Les trois familles d'outils IA RH
Confondre ces trois familles, c'est risquer de choisir le mauvais outil pour le mauvais usage, ou de payer un abonnement spécialisé pour une tâche qu'un assistant généraliste suffit à couvrir.
Les assistants généralistes
ChatGPT, Claude, Mistral, Copilot et Gemini ne sont pas des outils RH : ce sont des IA génératives généralistes que la fonction RH détourne pour rédiger, synthétiser ou structurer. Leur force est la polyvalence et un coût d'entrée faible ; leur limite est l'absence de connaissance native de votre SIRH, de votre convention collective ou de vos données candidats. En pratique, ce sont les outils du prompt engineering au quotidien : rédiger une offre, préparer une trame d'entretien, reformuler une communication sensible, sans jamais y injecter de données personnelles identifiantes. Pour choisir entre ces quatre outils selon vos contraintes, consultez notre comparatif ChatGPT vs Claude vs Mistral vs Copilot.
Les ATS dopés à l'IA
La plupart des grands éditeurs de logiciels de suivi des candidatures (Applicant Tracking System) ont intégré des briques d'IA : scoring automatique de CV, matching sémantique entre une fiche de poste et un profil, chatbots de présélection. Sur le marché international, SmartRecruiters et iCIMS illustrent cette approche pour les grands groupes ; sur le marché français, Taleez, Teamtailor, Flatchr ou Beetween proposent des fonctionnalités similaires adaptées aux PME et ETI. Ces outils sont entraînés spécifiquement sur des données de recrutement et s'intègrent directement dans le pipeline candidats, ce qui en fait aussi la catégorie la plus surveillée sur le plan réglementaire : un ATS qui trie ou note des candidats est un candidat naturel à la classification haut risque de l'AI Act.
Les outils RH opérationnels spécialisés
Une troisième famille cible des processus RH précis. Les chatbots de recrutement et d'onboarding en sont l'exemple le plus visible : Paradox (assistant Olivia) et Mya automatisent l'engagement candidat et le filtrage à grand volume, tandis que Talmundo et Enboarder se positionnent sur l'intégration des nouveaux collaborateurs avec des parcours personnalisés par profil et par poste. D'autres outils ciblent l'analyse de données RH : détection de désengagement, tableaux de bord, analyse prédictive de turnover. Leur promesse commune est la profondeur métier plutôt que la polyvalence, avec un revers : un marché jeune, en consolidation rapide, où un outil prometteur aujourd'hui peut disparaître ou être racheté demain.
Une règle simple permet de trancher : si la tâche est ponctuelle et ne nécessite pas de données personnelles, un assistant généraliste suffit. Si elle est récurrente et touche des données candidats ou collaborateurs, mieux vaut un outil RH spécialisé avec les garanties contractuelles adéquates.
La méthode CRAFT : structurer un prompt RH efficace
La plupart des déceptions face à l'IA générative viennent du même endroit : un prompt rédigé dans l'urgence, sans structure, qui laisse l'IA deviner ce qu'on attend d'elle. La méthode CRAFT décompose un bon prompt RH en cinq briques.
Notation | Entrée → Sortie | Usage concret |
|---|---|---|
Text-to-Text | Texte → Texte | Rédiger, résumer, traduire, reformuler |
Text-to-Image | Texte → Image | Générer une image à partir d'une description textuelle |
Text-to-Video | Texte → Vidéo | Générer une vidéo à partir d'une description textuelle |
Text-to-Speech | Texte → Parole | Générer une voix de synthèse qui lit un texte |
Speech-to-Text | Parole → Texte | Transcrire une voix enregistrée ou en direct |
Image-to-Text | Image → Texte | Décrire une image ou en extraire le texte (OCR) |
Image-to-Image | Image → Image | Retoucher une image existante (style, éclairage, fond) |
En pratique, le réflexe qui manque le plus souvent en RH n'est pas de choisir un format de sortie, qui vient naturellement une fois la tâche formulée : c'est de préciser qui parle et dans quelle situation, c'est-à-dire le Rôle et le Contexte. Un exemple concret : « Tu es RRH dans une ESN de 200 personnes (Contexte + Rôle). Rédige une annonce de recrutement pour un poste de Lead Dev Java (Action). Format : structure classique offre d'emploi, 250 mots maximum (Format). Ton dynamique et inclusif, sans jargon technique excessif (Ton). »
CRAFT n'est pas une formule magique à réciter à chaque prompt : c'est une checklist mentale qui, avec l'entraînement, devient un réflexe de rédaction plutôt qu'une énumération consciente.
Les biais algorithmiques : les leçons d'Amazon et HireVue
Un algorithme de recrutement n'invente pas ses critères de sélection : il les apprend des données historiques sur lesquelles il a été entraîné. Si ces données reflètent des pratiques de recrutement passées et biaisées, l'algorithme les reproduit, et peut même les amplifier. Deux cas, largement documentés, illustrent ce mécanisme.
Amazon et l'outil qui pénalisait les femmes
Entre 2014 et 2017, Amazon a développé en interne un outil de scoring automatique de CV pour présélectionner des candidatures à des postes techniques, entraîné sur dix ans de CV reçus par l'entreprise, une période où ces postes étaient très majoritairement occupés par des hommes. L'algorithme a appris de cette réalité historique une corrélation biaisée : il a fini par pénaliser les CV mentionnant des mots liés au genre féminin, comme l'appartenance à une association étudiante féminine, et à sous-noter les diplômées de certains établissements exclusivement féminins. Amazon a abandonné le projet une fois le problème identifié, sans jamais l'avoir déployé comme unique critère de décision. Le problème n'était pas une volonté de discriminer : personne n'avait testé le modèle sur cette dimension avant de l'utiliser en conditions réelles.
HireVue et l'analyse faciale sous le feu des critiques
Cette plateforme d'entretiens vidéo différés a proposé pendant plusieurs années une fonctionnalité d'analyse faciale et vocale censée évaluer des traits de personnalité à partir de l'expression ou du rythme de parole des candidats. L'outil a fait l'objet de critiques récurrentes : manque de transparence sur la méthodologie, absence de validation scientifique solide du lien entre expression faciale et compétence professionnelle, et risque de pénaliser des candidats en situation de handicap ou mal à l'aise face à une caméra. Face à la pression réglementaire et à la controverse publique, HireVue a retiré cette composante de son produit.
Dans les deux cas, l'intention n'était pas discriminatoire : le problème venait de l'absence de test du système sur ses effets réels avant mise en production. Ces deux affaires ont d'ailleurs largement contribué à justifier, au niveau européen, la classification des systèmes de recrutement automatisés parmi les IA à haut risque. La leçon à en tirer n'est pas d'éviter l'IA en recrutement, mais de ne jamais déployer un outil de tri sans en avoir testé les effets sur des populations diverses, et sans garder une décision humaine documentable en dernier ressort.
L'AI Act appliqué aux RH : trois familles à haut risque
L'AI Act réserve une catégorie spécifique, le haut risque, aux systèmes dont une défaillance ou un biais aurait des conséquences sérieuses sur les droits des personnes. Le point 4 de l'annexe III du règlement, consacré à l'emploi et à la gestion de la main-d'œuvre, se structure en deux points : le point 4(a) sur le recrutement et la sélection, et le point 4(b) qui regroupe à la fois l'évaluation professionnelle et la surveillance des personnes dans le cadre de la relation de travail. Pour clarifier les usages concrets couverts, on peut les regrouper en trois familles :
- Recrutement et présélection (point 4a) : tri de CV, scoring de candidatures, analyse automatisée d'entretiens vidéo, ciblage d'offres d'emploi.
- Évaluation professionnelle (point 4b) : notation de performance, aide à la décision de promotion, détection de risque de départ utilisée pour orienter des décisions RH.
- Surveillance et gestion disciplinaire (point 4b également) : outils de suivi d'activité utilisés pour évaluer ou sanctionner, systèmes d'aide à la décision de licenciement.
Un même modèle d'IA générative peut être à risque minimal dans un usage, comme rédiger une offre d'emploi, et à haut risque dans un autre, comme noter automatiquement les réponses d'un candidat à un test : la classification dépend de la décision que le système influence, pas de la technologie sous-jacente.
Une idée reçue fréquente consiste à penser que les obligations de l'AI Act ne concernent que l'éditeur du logiciel. En réalité, l'entreprise qui déploie un outil classé haut risque hérite elle-même d'obligations propres : information des personnes concernées, supervision humaine effective, et capacité à justifier le fonctionnement du système en cas de contestation. Pour une fonction RH, cela signifie qu'il ne suffit pas de vérifier que le prestataire d'un ATS est en conformité : encore faut-il documenter la manière dont l'outil est utilisé en interne. Pour le détail complet du calendrier d'application et des sanctions de l'AI Act, consultez notre article AI Act : ce que le règlement change pour les entreprises.
Retenez un réflexe simple avant tout déploiement d'un nouvel outil touchant recrutement, évaluation ou surveillance : « ce système influence-t-il une décision qui affecte significativement une personne ? » Si la réponse est oui, partez du principe qu'il est à haut risque jusqu'à preuve du contraire.
Le RGPD en RH : les cinq erreurs les plus fréquentes
Le RGPD s'applique pleinement dès qu'un outil IA traite des données de candidats ou de collaborateurs. Cinq erreurs reviennent le plus souvent en pratique.
Transférer des données personnelles à un outil grand public sans base légale adéquate
Copier-coller des données personnelles (CV, notes d'entretien, évaluation d'un collaborateur) dans un LLM grand public dont l'entreprise n'est pas le responsable de traitement revient à transférer ces données à un tiers sans garantie contractuelle. Les contrats entreprise avec accord de traitement des données (DPA) proposés par les éditeurs pour leurs API n'offrent pas les mêmes garanties que les interfaces grand public gratuites.
Collecter plus de données que nécessaire
Certains outils IA RH collectent des signaux très divers (activité sur les outils internes, fréquence des messages, temps de connexion) au nom de l'amélioration de leurs modèles prédictifs. Le principe de minimisation impose de ne collecter que ce qui est strictement nécessaire à la finalité déclarée.
Omettre d'informer les personnes concernées
Le RGPD impose d'informer candidats, collaborateurs et anciens employés de tout traitement de leurs données : qui traite, pour quelle finalité, pendant combien de temps, avec quels droits. Un outil qui analyse des données comportementales d'un collaborateur sans qu'il en soit informé constitue une violation, même si les données restent en interne.
Ignorer les durées de conservation légales
Les CV de candidats non retenus doivent généralement être supprimés après deux ans maximum. Beaucoup d'outils IA RH conservent les données par défaut sans purge automatique, ce qui expose l'entreprise plutôt que l'éditeur.
Oublier de mettre à jour le registre des traitements
L'obligation de tenir un registre des activités de traitement s'impose de plein droit aux entreprises de plus de 250 salariés. En dessous de ce seuil, une exemption existe, mais elle est cumulative et donc rarement applicable en pratique : elle suppose un traitement occasionnel, sans données sensibles, et sans risque pour les droits des personnes concernées. Or la gestion RH (paie, candidatures, dossiers salariés) constitue par nature un traitement récurrent, pas occasionnel : dans les faits, la quasi-totalité des entreprises qui utilisent un outil IA RH doivent donc tenir ce registre, quelle que soit leur taille. Chaque nouvel outil IA RH est un nouveau traitement à y inscrire, avec sa finalité, sa base légale et les catégories de données concernées : un point fréquemment oublié, et contrôlé par la CNIL en cas d'audit.
Comment évaluer un outil IA RH avant de le déployer ?
Un outil IA RH est souvent vendu comme une boîte noire, avec des promesses de gain de temps et d'objectivité. Sans grille d'évaluation structurée, une entreprise se retrouve en position de faiblesse face à un prestataire bien préparé. Trois axes structurent une évaluation utile.
Les données d'entraînement
C'est l'axe le plus important : les biais d'un modèle viennent presque toujours de là. Demander sur quelles données le modèle a été entraîné, et si ces données ont été testées sur des populations diverses, reste la question la plus discriminante.
La performance du modèle
Un outil IA a toujours un taux d'erreur. La question utile n'est pas « est-ce qu'il se trompe ? » mais « combien de fois, sur quels cas, et avec quelles conséquences ? ».
Les conditions de déploiement
Même un bon outil peut être mal utilisé : cet axe évalue les garde-fous prévus, la supervision humaine effective, et la traçabilité des décisions.
Une dernière question résume les trois axes : si cet outil se trompe, qui en subit les conséquences ? Un prestataire qui invoque la confidentialité commerciale pour éviter de répondre à ces questions envoie un signal d'alerte : la confidentialité ne justifie pas l'impossibilité de documenter les données d'entraînement ou le taux d'erreur d'un système.
Tableau récapitulatif
Dimension | Ce qu'il faut retenir |
|---|---|
Définition | Des systèmes qui génèrent un contenu original (texte, image, audio, vidéo, code) à partir d'une instruction |
Fonctionnement | Modèles entraînés sur des données massives, génération séquentielle non déterministe, phase d'alignement |
Usages | Repère « X-to-Y » selon la modalité, combiné à la finalité (rédaction, visuel, code, automatisation) |
Enjeux | Cadre juridique (AI Act, RGPD, propriété intellectuelle), fiabilité de l'information, biais, environnement, travail, inclusion |
