Il existe un terme pour désigner ce qui se passe actuellement dans le recrutement, et il vient du PDG d’une entreprise éditrice de systèmes de suivi des candidatures. Daniel Chait de Greenhouse appelle cela une “boucle infernale de l’IA”. Les chercheurs d’emploi utilisent l’IA pour contourner les outils de tri automatisé. Les employeurs utilisent l’IA pour trier le flot de candidatures quasi identiques qui en résulte. La solution de chaque partie aggrave le problème de l’autre. Personne ne gagne.
Le mythe qui alimente la boucle
Tout le cycle repose sur une croyance: les systèmes de suivi des candidatures, connus sous le nom d’ATS, classent et filtrent automatiquement les candidats, et seuls les 10 à 20 pour cent supérieurs des candidats sont vus par un humain. Tous les autres, les 80 pour cent restants, disparaissent dans une boîte noire.
Cette croyance est suffisamment répandue pour qu’une véritable économie parallèle se soit développée autour d’elle. Des outils comme Jobscan, qui coûtent entre 30 et 50 dollars par mois, promettent d’optimiser un CV pour les algorithmes des ATS. Les utilisateurs apprennent à remplacer “percent” par le symbole ”%”, à éviter les CV de deux pages et à bourrer leurs documents de mots-clés. La data scientist Jodi Beggs a testé l’un de ces systèmes et a constaté que de petits choix de mise en forme faisaient monter ou descendre son score. Sa conclusion était pragmatique: si l’objectif est de plaire aux systèmes automatisés, le contenu qui fonctionne pour les machines n’est peut-être pas celui qui reflète ce qu’elle est réellement.
Voici ce que la plupart des couvertures médiatiques de ce sujet oublient: la prémisse n’est pas toujours vraie. Daniel Chait affirme qu’il existe un folklore considérable sur la façon dont les ATS fonctionnent réellement. Il n’y a pas deux systèmes identiques. Le fait qu’un ATS donné utilise ou non l’IA dépend du produit spécifique et des fonctionnalités pour lesquelles une entreprise a payé et qu’elle a activées. Certaines organisations utilisent le classement automatisé. D’autres demandent à des humains d’examiner chaque candidature. Kim Jones, vice-présidente des ressources humaines chez Toshiba, est catégorique: son équipe lit chaque candidature personnellement. Elle note que l’optimisation automatisée ne va pas aider les candidats à passer son processus, car son processus ne fonctionne pas de cette façon.
Deux expériences qui révèlent le fossé
La distance entre le mythe et la réalité devient plus évidente lorsque les organisations testent réellement cette hypothèse. Doist, une petite entreprise entièrement en télétravail qui recrute à l’international, a mené exactement ce genre d’expérience interne. L’équipe a pris des postes qui avaient déjà été pourvus, a entré les descriptions de poste et tous les dossiers de candidatures enregistrés dans un système de classement ATS, et a posé une question simple: les personnes qu’ils ont réellement embauchées auraient-elles figuré sur la liste restreinte générée par l’IA?
Dans deux cas testés, la réponse a été non. Les candidats qui ont été embauchés, et qui donnaient de bons résultats environ six mois après leur prise de poste, ne figuraient pas du tout sur la liste restreinte de l’IA. Il y avait un certain chevauchement quant aux personnes qui ont reçu des invitations à un entretien, mais les personnes choisies en fin de compte par l’entreprise ont été éliminées par le système automatisé.
Ce n’est pas un écart mineur. Cela suggère qu’optimiser pour un score d’ATS et être un candidat solide pour un poste spécifique peuvent être deux choses totalement différentes.
Du côté des chercheurs d’emploi, un professionnel du design nommé James Jacobsen illustre jusqu’où peut aller l’impulsion d’optimisation. Il a passé cinq mois dans une recherche qui a consommé autant de temps qu’un emploi à temps plein. Il a utilisé Claude et ChatGPT pour adapter ses documents de candidature, mais a constaté peu de progrès. Il a ensuite construit ce qu’il a décrit comme l’opposé d’un ATS: un système de suivi personnel qui utilisait l’IA pour ratisser les offres, noter les opportunités par rapport à ses propres critères, enregistrer les refus avec des notes et faire ressortir les postes les plus prioritaires. Il a également utilisé l’IA pour critiquer son portfolio, ce qui a conduit à une révision de six heures. Il a obtenu des appels. Il n’a pas obtenu d’offres. L’évaluation de Daniel Chait concernant des candidats comme James Jacobsen est directe: faire plus de la même chose n’est pas la solution.
Ce que la boucle signale réellement
La boucle infernale n’est pas seulement une histoire de technologie qui dysfonctionne. C’est une histoire d’effondrement de la confiance des deux côtés d’une transaction. Les chercheurs d’emploi signalent qu’ils investissent un effort énorme dans leurs candidatures et ne reçoivent aucune réponse. Les employeurs signalent qu’ils reçoivent des centaines de candidatures qui se ressemblent presque toutes, ce qui est en partie la conséquence d’outils de rédaction assistés par l’IA qui font sonner chaque document de la même manière. Les deux parties se tournent vers l’IA pour gérer le volume, et le volume ne cesse de croître.
Daniel Chait formule les choses clairement: c’est la première fois, à sa mémoire, que les deux parties sont mécontentes du processus de recrutement. Le système ne fonctionne pour personne.
Ce qui se perd dans la course à l’optimisation, c’est le comportement qui différencie réellement les candidats: une lettre de motivation sincère, que Kim Jones affirme que presque plus personne ne soumet; une démarche directe auprès des entreprises avant qu’un poste ne soit publié; le réseautage, qui reste sous-estimé dans un marché inondé de candidatures. Ce sont des signaux humains dans un système de plus en plus conçu pour les éliminer.
Le problème plus profond est que les outils d’IA sont appliqués à un problème qu’ils n’ont pas créé et qu’ils ne peuvent pas résoudre entièrement. La dysfonction du marché du travail, y compris la rareté des offres, les faux emplois et la rupture de communication entre les candidats et les employeurs, précède la vague actuelle d’adoption de l’IA. L’automatisation accélère les symptômes, elle ne traite pas la cause.
En bref
L’IA est utilisée à la fois par les chercheurs d’emploi et les employeurs pour gérer un processus de recrutement qui est déjà sous pression. Les outils que chaque partie utilise pour faire face aggravent l’expérience de l’autre, créant un cycle qui s’auto-entretient. L’hypothèse selon laquelle le classement automatisé contrôle chaque décision de embauche n’est pas universellement vraie, ce qui signifie que les candidats qui s’optimisent pour les machines essaient peut-être de résoudre le mauvais problème. Les comportements les plus susceptibles de percer, une vraie lettre de motivation, une recherche ciblée, un contact humain direct, sont ceux que les outils d’optimisation ne peuvent pas reproduire.
D’après un reportage de Wired.