Recruter sans exclure avec les ATS, est-ce possible ?
Un ATS (Applicant Tracking System) est un logiciel de suivi des candidatures qui centralise les offres d'emploi, la réception des CV, le tri, la collaboration des recruteurs et la communication avec les candidats pour piloter tout le processus de recrutement, du sourcing au reporting, en conformité RGPD. A ce titre, le scoring et la logique mots-clés peuvent éliminer des candidats compétents. Comment sécuriser l’efficacité sans sacrifier l’inclusion, grâce à une approche compétences, des preuves de travail et une gouvernance assumée ?
Les ATS ont été adoptés pour absorber le volume, mais ils peuvent aussi écarter des candidats qualifiés qui ne parlent pas la “langue” des mots-clés, qui viennent de secteurs voisins, ou dont le parcours est atypique.
À l’heure où les candidats utilisent l’IA pour candidater à grande échelle, le recrutement devient une course à l’optimisation des signaux, parfois au détriment de la compétence réelle. Recruter sans exclure ne signifie pas renoncer au digital : cela signifie déplacer la décision vers des preuves, rendre le tri explicable, et maintenir une supervision humaine responsable.
Le CV peut-il devenir “illisible” pour les machines ?
Un ATS ne “comprend” pas un CV, il applique des règles de correspondance, souvent bâties autour d’intitulés, de mots-clés et de filtres. Dès que l’offre d’emploi est copiée-collée, trop exhaustive ou mal priorisée, l’outil cherche des signaux faibles dans un texte fort, puis transforme des “souhaitables” en barrières, avec un effet mécanique. Plus le poste est complexe, plus le tri devient simplificateur. SHRM décrit ce phénomène en soulignant que des candidats qualifiés peuvent être écartés lorsque les exigences et la logique de filtrage sont mal calibrées, notamment via des descriptions de poste imparfaites et des mots-clés mal choisis. (shrm.org)
Le phénomène s’amplifie depuis la généralisation de l’IA générative. Les candidats adaptent automatiquement leurs CV, parfois jusqu’à la sur-optimisation, tandis que les entreprises durcissent les filtres pour faire face à l’afflux. Harvard Business Review parle d’une embauche devenue plus bruyante et plus automatisée, créant une dynamique de “course à l’armement” qui dégrade l’expérience candidat lorsque l’on confond tri et évaluation. (Harvard Business Review)
Le biais n’est pas seulement éthique, il est opérationnel
Le risque n’est pas uniquement de produire de l’injustice, même si cette dimension est centrale. Il est aussi de dégrader la qualité du recrutement. Un tri trop corrélé au passé homogénéise des profils, réduit la diversité des parcours, et appauvrit le vivier, ce qui se traduit ensuite par davantage de difficultés de staffing, une moindre capacité d’innovation, et des erreurs de casting coûteuses. L’exemple d’Amazon, qui a abandonné un outil de scoring après avoir constaté des biais défavorables aux femmes, illustre une règle simple : un modèle apprend ce que l’organisation a fait hier, pas ce dont elle a besoin demain, et il le reproduit à grande échelle. (Reuters)
Les cadres de référence convergent vers la même exigence. Le risque algorithmique doit être piloté, documenté et surveillé. Le NIST, via son AI Risk Management Framework, insiste sur l’identification et la maîtrise des risques liés aux biais, aux impacts et au contexte d’usage, plutôt que sur une croyance naïve dans la neutralité de l’automatisation. (nvlpubs.nist.gov)
En Europe, l’AI Act classe comme “à haut risque” les systèmes d’IA utilisés pour le recrutement et la sélection, ce qui renforce l’obligation de gouvernance, de supervision humaine et de contrôle des effets. (ai-act-service-desk.ec.europa.eu)
Reprendre le contrôle, passer d’un tri de CV à un tri de preuves
La bascule la plus efficace consiste à considérer le CV comme un document de contexte, et non comme un juge, puis à introduire des preuves de travail. La première action, immédiatement opérationnelle, est de réécrire l’offre en distinguant l’indispensable du souhaitable, puis en décrivant ce que la personne devra produire dans les trois premiers mois : livrables attendus, situations de travail, interactions clés, contraintes réelles. Ce simple déplacement change tout, car il permet ensuite de configurer l’ATS sur des compétences et des familles de compétences, plutôt que sur des mots exacts, ce qui réduit mécaniquement l’exclusion des parcours voisins. (shrm.org)
La seconde action est d’intégrer une mise en situation courte, en fin de process, évaluée avec une grille standardisée. Ce n’est pas une “épreuve”, c’est un aperçu du travail réel. Un cas de priorisation, une réponse client, une mini-analyse, une courte production, un diagnostic d’irritant, selon le métier. Cette mise en situation réduit l’avantage indu des profils très “formatés entretien” et ouvre une voie aux reconversions et autodidactes, en rendant visibles des compétences transférables, sans demander au candidat de “traduire” son expérience dans le jargon exact du poste. (Harvard Business Review)
Une voie alternative pour les “presque retenus”
Le point le plus sous-estimé, et pourtant simple à déployer, consiste à créer une voie de rattrapage pour les candidats écartés par le scoring mais jugés proches. Au lieu de rejeter, vous proposez un mini-exercice de vingt à trente minutes, ciblé sur une compétence clé, uniquement pour un sous-ensemble de profils limites. Vous conservez ainsi l’efficacité du tri, tout en évitant la perte sèche de talents qui n’ont pas la bonne “signature” lexicale, et vous produisez une information beaucoup plus fiable qu’un mot-clé manquant.
Cette voie alternative est également un geste de marque employeur, car elle envoie un message très lisible. Dans votre structure, la compétence peut s’exprimer, même si le CV n’est pas parfaitement conforme. Dans le même esprit, expliciter le processus (étapes, critères évalués, délais, modalités de feedback) n’est plus un confort, c’est une stratégie de confiance. La CNIL rappelle, dans son guide du recrutement, les obligations liées au traitement des données “candidats”, ce qui implique des finalités claires, une minimisation des données et une information loyale. Et, dans un monde où l’IA participe à l’analyse ou au classement, cette transparence devient une condition de soutenabilité sociale du dispositif. (CNIL)
Gamifier l’évaluation avec sobriété
La gamification devient pertinente lorsqu’elle améliore la qualité de l’évaluation et l’expérience candidat, sans infantiliser. Concrètement, il s’agit de scénariser la mise en situation comme une mission courte : objectif clair, contraintes réalistes, progression, feedback. Vous pouvez proposer une mission “niveau 1” qui teste une compétence centrale, puis une mission “niveau 2” uniquement pour départager les finalistes. La grille est partagée, le candidat sait ce qui est attendu, et le feedback est systématique, ce qui réduit la frustration typique des processus opaques.
Dans un contexte RH, l’intérêt n’est pas de “mettre des points” et désigner un vainqueur. L’intérêt est de rendre la progression lisible, la décision explicable, et la compétence observable. Autrement dit, la touche gamifiée n’est pas un décor, c’est aujourd’hui une méthode pour déplacer le recrutement du récit vers la preuve, ce qui est précisément ce que l’ATS, seul, ne sait pas faire. (Harvard Business Review)
Gouvernance : l’outil ne doit jamais être le décideur
Recruter sans exclure exige une gouvernance explicite. L’ICO au Royaume-Uni a publié des recommandations à la suite d’interventions sur des outils de recrutement fondés sur l’IA, illustrant une montée claire des attentes en matière de protection des droits et d’encadrement des pratiques. (ico.org.uk)
En parallèle, la classification “haut risque” de l’AI Act pousse les organisations à documenter l’usage, à prévoir une supervision humaine, et à surveiller les effets. (ai-act-service-desk.ec.europa.eu)
Opérationnellement, cela signifie que les RH doivent exiger des fournisseurs une description claire des critères, des possibilités d’audit, des journaux d’activité, et des informations permettant de comprendre le rôle exact du scoring. Et, côté organisation, cela suppose un principe interne simple, l’ATS oriente, il n’exclut pas définitivement. La décision finale doit rester explicable et contestable, au moins en interne, faute de quoi l’outil devient un risque réputationnel autant qu’un risque juridique. (nvlpubs.nist.gov)
Mesurer des mots ou mesurer des capacités ?
Le débat sur les ATS est souvent caricatural, comme s’il fallait choisir entre efficacité et inclusion. En réalité, l’exclusion est un coût d’efficacité. Elle fait perdre des candidats compétents, homogénéise les recrutements, et fragilise la marque employeur. La voie d’avenir consiste à utiliser le digital pour gérer le volume, tout en déplaçant la décision vers des preuves de compétences, des mises en situation, une voie alternative pour les profils limites, et une supervision humaine réelle. (Harvard Business Review)
La question à poser dès le prochain recrutement est volontairement frontale : votre ATS mesure-t-il des mots, ou mesure-t-il des capacités ? Et que se passerait-il si vous ouvriez une voie alternative à ceux que la machine ne sait pas lire, non pas pour recruter plus, mais pour recruter mieux ?
_________________________________________________
Références et sources
Harvard Business Review, “AI Has Made Hiring Worse—But It Can Still Help” (2026). (Harvard Business Review)
SHRM, “Is Your Applicant Tracking System Hurting Your Recruiting Efforts?” (2022). (shrm.org)
Reuters, “Amazon scraps secret AI recruiting tool that showed bias against women” (2018). (Reuters)
NIST, “Artificial Intelligence Risk Management Framework (AI RMF 1.0)” (2023). (nvlpubs.nist.gov)
European Commission, AI Act Service Desk, Annex III (high-risk, emploi/recrutement). (ai-act-service-desk.ec.europa.eu)
CNIL, “Guide recrutement” (2023). (CNIL)
ICO, “ICO intervention into AI recruitment tools leads to better data protection for job seekers” (2024). (ico.org.uk)
