’entreprise des compétences réelles
  5. Qui entraîne l’IA, qui définit les règles et qui répond des erreurs ?
    1. Les concepteurs et développeurs : transformer les besoins en fonctions techniques
    2. Les responsables de l’entraînement : les limites des données historiques
    3. Les fournisseurs : documenter les capacités et les limites
    4. Les employeurs : choisir les critères et assumer les décisions
    5. Les recruteurs : exercer un jugement, pas simplement confirmer un classement
  6. Les études belges confirment que ces questions sont déjà concrètes
  7. Diplômes, langues et expérience : trois réalités que les systèmes ne doivent pas confondre
    1. L’approche fondée sur les compétences
  8. Les entretiens d’embauche : entre préparation, méthode STAR et spontanéité
    1. Le pitch de présentation : communiquer clairement sans réciter
    2. La méthode STAR : une structure, pas un diplôme supplémentaire
    3. Pourquoi certaines attentes paraissent contradictoires
    4. Les entretiens structurés apportent une réponse documentée
  9. Le silence après une candidature : une autre dimension de la déshumanisation
  10. Affaire Uber : quand l’automatisation touche directement le travail et les revenus
    1. Une amende administrative de près de 825 millions d’euros
    2. Une décision administrative contestée
    3. Ce que cette affaire révèle sur la responsabilité technique
  11. Le droit européen ne laisse pas ces questions sans réponse
    1. Le RGPD : les candidats restent des personnes concernées
    2. L’AI Act : des obligations particulières pour certains systèmes de recrutement
    3. La conformité ne se résume pas à une mention dans un règlement
  12. La véritable performance d’un recrutement ne se mesure pas uniquement à sa vitesse
  13. Redonner sa place à la compétence, au jugement et à la responsabilité
  14. Conclusion : derrière les données, il restera toujours des personnes
  15. Sources scientifiques, techniques et institutionnelles

Chercher un emploi : une réalité humaine derrière les procédures

La recherche d’emploi est souvent présentée comme une succession d’étapes relativement simples : identifier une offre, envoyer un CV, participer à un entretien et attendre une réponse.

Dans la réalité, ce parcours peut s’étendre sur plusieurs mois.

Chaque nouvelle candidature suppose de comprendre les besoins de l’entreprise, de comparer ses compétences aux exigences du poste et, bien souvent, de retravailler ses documents.

Un CV destiné à une fonction technique ne mettra pas nécessairement en avant les mêmes expériences qu’une candidature à un poste administratif ou de coordination.

Une lettre de motivation doit parfois être entièrement réécrite.

Certains employeurs demandent également de remplir des formulaires qui reprennent des informations déjà présentes dans le CV : expériences professionnelles, diplômes, formations, compétences, langues et disponibilités.

Le candidat doit alors expliquer à nouveau son parcours, parfois sur plusieurs plateformes différentes.

Cette répétition peut paraître anodine lorsqu’on l’observe depuis une interface informatique.

Elle l’est beaucoup moins pour une personne qui accomplit ces démarches quotidiennement.

Car derrière chaque dossier se trouvent une situation financière, des responsabilités personnelles, un parcours professionnel et une volonté de retrouver une activité.

La recherche d’emploi n’est pas toujours une démarche librement choisie. Elle peut survenir après une restructuration, une faillite, une suppression de poste ou une reconversion devenue nécessaire.

Certaines personnes disposent de diplômes reconnus et de parcours traditionnels.

D’autres possèdent une expérience professionnelle importante, des compétences acquises sur le terrain ou des réalisations techniques qui ne correspondent pas parfaitement aux catégories habituelles des formulaires de recrutement.

Le problème ne consiste pas à prétendre que toutes ces personnes devraient être engagées.

Une entreprise doit pouvoir sélectionner les profils qui répondent à ses besoins.

La difficulté apparaît lorsque la procédure de sélection devient incapable de reconnaître certaines compétences, ou lorsque les personnes ignorent pourquoi leur candidature n’a jamais dépassé la première étape.

L’automatisation n’a pas créé toutes ces difficultés.

Mais elle peut les accentuer lorsqu’elle reproduit, à grande échelle, des critères imparfaits ou des décisions insuffisamment contrôlées.

Qu’est-ce qu’un ATS et pourquoi les entreprises l’utilisent-elles ?

Le sigle ATS signifie Applicant Tracking System, généralement traduit par « système de suivi des candidatures ».

Il désigne une catégorie de logiciels utilisés pour centraliser et organiser les processus de recrutement.

Son objectif initial n’est pas nécessairement de décider qui mérite ou non un emploi.

Il est d’abord de permettre aux entreprises de gérer les informations relatives à leurs postes vacants et aux personnes qui y postulent.

Un système de gestion avant d’être un outil de sélection

Un ATS peut regrouper les offres d’emploi, les candidatures reçues, les CV, les lettres de motivation, les échanges et les étapes de sélection dans une interface commune.

Il fonctionne, dans une certaine mesure, comme un logiciel de gestion de dossiers professionnels.

Chaque candidature possède une fiche, des informations structurées et un état d’avancement.

Une entreprise peut ainsi distinguer les dossiers nouvellement reçus, les candidatures en cours d’examen, les personnes invitées à un entretien et celles qui ne sont pas retenues.

Cette centralisation présente des avantages réels.

Elle limite les pertes de documents, facilite le travail entre plusieurs recruteurs et permet de retrouver rapidement les échanges concernant un poste.

Mais les ATS modernes peuvent proposer des fonctionnalités beaucoup plus avancées.

Certains intègrent des filtres conditionnels, des moteurs de recherche, des règles de rejet automatique, des évaluations structurées ou des outils d’intelligence artificielle.

Il faut donc distinguer trois réalités techniques :

  • La gestion informatisée : enregistrer, rechercher et organiser des candidatures.
  • L’automatisation par règles : appliquer des conditions définies, par exemple vérifier la présence d’une certification obligatoire.
  • L’intelligence artificielle : utiliser un modèle pour extraire, interpréter, comparer ou évaluer certaines informations.

Ces mécanismes peuvent coexister dans un même logiciel.

Toutefois, un ATS ne devient pas automatiquement une intelligence artificielle parce qu’il trie des données.

Cette distinction est essentielle pour comprendre les responsabilités.

Comment fonctionne techniquement le traitement d’un CV ?

Le traitement informatique d’une candidature peut comprendre plusieurs opérations successives.

Leur présence et leur ordre varient selon les produits, leur configuration et les procédures de l’entreprise.

Étape 1 : réception et enregistrement du dossier

Le candidat transmet son CV depuis un formulaire, une plateforme d’emploi ou un autre canal accepté par l’employeur.

Le logiciel enregistre la candidature, l’associe à une offre et lui attribue généralement un identifiant interne.

À ce stade, le système peut également enregistrer la date de réception, les réponses aux questions du formulaire et certaines informations permettant de suivre la procédure.

Le document original peut être conservé en pièce jointe.

Mais les entreprises ne travaillent pas uniquement avec le document tel qu’il a été transmis.

Elles peuvent aussi exploiter les informations qui en sont extraites.

Étape 2 : extraction automatique des informations

Cette opération est appelée CV parsing, ou analyse automatique de CV.

Le logiciel tente d’identifier différentes catégories d’informations dans le document.

Il peut rechercher le nom du candidat, ses coordonnées, ses expériences professionnelles, ses formations ou certaines compétences.

Le résultat peut servir à remplir automatiquement les champs de la fiche candidat.

Il faut comprendre ici une différence fondamentale entre deux opérations informatiques :

Lire les caractères contenus dans un document ne signifie pas nécessairement comprendre correctement leur signification.

Un système peut reconnaître un nom de logiciel sans distinguer si le candidat l’a utilisé pendant plusieurs années ou seulement découvert en formation.

Il peut confondre une date de formation avec une date d’emploi.

Il peut également mal interpréter une mise en page complexe.

La documentation de Greenhouse, un éditeur de logiciels de recrutement, indique notamment que des CV comportant plusieurs colonnes, des tableaux, des éléments graphiques ou certaines structures complexes peuvent provoquer des erreurs d’extraction.

Le fournisseur explique également que, lorsqu’une extraction échoue, le document peut simplement rester attaché au dossier afin que ses informations soient saisies manuellement.

Une erreur de parsing ne signifie donc pas automatiquement un refus.

Mais si une organisation repose fortement sur les données extraites sans vérifier leur qualité, cette erreur peut perturber les étapes suivantes.

Étape 3 : structuration et normalisation des données

Après l’extraction, certaines solutions organisent les informations dans des catégories standardisées.

Une expérience de « développement de sites WordPress » peut, selon le système, être rapprochée de catégories telles que développement web, gestion de contenu ou PHP.

Certains outils reconnaissent des synonymes et des familles de compétences.

D’autres utilisent simplement des champs ou des expressions exactes.

Les solutions plus évoluées peuvent employer des modèles de langage ou des représentations vectorielles pour comparer le sens de différentes formulations.

Cette technique, souvent appelée recherche sémantique, permet de rechercher des correspondances au-delà d’un mot-clé strictement identique.

Elle n’est cependant ni universelle ni infaillible.

Un système peut mal interpréter des acronymes, des qualifications nationales, des intitulés de poste ou des compétences acquises dans un secteur particulier.

Il peut également manquer d’informations contextuelles.

La transformation d’un parcours professionnel en données structurées est donc une opération pratique, mais nécessairement réductrice.

Étape 4 : application des filtres de présélection

Une entreprise peut configurer des conditions de sélection.

Certaines sont objectivement nécessaires.

Un poste exigeant une autorisation légale d’exercer ou une habilitation indispensable peut justifier une vérification préalable.

D’autres conditions sont davantage liées aux préférences de l’organisation.

Par exemple, un recruteur peut choisir de filtrer les dossiers selon un diplôme, une durée d’expérience ou une connaissance linguistique.

La documentation officielle de Greenhouse décrit une fonctionnalité de rejet automatique permettant aux entreprises de définir des réponses à des questions de candidature qui entraînent un refus.

Ce type de mécanisme peut fonctionner à partir de règles classiques, sans intelligence artificielle.

C’est un point central.

Lorsqu’un filtre a été expressément configuré par une entreprise, le refus qu’il produit ne peut pas être présenté comme une volonté indépendante de la machine.

La question devient celle du choix du critère, de sa justification et de la manière dont ses conséquences sont contrôlées.

Étape 5 : recherche, rapprochement et classement éventuel

Selon les outils utilisés, les candidatures peuvent ensuite être recherchées ou classées.

Un recruteur peut lancer une recherche sur une compétence particulière, sélectionner les candidats possédant une certification ou consulter les dossiers correspondant à certains critères.

Des systèmes intégrant de l’IA peuvent proposer un classement fondé sur une estimation de correspondance entre les informations d’un dossier et les exigences du poste.

Le classement peut être numérique, qualitatif ou simplement organisé par ordre de pertinence estimée.

Mais un score n’est pas une mesure universelle de la valeur professionnelle d’une personne.

Il dépend des critères retenus, des données disponibles et de la méthode de calcul ou d’apprentissage utilisée.

Un candidat classé dixième par un système peut parfaitement posséder des compétences importantes que le modèle n’a pas reconnues.

Étape 6 : examen du dossier et décision

Dans certains processus, une personne examine les candidatures et décide de la suite.

Dans d’autres, certaines actions peuvent être déclenchées automatiquement selon des règles prédéfinies.

Il faut distinguer la simple consultation d’un résultat de l’exercice d’un véritable jugement professionnel.

Un recruteur qui ouvre une fiche et valide systématiquement une recommandation algorithmique n’exerce pas nécessairement un contrôle significatif.

À l’inverse, un professionnel disposant des informations nécessaires, du temps et de l’autorité pour corriger ou contredire le système peut apporter une réelle supervision.

Cette différence est essentielle sur le plan opérationnel et, dans certaines situations, juridique.

Étape 7 : communication et suivi

Une fois le statut du dossier modifié, le logiciel peut envoyer une notification.

Il peut confirmer la réception, demander des renseignements complémentaires, proposer un entretien ou annoncer un refus.

L’automatisation peut donc faciliter les échanges.

Mais une réponse automatique ne permet pas de savoir, à elle seule, si le dossier a été examiné par une personne.

De même, l’absence de réponse ne prouve pas qu’une intelligence artificielle a éliminé le candidat.

Pour comprendre un recrutement automatisé, il faut examiner l’ensemble de la chaîne : les données, les règles, les éventuels modèles d’IA, les décisions et la supervision humaine.

Quand les critères informatiques éloignent l’entreprise des compétences réelles

Prenons un exemple volontairement simplifié.

Une entreprise souhaite recruter une personne capable de gérer des projets techniques, de résoudre des problèmes informatiques et de documenter ses interventions.

Deux candidatures sont présentées.

Le premier candidat possède une expérience technique approfondie, mais pas le diplôme privilégié dans l’annonce.

Le second possède le diplôme demandé et une expérience pratique plus limitée.

Imaginons qu’un outil de classement attribue une note reposant sur deux composantes :

  • 60 % de la note pour l’expérience pratique évaluée ;
  • 40 % pour le diplôme.

Sur une échelle fictive de 0 à 10, le premier candidat obtient 9/10 en expérience et 0/10 pour le diplôme.

Le second obtient 6/10 en expérience et 10/10 pour le diplôme.

Le calcul devient :

Candidat A : (9 × 6) + (0 × 4) = 54/100.

Candidat B : (6 × 6) + (10 × 4) = 76/100.

Le candidat B sera donc mieux classé.

Ce résultat n’est pas une erreur arithmétique.

Le système applique exactement la pondération qui lui a été attribuée.

L’éventuelle erreur se trouve dans la conception du critère d’évaluation, si le diplôme ne justifie pas un poids aussi important pour ce poste précis.

Cet exemple est purement pédagogique. Il ne décrit pas le fonctionnement d’un produit ATS particulier et ne constitue pas une statistique issue d’une étude.

Il montre cependant quelque chose de fondamental : une procédure peut être techniquement correcte tout en produisant un classement professionnel discutable.

Lorsque le logiciel applique parfaitement une règle mal choisie, sa précision informatique ne garantit pas la pertinence du résultat.

À l’inverse, un diplôme peut être indispensable à certaines fonctions réglementées, et une pondération importante peut alors être parfaitement justifiée.

C’est le contexte professionnel qui doit déterminer les critères, et non l’existence d’une fonctionnalité dans un logiciel.

Qui entraîne l’IA, qui définit les règles et qui répond des erreurs ?

Lorsqu’un système de recrutement produit un résultat contestable, il est tentant d’affirmer que l’intelligence artificielle s’est trompée.

Cette formule peut décrire le fonctionnement technique, mais elle ne suffit pas à comprendre les responsabilités.

Un logiciel n’apparaît pas spontanément dans une entreprise.

Il a été conçu, développé, configuré, testé, commercialisé et mis en exploitation par des organisations et des personnes.

Plusieurs niveaux de responsabilité doivent donc être distingués.

Les concepteurs et développeurs : transformer les besoins en fonctions techniques

Les équipes chargées de concevoir un système définissent son architecture, ses possibilités d’utilisation, ses mécanismes de traitement et ses limites.

Elles peuvent notamment décider de proposer des règles automatiques, des recherches par mots-clés, des systèmes de classement ou des fonctions de supervision.

Elles doivent examiner comment ces fonctions peuvent être utilisées et dans quelles situations elles pourraient produire des résultats problématiques.

Un défaut de programmation, une mauvaise gestion des données ou un mécanisme insuffisamment testé peut avoir des conséquences importantes.

Cependant, tous les développeurs n’ont pas la maîtrise des politiques de recrutement adoptées ensuite par leurs clients.

Il serait donc incorrect d’attribuer systématiquement à un programmeur la responsabilité d’une règle décidée par l’entreprise utilisatrice.

Les responsables de l’entraînement : les limites des données historiques

Lorsque le système utilise un modèle appris à partir de données, la question de l’entraînement devient centrale.

Un modèle de recrutement peut, selon son architecture, être entraîné ou ajusté sur des exemples de compétences, de descriptions de postes, de candidatures ou de décisions antérieures.

Le danger apparaît lorsque les données historiques contiennent des régularités qui ne devraient pas devenir des critères de sélection.

Imaginons une entreprise qui aurait longtemps recruté presque exclusivement des diplômés issus d’un ensemble restreint d’établissements.

Un système entraîné sans précautions à reproduire ses recrutements passés pourrait apprendre à favoriser certaines caractéristiques associées à ces profils.

Il risquerait alors de reproduire des choix historiques plutôt que d’évaluer indépendamment les aptitudes nécessaires au poste.

Cela ne signifie pas que tous les modèles apprennent de cette manière.

Certains ne sont pas entraînés sur les décisions de recrutement de leurs clients, et certains systèmes utilisent uniquement des règles déterministes.

Mais lorsque des mécanismes d’apprentissage sont présents, la provenance des données, la qualité des annotations, la représentativité des exemples et les tests de biais deviennent essentiels.

Le règlement européen sur l’intelligence artificielle reconnaît précisément ces enjeux à travers ses dispositions sur la gouvernance des données pour les systèmes à haut risque.

Les fournisseurs : documenter les capacités et les limites

Une entreprise qui commercialise un système de recrutement doit pouvoir expliquer ses fonctions, ses conditions d’utilisation et les risques associés, conformément aux obligations qui lui sont applicables.

Elle ne devrait pas présenter une estimation algorithmique comme une mesure objective et infaillible des capacités d’un candidat.

La transparence technique doit permettre à l’organisation utilisatrice de comprendre suffisamment le système pour en contrôler l’emploi.

Cela implique notamment de distinguer les informations extraites, les règles de filtrage, les recommandations et les décisions effectivement prises.

Les employeurs : choisir les critères et assumer les décisions

L’entreprise utilisatrice conserve une responsabilité essentielle.

Elle définit la fonction à pourvoir.

Elle choisit les qualifications recherchées.

Elle décide quels outils seront intégrés au recrutement et comment ses collaborateurs devront les utiliser.

Lorsqu’elle configure une règle automatique, elle participe directement à la définition de ses effets.

Lorsqu’elle s’appuie sur un fournisseur externe, ce choix ne fait pas disparaître ses obligations relatives aux données personnelles ou aux décisions prises dans son propre processus.

Les responsabilités juridiques exactes varient selon les rôles des acteurs, la nature du système et les règles applicables.

Mais un principe de gouvernance demeure :

Faire exécuter une opération par un algorithme ne supprime pas la responsabilité de ceux qui ont décidé de la mettre en œuvre.

Les recruteurs : exercer un jugement, pas simplement confirmer un classement

Le professionnel du recrutement occupe une place particulière.

Il peut être l’utilisateur direct du système, sans en être le concepteur ni celui qui a fixé toutes ses règles.

Il peut aussi devoir composer avec des contraintes de temps, des volumes importants et des procédures internes strictes.

Son intervention reste néanmoins déterminante lorsqu’il est chargé d’apprécier les candidatures.

Un contrôle humain effectif suppose la possibilité d’examiner les informations, de reconnaître les limites du résultat automatisé et de corriger une décision lorsque cela est justifié.

L’enjeu n’est pas de demander aux recruteurs de devenir ingénieurs en intelligence artificielle.

Il est que les organisations leur donnent les compétences, les moyens et l’autorité nécessaires à l’utilisation responsable de ces outils.

Les études belges confirment que ces questions sont déjà concrètes

En février 2026, l’Institut belge pour l’égalité des femmes et des hommes a publié une étude sur le recrutement et la sélection à l’ère de l’intelligence artificielle.

Réalisée avec des chercheurs de l’Université de Liège et de l’Université de Hasselt, cette recherche repose notamment sur une enquête auprès de 416 professionnels du recrutement, ainsi que sur des entretiens et des groupes de discussion.

74 % des recruteurs interrogés déclaraient utiliser l’IA à au moins une étape du recrutement.

Il est important de préciser que cela ne signifie pas que 74 % des CV sont rejetés ou classés par intelligence artificielle.

L’étude montre que l’IA est principalement mobilisée dans les travaux préparatoires et la recherche de profils.

Son utilisation est moins fréquente lors de la sélection finale.

Les chercheurs mettent néanmoins en évidence des risques de biais et de discrimination, ainsi qu’une prise de conscience encore incomplète de ces problèmes.

La recherche souligne également la nécessité de mieux encadrer les usages et de préserver une évaluation responsable.

Il ne s’agit pas d’une démonstration selon laquelle tous les systèmes sont défaillants.

Il s’agit d’un constat beaucoup plus important : la technologie est déjà présente dans les pratiques professionnelles alors que la compréhension et la maîtrise de certains de ses risques restent insuffisantes.

Ce décalage mérite une réflexion approfondie.

Diplômes, langues et expérience : trois réalités que les systèmes ne doivent pas confondre

Les diplômes, la connaissance des langues et l’expérience professionnelle sont des critères habituels de sélection.

Ils peuvent représenter des exigences parfaitement légitimes.

Un poste nécessitant une qualification réglementée ne peut pas être attribué uniquement sur la base d’une motivation personnelle.

Une fonction impliquant des échanges quotidiens avec une clientèle néerlandophone peut exiger un niveau de néerlandais déterminé.

Mais toute exigence devrait pouvoir être reliée aux besoins de la fonction.

L’expérience professionnelle peut démontrer une maîtrise acquise sur plusieurs années.

Un portfolio technique peut illustrer la capacité à concevoir et maintenir des logiciels.

Une formation récente peut témoigner d’une évolution des compétences.

Un parcours de reconversion peut réunir plusieurs domaines qui paraissent éloignés dans un classement administratif, mais se complètent dans la pratique.

Ces éléments ne sont pas toujours faciles à traduire en catégories standardisées.

L’approche fondée sur les compétences

Dans son rapport A Skills-First Labour Market, publié en juin 2026, l’OCDE examine les méthodes qui accordent davantage d’importance aux compétences effectivement démontrables.

Cette approche ne consiste pas à supprimer systématiquement les diplômes.

Elle cherche à mieux distinguer les qualifications indispensables des compétences qui peuvent être évaluées autrement.

Les réalisations professionnelles, les épreuves pratiques, les certifications complémentaires et la reconnaissance des acquis peuvent jouer un rôle important.

Mais remplacer la mention « diplôme obligatoire » par « compétences souhaitées » dans une annonce ne suffit pas.

Si les critères de sélection et les habitudes d’évaluation restent inchangés, la modification ne produit pas nécessairement une ouverture réelle.

C’est à cet endroit que les choix des entreprises et la configuration de leurs outils doivent être cohérents.

Les entretiens d’embauche : entre préparation, méthode STAR et spontanéité

Après les formulaires, les filtres et les premières sélections vient souvent une nouvelle épreuve : l’entretien.

Le candidat doit non seulement expliquer son parcours, mais également comprendre les attentes de son interlocuteur.

Les guides consacrés à la recherche d’emploi recommandent fréquemment de préparer une présentation professionnelle.

Certains préconisent de commencer par la fonction exercée, de résumer les réalisations importantes et d’expliquer les raisons de la candidature.

D’autres recommandent de structurer les réponses à l’aide de la méthode STAR.

Ces outils ont une utilité réelle.

Mais leur accumulation peut également créer un paradoxe.

Le pitch de présentation : communiquer clairement sans réciter

Le pitch professionnel sert à présenter l’essentiel d’un parcours en un temps relativement court.

Il peut aider à organiser un entretien et à mettre en évidence les expériences les plus pertinentes.

Cependant, sa réussite ne devrait pas dépendre uniquement de la capacité à produire un discours parfaitement mémorisé.

Une personne peut s’exprimer avec aisance, utiliser un vocabulaire convaincant et construire une présentation remarquable sans posséder toutes les compétences techniques requises.

À l’inverse, un professionnel expérimenté peut éprouver des difficultés à résumer vingt années de travail en quelques minutes.

La qualité de la présentation apporte une information utile.

Elle ne doit pas être confondue avec la totalité des compétences professionnelles.

La méthode STAR : une structure, pas un diplôme supplémentaire

STAR correspond aux quatre éléments suivants :

Situation : expliquer le contexte professionnel.

Tâche : préciser l’objectif ou la responsabilité.

Action : décrire les mesures concrètement prises.

Résultat : expliquer les conséquences de l’intervention.

Imaginons un technicien chargé d’une infrastructure en panne.

Il peut décrire la situation rencontrée, les vérifications nécessaires, les actions effectuées et le résultat obtenu.

Cette structure peut aider le recruteur à comprendre les compétences mobilisées.

Elle peut également éviter les réponses trop générales.

Mais il faut distinguer le fond de la réponse et la forme utilisée.

Un candidat peut raconter une situation pertinente sans respecter explicitement les quatre étapes dans leur ordre exact.

Il peut aussi présenter une réponse très structurée qui ne démontre aucune compétence particulière.

La méthode STAR est un moyen de recueillir des informations. Elle ne devrait pas être confondue avec la compétence que l’entretien cherche à mesurer.

Pourquoi certaines attentes paraissent contradictoires

Un candidat peut passer plusieurs heures à préparer un discours précis, puis recevoir le reproche d’être trop scolaire.

Lors d’un autre entretien, il peut choisir une présentation plus naturelle et se voir reprocher un manque de structure.

Ces situations peuvent résulter de préférences différentes entre recruteurs, de méthodes d’évaluation insuffisamment définies ou simplement de contextes professionnels distincts.

Elles ne prouvent pas que tous les entretiens sont arbitraires.

Mais elles illustrent une difficulté réelle lorsque les candidats ne connaissent pas clairement les critères de leur évaluation.

La question n’est pas de choisir entre une présentation naturelle et une présentation structurée.

La question est de savoir ce que l’entreprise cherche véritablement à mesurer.

La capacité à communiquer ?

La résolution de problèmes ?

La maîtrise d’un domaine technique ?

La coordination d’une équipe ?

L’autonomie professionnelle ?

Ces compétences ne nécessitent pas toutes les mêmes méthodes d’évaluation.

Les entretiens structurés apportent une réponse documentée

Les recherches sur le recrutement montrent que les entretiens structurés peuvent améliorer la cohérence des évaluations.

Cette méthode consiste notamment à poser des questions comparables aux candidats et à utiliser des critères de notation préalablement définis, liés aux compétences essentielles du poste.

L’Office américain de gestion du personnel, l’OPM, souligne que cette approche peut améliorer la fiabilité des évaluations et limiter certaines différences arbitraires entre examinateurs.

Le CIPD, organisme professionnel spécialisé dans les ressources humaines, défend également l’utilisation de questions et de critères cohérents.

La méthode STAR peut trouver sa place dans cette organisation.

Mais ce qui importe n’est pas que tous les candidats utilisent les mêmes expressions.

C’est qu’ils puissent démontrer leurs capacités dans des conditions suffisamment comparables.

Un entretien devrait permettre de découvrir ce qu’une personne sait réellement faire, plutôt que de mesurer principalement son aptitude à deviner les préférences de son interlocuteur.

Le silence après une candidature : une autre dimension de la déshumanisation

L’automatisation des recrutements ne se limite pas à l’analyse des CV.

Elle concerne également la communication.

Des accusés de réception peuvent être envoyés automatiquement.

Des invitations à un entretien peuvent être générées sans intervention manuelle.

Des réponses négatives peuvent être transmises à plusieurs candidats en quelques instants.

Ces fonctionnalités peuvent être utiles lorsqu’elles améliorent la rapidité et la fiabilité des échanges.

Mais elles ne résolvent pas nécessairement le problème de l’absence de retour.

En juillet 2025, une enquête du groupe Stepstone menée en Allemagne auprès d’environ 8 100 répondants, dont plus de 500 professionnels des ressources humaines, rapportait que 64 % des chercheurs d’emploi interrogés avaient déjà été confrontés à une entreprise ne donnant plus de nouvelles après une candidature.

Ce résultat concerne les personnes interrogées en Allemagne. Il ne constitue pas une statistique générale du marché belge.

Il illustre néanmoins l’importance du phénomène.

Pour une personne qui cherche un emploi depuis plusieurs mois, le silence entretient une incertitude inutile.

Faut-il encore attendre ?

Le poste est-il pourvu ?

Le dossier a-t-il réellement été étudié ?

Une réponse négative peut être acceptée, même lorsqu’elle est décevante.

L’absence prolongée d’information rend la situation plus difficile à comprendre.

À l’inverse, un message automatique clair et véridique peut représenter un progrès.

Le problème ne réside donc pas dans le caractère automatique du courriel.

Il réside dans la qualité, la transparence et la fiabilité de la relation entretenue avec le candidat.

Affaire Uber : quand l’automatisation touche directement le travail et les revenus

L’un des exemples européens récents les plus significatifs de décisions automatisées concerne la plateforme Uber.

Cette affaire ne porte pas directement sur le tri de CV.

Elle concerne la désactivation de comptes de chauffeurs, mais elle illustre une question commune à l’automatisation du recrutement et à la gestion numérique du travail : les conséquences professionnelles d’une décision prise par un système.

Une amende administrative de près de 825 millions d’euros

Le 21 août 2026, l’Autoriteit Persoonsgegevens, autorité néerlandaise de protection des données, a annoncé avoir infligé à Uber une amende de 824 990 000 euros.

Selon l’autorité, des décisions entièrement automatisées avaient entraîné la désactivation temporaire ou définitive de comptes de chauffeurs, notamment à la suite de suspicions de fraude ou d’évaluations insuffisantes.

Les chauffeurs concernés perdaient alors la possibilité d’effectuer des courses via la plateforme pendant la désactivation.

Cette interruption pouvait donc affecter directement leurs revenus.

La procédure fait suite à des plaintes concernant 171 chauffeurs français, introduites auprès de la CNIL par l’intermédiaire de la Ligue des droits de l’Homme.

Les faits examinés concernaient la période allant de 2018 à 2022.

Une décision administrative contestée

Il faut préciser que l’affaire n’est pas définitivement jugée.

Uber conteste la sanction et affirme notamment que ses procédures comprenaient des mécanismes d’intervention humaine.

L’autorité néerlandaise considère, pour sa part, que certaines décisions ont été prises sans intervention humaine effective et que les personnes concernées n’ont pas reçu toutes les informations requises.

Au 6 novembre 2026, le Comité européen de la protection des données indique que la sanction a fait l’objet d’un recours et qu’aucune décision judiciaire définitive n’est encore intervenue.

Ces positions doivent être distinguées.

Il serait incorrect de présenter la sanction contestée comme un jugement définitivement confirmé.

Ce que cette affaire révèle sur la responsabilité technique

L’intérêt de ce dossier dépasse le montant de l’amende.

Il démontre qu’une décision informatique peut avoir des conséquences concrètes sur l’activité et les revenus d’une personne.

Pour le système, l’opération peut correspondre à un changement de statut de compte.

Pour le travailleur, elle peut signifier l’impossibilité de continuer son activité sur la plateforme.

Le parallèle avec le recrutement doit être établi avec prudence.

Une candidature refusée et un compte professionnel désactivé ne constituent pas des situations juridiquement identiques.

Mais elles posent une question commune :

Lorsque des règles et des algorithmes influencent fortement l’accès au travail, les acteurs responsables doivent pouvoir expliquer, contrôler et, lorsque cela est nécessaire, réexaminer les décisions.

L’affaire Uber illustre ainsi les enjeux de la supervision humaine et de la protection des personnes face aux décisions entièrement automatisées.

Le droit européen ne laisse pas ces questions sans réponse

L’Union européenne dispose déjà de règles encadrant le traitement des données et certaines décisions automatisées.

Deux textes jouent un rôle particulièrement important.

Le RGPD : les candidats restent des personnes concernées

Le Règlement général sur la protection des données impose notamment des principes de licéité, de transparence, de minimisation des informations collectées et de limitation de leur conservation.

Les CV, les coordonnées, les évaluations et les informations professionnelles constituent des données personnelles dès lors qu’ils concernent une personne identifiable.

En Belgique, l’Autorité de protection des données rappelle que les informations demandées aux candidats doivent être pertinentes et nécessaires au recrutement concerné.

L’article 22 du RGPD prévoit également une protection particulière contre les décisions fondées exclusivement sur un traitement automatisé lorsqu’elles produisent des effets juridiques ou affectent significativement la personne.

Des exceptions encadrées existent.

Lorsque ces exceptions permettent une décision entièrement automatisée, des garanties particulières doivent être prévues, notamment, selon les cas, la possibilité d’exprimer son point de vue, de contester la décision et d’obtenir une intervention humaine.

L’intervention humaine doit être réelle.

Une simple validation automatique ou une approbation systématique des recommandations d’un logiciel ne constitue pas nécessairement un contrôle significatif.

La CNIL souligne d’ailleurs qu’un classement algorithmique peut poser problème lorsque des candidatures sont reléguées si bas dans une liste qu’aucun responsable ne les examinera réellement.

Toutes les utilisations d’un ATS ne relèvent pas pour autant de l’article 22.

Le fonctionnement et les conséquences du traitement doivent être examinés précisément.

L’AI Act : des obligations particulières pour certains systèmes de recrutement

Le règlement européen sur l’intelligence artificielle identifie les systèmes d’IA utilisés pour analyser, filtrer et évaluer des candidatures parmi les usages pouvant relever de la catégorie à haut risque.

Pour les systèmes entrant effectivement dans ce cadre, le règlement prévoit des exigences portant notamment sur la gestion des risques, la qualité des données, la documentation, la traçabilité et la supervision humaine.

Les obligations sont réparties entre plusieurs acteurs, notamment les fournisseurs et les organisations qui déploient ces systèmes.

Les règles concernant les systèmes à haut risque de l’annexe III doivent, selon le calendrier européen en vigueur au 6 novembre 2026, s’appliquer à partir du 2 décembre 2027.

Ce calendrier tient compte des modifications introduites par le Digital Omnibus sur l’IA.

Il importe donc de ne pas confondre les dispositions déjà applicables avec celles dont l’entrée en application est future.

La conformité ne se résume pas à une mention dans un règlement

La gouvernance d’un système de recrutement ne peut pas se limiter à la présence d’une politique de confidentialité ou d’une clause contractuelle.

Elle doit également prendre en considération les usages effectifs.

Qui configure les filtres ?

Qui contrôle les erreurs d’extraction ?

Qui vérifie la pertinence des critères ?

Qui examine les risques de discrimination ?

Comment corriger une information inexacte ?

Une décision peut-elle être véritablement contestée lorsqu’elle entre dans le champ des garanties applicables ?

Ces questions concernent autant l’ingénierie du système que l’organisation du recrutement.

La véritable performance d’un recrutement ne se mesure pas uniquement à sa vitesse

Les entreprises ont des contraintes économiques légitimes.

Le recrutement représente un coût, mobilise des collaborateurs et peut ralentir une activité lorsqu’un poste reste vacant.

Il serait donc irréaliste de considérer toute automatisation comme une pratique négative.

Un système bien conçu peut faire gagner du temps, réduire certaines erreurs administratives et améliorer le suivi des candidats.

Mais l’efficacité d’un recrutement ne peut pas être évaluée uniquement au nombre de dossiers traités chaque heure.

Un processus très rapide peut rester médiocre s’il écarte régulièrement des candidats compétents.

De même, un système techniquement performant peut engendrer des difficultés s’il oblige les personnes à multiplier les démarches sans améliorer la qualité des décisions.

La performance doit aussi tenir compte de la pertinence des recrutements réalisés, de la capacité à identifier des compétences et de la fiabilité des méthodes utilisées.

Cela implique d’examiner les erreurs de présélection.

Dans un système de classement, une erreur particulièrement importante consiste à considérer comme non pertinent un candidat qui possède en réalité les compétences recherchées.

En informatique décisionnelle, on peut rapprocher cette situation de la notion de faux négatif.

Il ne faut toutefois pas prétendre qu’un employeur connaît automatiquement le nombre de candidats compétents qu’il n’a jamais évalués.

C’est précisément l’une des difficultés de l’audit.

Une organisation peut devoir tester des dossiers représentatifs, vérifier un échantillon de candidatures écartées, examiner les critères et comparer les résultats à des évaluations indépendantes.

Ces démarches doivent elles-mêmes respecter les règles applicables à la protection des données.

L’objectif n’est pas d’obtenir un recrutement parfait, ce qui n’existe pas.

Il est de réduire les erreurs évitables et de rendre les décisions mieux fondées.

Redonner sa place à la compétence, au jugement et à la responsabilité

Le développement de l’intelligence artificielle dans le recrutement n’impose pas de choisir entre modernisation technologique et respect humain.

Les deux peuvent progresser ensemble.

Les fournisseurs peuvent concevoir des systèmes plus transparents et mieux contrôlables.

Les entreprises peuvent examiner la pertinence des critères qu’elles définissent.

Les équipes de recrutement peuvent disposer de méthodes cohérentes pour évaluer les compétences.

Les candidats peuvent être mieux informés du déroulement des procédures et des données utilisées.

Ces évolutions ne demandent pas nécessairement de supprimer l’automatisation.

Elles demandent surtout de reconnaître que la responsabilité ne disparaît pas derrière une interface informatique.

Une intelligence artificielle peut interpréter des informations de manière incorrecte.

Un logiciel classique peut appliquer une règle mal définie.

Un professionnel peut également commettre une erreur d’appréciation.

La différence réside dans la capacité de l’organisation à identifier ces risques, à en mesurer les conséquences et à les corriger.

Le véritable danger n’est donc pas uniquement qu’une machine puisse se tromper.

Il est qu’une décision techniquement produite devienne progressivement incontestable, parce que personne ne dispose plus du temps, des informations ou de l’autorité nécessaires pour la remettre en question.

Conclusion : derrière les données, il restera toujours des personnes

L’intelligence artificielle transforme le recrutement, comme elle transforme déjà de nombreux autres métiers.

Les ATS, les moteurs de recherche, les filtres automatiques et les systèmes d’évaluation peuvent contribuer à organiser des processus plus efficaces.

Mais ils ne doivent pas être confondus avec une compréhension complète des parcours humains.

Un diplôme ne résume pas toute une compétence.

Un mot-clé ne représente pas toute une expérience.

Un score ne définit pas la valeur professionnelle d’une personne.

Et une présentation parfaite en entretien ne garantit pas, à elle seule, la capacité à exercer un métier.

Les recruteurs travaillent dans des conditions parfois complexes. Les entreprises doivent prendre des décisions économiques. Les candidats, de leur côté, doivent pouvoir défendre leur parcours et accepter que toutes les candidatures ne soient pas retenues.

Ces réalités ne sont pas incompatibles.

Mais lorsqu’une personne consacre des semaines ou des mois à rechercher un emploi, elle ne devient pas pour autant un simple dossier administratif.

Elle reste un être humain, avec des compétences, une histoire, des responsabilités et la volonté de participer à la vie professionnelle.

Les technologies utilisées pour évaluer son parcours doivent être examinées avec le même sérieux que les décisions auxquelles elles contribuent.

L’IA n’a pas besoin d’éprouver des émotions pour être utile. Mais les personnes qui la conçoivent, la déploient et l’utilisent doivent rester conscientes des conséquences humaines de leurs choix.

L’avenir du recrutement ne se jouera pas uniquement dans la capacité des systèmes à analyser davantage de CV.

Il se jouera aussi dans leur capacité à mieux identifier les compétences, à rendre les processus compréhensibles et à préserver la responsabilité de ceux qui décident.

Car derrière chaque candidature se trouve une démarche humaine.

Et le progrès technologique ne devrait jamais être une raison de l’oublier.


Sources scientifiques, techniques et institutionnelles

[1] Greenhouse — Unsuccessful resume parse, documentation technique, 2026. Explications sur l’extraction des données d’un CV, les erreurs possibles et les difficultés liées aux mises en page.

https://support.greenhouse.io/hc/en-us/articles/200989175-Unsuccessful-resume-parse

[2] Greenhouse — Auto-reject, documentation technique, 2026. Description des règles configurables permettant un rejet automatique selon certaines réponses.

https://support.greenhouse.io/hc/en-us/articles/360000653472-Auto-reject

[3] Institut belge pour l’égalité des femmes et des hommes — Recrutement et sélection à l’ère de l’IA, 2026. Étude réalisée avec l’Université de Liège et l’Université de Hasselt.

https://igvm-iefh.belgium.be/fr/documentation/recrutement-et-selection-lere-de-lia

[4] OCDE — A Skills-First Labour Market, 18 juin 2026. Rapport sur la reconnaissance des compétences et l’évolution des pratiques de recrutement.

https://www.oecd.org/en/publications/a-skills-first-labour-market_2e1b85f0-en.html

[5] U.S. Office of Personnel Management — Structured Interviews. Présentation des entretiens structurés et des méthodes d’évaluation fondées sur les compétences.

https://www.opm.gov/policy-data-oversight/assessment-and-selection/structured-interviews

[6] U.S. Office of Personnel Management — How do I create structured interview questions? Explications sur les questions comportementales et la méthode STAR.

https://www.opm.gov/frequently-asked-questions/assessment-policy-faq/structured-interviews/how-do-i-create-structured-interview-questions

[7] CIPD — Selection Methods. Documentation sur les méthodes de sélection, les entretiens structurés et les critères d’évaluation.

https://www.cipd.org/en/knowledge/factsheets/selection-factsheet

[8] Stepstone Group — Ghosting in the application process, 14 juillet 2025. Enquête menée en Allemagne concernant l’absence de retour après une candidature.

https://www.thestepstonegroup.com/english/newsroom/press-releases/ghosting-in-the-application-process-nearly-two-in-three-jobseekers-do-not-receive-a-final-response

[9] Autoriteit Persoonsgegevens — Uber fined nearly 825 million euros for automated driver blocking, 21 août 2026. Décision administrative de l’autorité néerlandaise.

https://autoriteitpersoonsgegevens.nl/en/current/uber-fined-nearly-825-million-euros-for-automated-driver-blocking

[10] Comité européen de la protection des données — Décision concernant Uber, 8 octobre 2026. Présentation de l’enquête, des manquements retenus et du recours.

https://www.edpb.europa.eu/news/dutch-dpa-fines-uber-eur-824-990-000-for-unlawful-automated-decision-making-and-insufficient_en

[11] Autorité de protection des données, Belgique — Recrutement des candidats. Principes applicables aux données personnelles collectées pendant une procédure de recrutement.

https://www.autoriteprotectiondonnees.be/professionnel/themes/vie-privee-sur-le-lieu-de-travail/recrutement-des-candidats

[12] Autorité de protection des données, Belgique — Droit de ne pas être soumis à une décision individuelle automatisée.

https://www.autoriteprotectiondonnees.be/professionnel/rgpd-/droits-des-citoyens/droit-de-ne-pas-etre-soumis-a-une-decision-individuelle-automatisee

[13] CNIL — Le guide du recrutement. Documentation sur le tri automatisé, les données personnelles et les garanties relatives à certaines décisions.

https://www.cnil.fr/fr/le-guide-du-recrutement

[14] Commission européenne — AI Act, annexe III, articles 10, 14 et 26 et calendrier officiel.

https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-3
https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-10
https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14
https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-26
https://ai-act-service-desk.ec.europa.eu/en/ai-act/eu-ai-act-implementation-timeline

Afficher plus

Atoolpha

À propos d'ATOOLPHA Fondé par Christophe Kvachet, ATOOLPHA est né d'une passion pour l'informatique et les technologies numériques. À travers ses articles, ses développements et ses expérimentations, ATOOLPHA partage ses connaissances et défend une approche accessible, rigoureuse et responsable du numérique.

Articles similaires

Bouton retour en haut de la page