En bref : Les plateformes génériques de recrutement basées sur l'IA sont optimisées pour la rapidité et le volume, des critères inadaptés dans les secteurs réglementés où une erreur de recrutement entraîne une responsabilité réglementaire directe ; ce secteur a besoin de toute urgence d'une couche opérationnelle axée sur la conformité, conçue pour évaluer l'adéquation à un poste plutôt que pour analyser en masse les CV.
Le piège de la rapidité au cœur du recrutement basé sur l'IA
La promesse commerciale dominante de l'IA dans le domaine du recrutement porte principalement sur le débit : trier davantage de CV plus rapidement, réduire les délais de recrutement et diminuer le coût par candidature. Sur les marchés de recrutement généralistes, ces indicateurs ont une réelle valeur. En revanche, dans les secteurs des services financiers, du développement pharmaceutique, des technologies médicales (MedTech) et de la santé, ils constituent un objectif d'optimisation totalement inapproprié.
Les données de référence relatives aux délais de recrutement mettent en évidence cette inadéquation structurelle. Le secteur de l'information (la catégorie des indicateurs de recrutement DHI/BLS qui correspond le mieux aux services technologiques) affiche en moyenne environ 33 jours, contre environ 44,7 jours dans le secteur des services financiers et 49 jours dans celui de la santé (Données de référence fiables issues du secteur, tirées des indicateurs de recrutement du groupe DHI). Ces délais prolongés s'expliquent par le fait que les postes soumis à une réglementation exigent davantage qu'une simple adéquation des compétences ; ils nécessitent une vérification de la conformité aux normes réglementaires, qui ont une valeur juridique directe. Accélérer ce processus à l'aide d'outils d'IA génériques génère davantage de risques que de valeur ajoutée.
Les premières expériences d'Amazon en matière de recrutement assisté par l'IA ont mis en lumière cette dynamique en 2018. L'outil interne de recrutement basé sur l'IA d'Amazon Entraîné sur une décennie de CV historiques, il a appris à pénaliser les candidatures contenant le mot “ femmes ” et a finalement été abandonné lorsque l’entreprise a conclu que l’outil ne répondait pas aux normes de neutralité face aux préjugés qu’elle exigeait. Un système optimisé à partir de données historiques de traitement hérite de tous les biais structurels qui ont façonné cet historique, et dans les contextes réglementés, cet héritage s’accompagne de conséquences réglementaires.
Les cadres réglementaires imposent déjà un modèle de fonctionnement différent
Le paysage réglementaire du recrutement assisté par l'IA a considérablement évolué au cours des trois dernières années, et les cadres réglementaires actuellement en vigueur fixent des exigences telles que la plupart des plateformes commerciales, conçues pour des marchés généralistes à fort volume, se situent structurellement en deçà des normes de conformité requises par ces cadres.
La Commission américaine pour l'égalité des chances en matière d'emploi (EEOC) a publié recommandations techniques en mai 2022 sur l'utilisation des logiciels et des algorithmes au regard de la loi américaine sur les personnes handicapées (Americans with Disabilities Act, ADA), suivie en mai 2023 par Directives du Titre VII concernant les effets discriminatoires dans les processus de sélection basés sur l'IA. La règle des 4/5 s'applique ici : lorsque le taux de sélection d'un groupe protégé est inférieur à 80% de celui du groupe le plus sélectionné, l'existence d'un impact disparate est présumée. Les garanties fournies par les prestataires laissent aux employeurs l'entière responsabilité des résultats.
Cette responsabilité s'est concrétisée lors d'une action de l'EEOC en septembre 2023. L'affaire EEOC c. iTutorGroup Il s'agissait d'un logiciel qui rejetait automatiquement les candidatures des femmes âgées de 55 ans et plus et celles des hommes âgés de 60 ans et plus. L'accord à hauteur de $365 000 a été conclu après que les responsables régionaux de l'EEOC ont confirmé que l'agence continuerait à poursuivre des affaires similaires en vertu de la législation sur les droits civils, créant ainsi un précédent qui confère un poids particulier à l'application de la loi.
Les exigences juridictionnelles ne cessent de s'accumuler. Loi locale n° 144 de la ville de New York, qui porte sur les outils automatisés de prise de décision en matière d'emploi (AEDT), impose la réalisation d'audits annuels indépendants visant à détecter les biais ainsi que l'obligation d'informer les candidats à tout employeur utilisant de tels outils. Loi de l'Illinois sur les entretiens vidéo utilisant l'intelligence artificielle nécessite un consentement explicite et une information préalable pour l'analyse par IA d'entretiens vidéo. Loi de l'Union européenne (UE) sur l'IA, annexe III, point 4, sous-point a) classe l'IA utilisée pour le recrutement ou la sélection de personnes dans la catégorie « à haut risque », avec des obligations de conformité intégrales applicables à compter du 2 août 2026, et des sanctions pouvant atteindre 15 millions d'euros ou 3% du chiffre d'affaires annuel mondial. Prévisions de Gartner Les infractions à la réglementation en matière d'IA entraîneront une augmentation de 30% du nombre de litiges d'ici 2028.
Ce qu'offrent réellement les plateformes génériques : le bilan des audits d'ICO
En novembre 2024, le Bureau du commissaire à l'information (ICO) du Royaume-Uni a mené à bien une enquête sur les outils de recrutement basés sur l'IA, à l'issue de laquelle il a publié près de 300 recommandations auprès de plusieurs prestataires. Le résultats détaillés de l'audit ont mis en évidence une tendance récurrente : des outils permettant de filtrer les candidatures en fonction de caractéristiques protégées, des systèmes déduisant le genre et l'origine ethnique à partir des noms des candidats, et des données conservées indéfiniment au-delà des finalités initialement prévues.
Ces conclusions reflètent des choix de conception inhérents à l'architecture plutôt que des oublis fortuits. Les plateformes génériques de recrutement basées sur l'IA ont été conçues à grande échelle pour des marchés de masse. Leur architecture optimise la vitesse de classification et le débit de mise en correspondance ; les tests de biais, les pistes d'audit et les obligations de minimisation des données sont traités comme des éléments secondaires, quand ils font l'objet d'une attention quelconque.
Une analyse scientifique confirme cette tendance au niveau structurel. Raghavan, Barocas, Kleinberg et Levy (2020), après avoir passé au crible 18 fournisseurs commerciaux de solutions d’IA dédiées au recrutement dans le cadre d’une étude ACM FAT* (équité, responsabilité et transparence), a constaté que les affirmations relatives à l’atténuation des biais n’étaient étayées que par une documentation technique minimale dans les informations fournies par les fournisseurs, et qu’il existait des tensions fondamentales entre des définitions juridiques concurrentes de l’équité, que les systèmes d’IA ont structurellement du mal à satisfaire simultanément. Les implications vont au-delà des mauvais acteurs individuels : l’architecture sous-jacente à la plupart des IA commerciales dédiées au recrutement présente des limites inhérentes quant au respect des normes d’équité désormais exigées par les organismes de surveillance réglementaires du secteur.
La norme SMCR de la FCA : ce qu'implique réellement la vérification de l'aptitude professionnelle
Le régime de certification et de responsabilité des cadres supérieurs (SMCR) de l'Autorité de conduite financière (FCA) définit de la manière la plus explicite ce qu'implique un recrutement conforme dans un contexte réglementé. FCA : aptitude physique et bonne conduite (F&P) Cette évaluation repose sur trois piliers : l'honnêteté, l'intégrité et la réputation ; la compétence et les capacités ; et la solidité financière.
Le cadre « F&P » de la FCA existe précisément parce que les entreprises ont, à maintes reprises, considéré la vérification des diplômes comme un indicateur suffisant pour évaluer l’intégrité ; ce régime a été conçu pour combler cette lacune en exigeant des entreprises qu’elles ne se limitent pas aux qualifications déclarées, mais qu’elles examinent également l’honnêteté, l’intégrité et la solidité financière. C’est ce modèle opérationnel, qui privilégie les diplômes, que les plateformes d’IA génériques reproduisent par défaut. L’analyse des CV permet d’identifier les qualifications déclarées. La vérification de la réputation, l’historique des sanctions réglementaires et les évaluations de l’intégrité comportementale exigées par le SMCR relèvent d’un domaine que l’architecture de la plateforme contourne entièrement. Une plateforme qui accélère la mise en correspondance des qualifications tout en contournant l’évaluation de l’intégrité donne l’apparence d’un processus tout en ne traitant l’obligation réglementaire de fond qu’à un niveau superficiel.
Étude de la FCA sur l'IA dans le secteur des services financiers au Royaume-Uni, publié en janvier 2025, précise clairement l’orientation de l’autorité de régulation : les entreprises doivent démontrer l’explicabilité et le contrôle humain des systèmes d’IA à fort impact. Un moteur de sélection de candidats à haut débit produisant une liste classée avec des chemins décisionnels vérifiables limités ne répond pas à cette norme. Un système robuste stratégie de gestion des cadres dans les organisations soumises à une réglementation considère la couche de conformité comme une condition préalable plutôt que comme un élément supplémentaire.
Une architecture axée sur la conformité : la couche opérationnelle que la plupart des plateformes négligent
L'argument structurel en faveur d'un modèle de recrutement de cadres spécialisés conçu pour les secteurs réglementés repose sur un constat simple : les obligations de conformité dans ces secteurs nécessitent une architecture fondamentalement différente. L'ajout a posteriori de fonctionnalités de conformité à un outil axé sur le volume donne lieu à un outil de rapidité « teinté de conformité », qui conserve intacte l'exposition réglementaire initiale.
Les entreprises pharmaceutiques et du secteur des technologies médicales ont commencé à intégrer cette logique. Le cadre de gouvernance de Novartis en matière d'IA couvre explicitement les systèmes d'IA achetés et ceux fournis par des tiers, intègre la classification des risques prévue par la loi européenne sur l'IA et impose des exigences de transparence, d'explicabilité et de contrôle humain pour les outils d'IA déployés dans les fonctions RH. Ce cadre traduit la prise de conscience des entreprises que la responsabilité en matière d'IA au sein de la chaîne d'approvisionnement s'étend aux outils qu'une entreprise achète, au même titre que ceux qu'elle développe elle-même.
Perspectives de Gartner sur le recrutement de talents à l'horizon 2026 met en évidence une évolution connexe : dans les secteurs à enjeux élevés, notamment la finance et la santé, la pénurie de talents dotés de capacités cognitives vérifiées va stimuler la demande de plateformes d’évaluation spécialisées axées sur les capacités de raisonnement humain. L’architecture d’une plateforme générique, conçue pour évaluer en masse les taux de correspondance avec des mots-clés, génère une erreur de catégorie lorsqu’elle est appliquée à des postes exigeant un jugement vérifié dans un cadre réglementaire.
Paramètres par défaut des plateformes de recrutement basées sur l'IA vs. exigences des secteurs réglementés
| Dimension | Plateforme d'IA générique | Exigences applicables aux secteurs réglementés |
|---|---|---|
| Critère de sélection principal | Adéquation entre les mots-clés et les compétences et la description du poste | Évaluation de l'aptitude et de l'honorabilité réglementaires, y compris l'historique des sanctions et l'évaluation de l'intégrité (évaluation « Fit and Proper » de la FCA) |
| Référence relative au délai de recrutement | Optimisé pour la compression : secteur de l'information, environ 33 jours (indicateurs d'embauche DHI/BLS) | Des délais de recrutement structurellement plus longs de par leur nature : environ 44,7 jours dans les services financiers ; environ 49 jours dans le secteur de la santé (indicateurs de recrutement du groupe DHI via Workable) |
| Obligation réglementaire de conservation des documents | Conception minimaliste ; les données sont souvent conservées indéfiniment, selon les conclusions de l'audit de l'ICO (2024) | Pistes décisionnelles explicables et vérifiables requises en vertu des articles 12 et 19 de la loi européenne sur l'IA, attentes de la FCA et règles de l'EEOC relatives aux effets négatifs |
| Risque d'embauche inappropriée | Limites : coût de remplacement, perte de productivité, perturbation du fonctionnement de l'équipe | Effets en cascade : sanctions réglementaires, responsabilité du fait des produits, risques juridiques et atteinte à la réputation (affaire EEOC c. iTutorGroup : accord à l'amiable d'un montant de $365 000) |
| Profondeur d'évaluation type | Analyse de CV, attribution de mots-clés aux compétences et présélection automatisée ; allégations de réduction des biais étayées par une documentation technique minimale (Raghavan et al., 2020) | Vérification des fonctions et responsabilités (F&P) selon les trois piliers du SMCR, évaluation des compétences, vérification des antécédents réglementaires et cartographie de la responsabilité des cadres supérieurs |
Sources : Lignes directrices de la FCA sur l'adéquation et la conformité [5] ; Lignes directrices de l'EEOC sur l'IA au titre du Titre VII (2023) [2] ; Loi européenne sur l'IA, annexe III, point 4(a) [9] ; Résultats de l’audit de l’ICO sur le recrutement et l’IA (novembre 2024) [3][4] ; Indicateurs de recrutement du groupe DHI via Workable [17] ; Raghavan et al. (2020) [13].
Le modèle opérationnel axé sur la conformité se distingue du modèle générique sur trois points concrets. Premièrement, il fait précéder la vérification de l’adéquation par la mise en correspondance des qualifications : Piliers du SMCR, la vérification des sanctions et celle des antécédents réglementaires précèdent l’évaluation des compétences ; elles sont placées en premier dans la séquence, au lieu d’être menées en parallèle ou a posteriori. Deuxièmement, le système génère par conception des pistes d’audit des décisions, produisant ainsi la documentation relative à l’explicabilité que la loi européenne sur l’IA, l’ICO et la FCA considèrent comme une capacité fondamentale plutôt que comme un simple ajout. Troisièmement, il considère la profondeur de l’évaluation comme structurellement non négociable : un candidat au poste de directeur financier dans une entreprise réglementée par la FCA nécessite un profil d’évaluation nettement plus approfondi que les critères de référence en matière de recrutement de masse vers lesquels s’optimisent les plateformes génériques.
Ces trois différences architecturales se traduisent par des critères concrets d’évaluation des fournisseurs qu’un acheteur issu d’un secteur réglementé devrait appliquer avant de s’engager à utiliser un outil de recrutement basé sur l’IA. Concernant l’ordre de traitement : la question à poser à tout fournisseur est de savoir si la plateforme met en évidence l’historique des sanctions réglementaires avant de présenter une liste restreinte, ou seulement sur demande une fois que cette liste a déjà été établie. Une plateforme qui fournit d’abord la liste restreinte et ajoute les données de conformité a posteriori considère la vérification de l’aptitude comme un filtre plutôt que comme une condition préalable, ce qui va à l’encontre de la logique exigée par la FCA et les autorités de régulation équivalentes. Concernant les pistes d’audit : demandez si le système génère un enregistrement en temps réel et exportable de chaque signal de décision et de chaque pondération appliqués à chaque candidat, dans un format permettant à un contrôle de la FCA ou à une analyse d’impact négatif de l’EEOC de l’examiner ligne par ligne. Un système qui produit une liste classée avec une documentation limitée au niveau de la prise de décision ne répond pas à ce critère, quel que soit son score global aux tests de détection des biais. Concernant la profondeur de l’évaluation : la référence pertinente pour un directeur financier ou un directeur des risques au sein d’une entreprise réglementée par la FCA est la liste de contrôle « Fit and Proper » du SMCR, plutôt que le délai médian de pourvoi des postes dans le secteur technologique. Une plateforme dont la profondeur d’évaluation évolue en fonction du niveau hiérarchique du poste et de la juridiction réglementaire, plutôt que de rester constante pour tous les types de postes, se distingue sur le plan architectural d’une plateforme qui applique le même modèle de notation à chaque demande de recrutement. Il s’agit là de questions vérifiables, et les réponses permettent de distinguer les outils axés sur la conformité de ceux qui ne le sont pas.
Le calcul du coût d'une erreur de recrutement dans les contextes réglementés
Dans le cadre d’un recrutement commercial classique, une erreur de recrutement entraîne des coûts limités : frais de remplacement, perte de productivité et perturbation de l’équipe. Dans les secteurs réglementés, ces coûts subsistent mais deviennent secondaires par rapport à un risque plus grave. Un cadre supérieur qui ne respecte pas les normes FCA F&P après sa nomination expose l’entreprise qui l’a nommé à des sanctions réglementaires. Le recrutement d’un professionnel du secteur pharmaceutique dont les qualifications ont été vérifiées à un niveau inférieur à la norme requise engendre un risque en matière de responsabilité du fait des produits. Une nomination dans le secteur de la santé pour laquelle le dépistage des préjugés n’a pas respecté les seuils de conformité engendre un risque au titre de l’EEOC et de l’ADA dès le moment même de l’embauche.
La fonction de recrutement dans les secteurs réglementés s’inscrit donc au sein d’une chaîne de gestion des risques, et les outils qui y sont appliqués doivent être évalués à l’aune des normes de cette chaîne. Les plateformes d’IA génériques reposent sur une hypothèse implicite : le coût d’un recrutement inadapté est limité, récupérable et comparable d’un contexte à l’autre. Dans les secteurs réglementés, cette hypothèse est systématiquement infirmée. Le coût d’un recrutement inadapté entraîne des risques réglementaires, juridiques et de réputation d’une tout autre ampleur.
Le niveau opérationnel appliqué au recrutement de cadres dans les secteurs réglementés relève davantage d’une fonction de conformité que d’une plateforme de recrutement de masse. Les outils d’IA qui façonnent ce niveau doivent être évalués en fonction de la profondeur de la vérification de l’adéquation, de l’intégrité de la piste d’audit et de la conformité réglementaire, plutôt qu’en fonction d’indicateurs de rapidité. Le paysage juridique émergent du secteur, depuis l’application de la réglementation de l’EEOC jusqu’à la classification « à haut risque » prévue par la loi européenne sur l’IA, en passant par les exigences de la FCA en matière d’explicabilité, confirme que l’architecture axée sur la conformité représente la voie suivie par la réglementation plutôt qu’une option haut de gamme réservée aux acteurs peu enclins à prendre des risques.
Références
- EEOC. “ La loi américaine sur les personnes handicapées (Americans with Disabilities Act) et l’utilisation de logiciels, d’algorithmes et de l’intelligence artificielle pour évaluer les candidats à un emploi et les salariés ” (mai 2022). https://www.eeoc.gov/laws/guidance/americans-disabilities-act-and-use-software-algorithms-and-artificial-intelligence
- EEOC. “ Questions spécifiques : Évaluation de l’impact négatif des logiciels, des algorithmes et de l’intelligence artificielle utilisés dans les procédures de sélection à l’embauche au titre du Titre VII ” (mai 2023). https://www.eeoc.gov/laws/guidance/select-issues-assessing-adverse-impact-software-algorithms-and-artificial
- ICO. “ L'intervention de l'ICO concernant les outils de recrutement basés sur l'IA permet d'améliorer la protection des données des demandeurs d'emploi ” (novembre 2024). https://ico.org.uk/about-the-ico/media-centre/news-and-blogs/2024/11/ico-intervention-into-ai-recruitment-tools-leads-to-better-data-protection-for-job-seekers/
- ICO. “ Outils d'IA utilisés dans le recrutement : résultats de l'audit ” (novembre 2024). https://ico.org.uk/action-weve-taken/audits-and-overview-reports/2024/11/ai-tools-used-in-recruitment/
- FCA. “ Fitness and Propriety ”. https://www.fca.org.uk/firms/senior-managers-and-certification-regime/fitness-and-propriety-fp
- FCA. “ Régime applicable aux cadres supérieurs et à la certification ”. https://www.fca.org.uk/firms/senior-managers-certification-regime
- NYC DCWP. “ Outils automatisés d'aide à la prise de décision en matière d'emploi (loi locale n° 144) ”. https://www.nyc.gov/site/dca/about/automated-employment-decision-tools.page
- Assemblée générale de l'Illinois. “ Loi sur les entretiens vidéo assistés par l'intelligence artificielle ”. https://www.ilga.gov/legislation/ilcs/ilcs3.asp?ActID=4015&ChapterID=68
- Parlement européen et Conseil de l'UE. “ Règlement (UE) 2024/1689 — Loi sur l'intelligence artificielle ” (juin 2024). https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng
- Dastin, Jeffrey. “ Amazon abandonne un outil secret de recrutement basé sur l'IA qui faisait preuve de partialité à l'égard des femmes. ” Reuters, 10 octobre 2018. Accessible via MIT Technology Review : https://www.technologyreview.com/2018/10/10/139858/amazon-ditched-ai-recruitment-software-because-it-was-biased-against-women/
- Salle de presse de l'EEOC. “ iTutorGroup devra verser $365 000 pour régler un litige avec l'EEOC concernant une discrimination à l'embauche. ” https://www.eeoc.gov/newsroom/itutorgroup-pay-365000-settle-eeoc-discriminatory-hiring-suit
- Novartis AG. “ Notre engagement en faveur d'une utilisation éthique et responsable de l'intelligence artificielle ”. https://www.novartis.com/esg/ethics-risk-and-compliance/compliance/our-commitment-ethical-and-responsible-use-artificial-intelligence
- Raghavan, M., Barocas, S., Kleinberg, J. et Levy, K. “ Réduire les biais dans le recrutement algorithmique : évaluation des affirmations et des pratiques ”. ACM FAT* (2020). https://dl.acm.org/doi/pdf/10.1145/3351095.3372828
- Gartner. “ Gartner prévoit que les infractions à la réglementation en matière d’IA entraîneront une augmentation de 30 % des litiges juridiques pour les entreprises technologiques d’ici 2028 ” (octobre 2025). https://www.gartner.com/en/newsroom/press-releases/2025-10-06-gartner-predicts-ai-regulatory-violations-will-result-in-a-30-percent-increase-in-legal-disputes-for-tech-companies-by-2028
- Gartner. “ Selon Gartner, la révolution de l’IA et les pressions sur les coûts sont les deux moteurs des quatre principales tendances en matière de recrutement en 2026 ” (octobre 2025). https://www.gartner.com/en/newsroom/press-releases/2025-10-07-gartner-affirme-que-la-révolution-de-l’IA-et-les-pressions-sur-les-coûts-sont-les-deux-forces-qui-déterminent-les-quatre-principales-tendances-en-matière-de-recrutement-en-2026
- FCA. “ L'IA dans les services financiers au Royaume-Uni ” (janvier 2025). https://www.fca.org.uk/publications/research-notes/ai-uk-financial-services
- Workable. “ Quel est le délai moyen de recrutement par secteur d'activité ? ” https://resources.workable.com/stories-and-insights/time-to-hire-industry
