La présélection automatique de CV promettait des heures gagnées. En 2026, plus de quatorze directeurs du recrutement de grands groupes la jugent inutile en l'état. Le reproche porte moins sur l'algorithme que sur ce qu'on lui donne : un brief flou, des critères implicites, aucun retour sur les refus. Un scoring ne sert la décision qu'à cinq conditions, détaillées ici.
Un Head of Talent Acquisition reçoit 300 candidatures pour un poste de responsable logistique. L'outil de tri en a retenu 12. Personne ne sait dire pourquoi ces 12, ni ce qui a écarté les 288 autres. Deux candidats finalement embauchés sur d'autres postes figuraient dans la pile rejetée. La question n'est plus « l'IA va-t-elle plus vite ? » mais « sur quels critères a-t-elle décidé ? ».
Présélection automatique de CV : que reprochent les directeurs du recrutement ?
Le constat est sévère et il vient du terrain. Plus de quatorze directeurs du recrutement de grands groupes français, interrogés par Les Echos et relayés par la newsletter Les talents narratifs (02/04/2026), jugent les outils de scoring inutiles « en l'état ». L'un d'eux a vérifié : son outil aurait écarté des candidats qu'il a finalement recrutés.
Trois griefs reviennent dans ces témoignages :
- L'opacité : le score tombe, mais aucun critère lisible n'explique pourquoi un profil ressort et un autre disparaît.
- La rigidité : les parcours non linéaires, les reconversions et les interruptions de carrière sont lus comme des défauts, alors qu'ils sont parfois le signal recherché.
- L'absence d'apprentissage : quand un recruteur refuse un profil, l'outil ne retient rien. La shortlist suivante refait les mêmes erreurs.
Sur LinkedIn, le débat de cette semaine reprend le même fil : une IA de sourcing qui propose dix candidats en trente secondes sans dire pourquoi eux ne fait pas gagner du temps, elle déplace le tri.
Pourquoi le scoring candidats IA échoue : la donnée, pas l'algorithme
Les mêmes témoignages pointent une cause commune : la matière première. Un CV n'est pas structuré. Un ATS ancien aggrave le désordre en découpant mal les champs. Le potentiel d'un candidat, lui, n'apparaît sur aucune ligne.
À cela s'ajoute le brief. Dans la plupart des cas, l'outil reçoit un intitulé, une ville et un nombre d'années d'expérience. Il fait exactement ce qu'on lui demande : il trouve des gens qui ressemblent à la fiche de poste. Pas des gens qui réussiraient dans l'entreprise. Le commentaire le plus repris du débat LinkedIn de la semaine le résume : si une IA sort cinquante mauvais profils, le problème est le brief.
Dernier facteur : les critères implicites. Le manager sait qu'il ne veut pas de profil venu du médical, ou qu'il exclut les fonctions support. Il ne l'a écrit nulle part. L'outil ne peut pas deviner ce qui n'a jamais été formulé.
Discrimination et AI Act : quand le risque devient réglementaire
Le sujet a changé de nature. « On est en train d'industrialiser la discrimination », alertait Tania Ocana dans un entretien publié par Les talents narratifs le 14/07/2026. Un critère biaisé appliqué à la main touche quelques candidatures ; appliqué par un système à des milliers de CV, il devient systémique.
Le droit suit. L'AI Act européen classe les systèmes d'IA utilisés pour le recrutement et la sélection de candidats parmi les systèmes à haut risque, avec des obligations de supervision humaine, de traçabilité et de documentation (Apec, « IA et RH : le virage est déjà pris », 03/09/2026). Le RGPD, lui, encadre depuis 2018 les décisions produisant des effets juridiques fondées exclusivement sur un traitement automatisé (article 22).
Pour un acheteur, la conséquence est concrète : un outil qui élimine sans qu'un humain puisse expliquer et contester la décision devient un risque juridique, pas seulement un risque de qualité.
📄 Un scoring que votre DPO et vos recruteurs peuvent lire. Le livre blanc qui explique le context enrichment : critères visibles, validation humaine, apprentissage par les refus. Format PDF.
Le livre blanc Hiring Graph
Ce qui marche à la place : l'IA prépare, l'humain décide
Les entreprises qui s'en sortent n'ont pas renoncé à l'IA. Elles ont changé sa place dans le processus. Les témoignages recueillis par Les talents narratifs (02/04/2026) décrivent les usages qui tiennent : rédaction d'annonces, préparation d'entretiens structurés, sourcing par mots-clés, traitement du volume par IA vocale. Un distributeur qui recrute plus de mille CDI par an n'utilise aucune présélection automatique. Une DRH de PME classe 78 candidatures avec l'IA, puis rappelle elle-même les candidats.
Le point commun : l'outil ordonne et documente, la personne tranche. C'est la différence entre un tri automatique des candidatures et un classement assisté. Le premier décide à votre place. Le second vous fait gagner du temps sur la lecture, pas sur la décision.
Scoring candidats IA : les 5 conditions pour qu'il soit utile
1. Des critères lisibles et modifiables par le recruteur
Le score doit se décomposer critère par critère, avec la pondération visible. Si le manager veut monter « expérience en environnement industriel » de 15 à 30 %, il doit pouvoir le faire lui-même, sans ticket au fournisseur.
2. Aucun rejet sans validation humaine
Un profil mal noté reste visible. Il est classé plus bas, pas supprimé. Le recruteur peut le remonter d'un clic s'il voit quelque chose que le système a manqué.
3. Un système qui apprend des refus
Chaque accept ou reject motivé doit recalibrer la recherche suivante. Refuser trois profils « trop seniors » doit faire apparaître un plafond d'expérience dans les critères. C'est le principe du context enrichment : le système accumule du contexte sur votre entreprise, il n'est pas figé au premier jour.
4. Une trace de chaque décision
Pour chaque candidat : quels critères ont joué, quelle preuve dans le parcours, qui a validé, quand. C'est ce que demandera un audit, et c'est ce qui permet de répondre à un candidat qui conteste.
5. Un score qui classe, jamais qui élimine
La shortlist est un ordre de lecture. Le dernier de la liste existe toujours. Cette règle seule résout la majorité des griefs des directeurs du recrutement cités plus haut.
Le Dynamic Fit Score d'Umamy applique ces cinq conditions : un context-enriched scoring, lisible critère par critère, qui se recalibre à chaque retour du recruteur, sans jamais écarter un profil de lui-même. Pour l'angle méthode, lire comment définir l'A-Player dans une scorecard avant de sourcer.
Notre retour terrain
Chez un grand cabinet de conseil, nous avons calibré fin octobre une recherche de consultants issus de l'industrie. Les premières revues ont fait remonter plusieurs profils refusés pour la même raison : trop d'expérience, 23 à 32 ans de carrière pour une cible de 10 à 20 ans. Le score ne voyait pas le problème parce que personne ne l'avait écrit : la scorecard contenait un plancher d'expérience, pas de plafond. Nous avons ajouté la fourchette, exclu les fonctions support et imposé un minimum d'années en industrie. Le responsable côté client a passé ses profils en revue en 10 à 15 minutes et a comparé l'exercice au briefing continu qu'il fait avec un cabinet de chasse. Le refus motivé a corrigé le critère, pas l'algorithme.
Questions fréquentes
La présélection automatique de CV est-elle légale ?
Elle est encadrée plutôt qu'interdite. Le RGPD (article 22) donne au candidat le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou significatifs. L'AI Act ajoute des obligations pour les systèmes à haut risque, dont le recrutement. Un tri qui classe et qu'un humain valide reste possible ; un rejet entièrement automatique expose l'employeur. Une relecture par un juriste est recommandée avant tout déploiement.
Un outil de scoring peut-il écarter un candidat ?
Techniquement oui, et c'est précisément ce qu'il faut éviter. Un bon outil classe les candidatures et laisse la décision d'écarter au recruteur, avec un motif enregistré. Si le fournisseur ne peut pas désactiver le rejet automatique, le risque réglementaire et le risque de passer à côté d'un bon profil se cumulent.
Comment auditer un outil de tri de CV ?
Prendre un poste déjà pourvu, donner le brief à l'outil et comparer sa shortlist avec les candidats réellement reçus en entretien et embauchés. Demander ensuite, pour trois profils écartés, la justification critère par critère. Si l'outil ne peut pas la produire, l'audit est terminé.
Où se situe Umamy
Nous avons construit le Dynamic Fit Score pour qu'il réponde à la question « pourquoi ce candidat ? » avant celle du délai. Le score se lit critère par critère, avec la preuve tirée du parcours, il se recalibre à chaque accept ou reject, et il ne retire jamais un profil de la liste. Umamy est basée à Paris et en cours de mise en conformité AI Act et RGPD. Pour voir comment le classement s'intègre à une chasse, la page sourcing par agents IA détaille le fonctionnement.
📄 Comprendre un scoring qui s'explique. Le livre blanc Hiring Graph et context enrichment : comment un système accumule du contexte sur votre entreprise au lieu de rester figé.
Le livre blanc Hiring Graph
Sources : Les talents narratifs, « IA et recrutement : un échec ? », 02/04/2026, citant Les Echos ; Apec, « IA et RH : le virage est déjà pris, l'accélération est à venir », 03/09/2026 ; Les talents narratifs, entretien avec Tania Ocana, 14/07/2026 ; Règlement (UE) 2016/679 (RGPD), article 22.
