Entretiens d’embauche copilotés par l’IA

Objectif : copiloter, pas remplacer — Focus : équité, transparence, responsabilité.

Éthique & équité Transparence RGPD/GDPR Human‑in‑the‑loop Traçabilité

Maturité des outils

Élevée

ASR (FR)WER 7–10% Résumé> 90% pertinence Scoring explicableOK

Risque de biais

Sensible

Écart H/F≤ 5% visé 4/5th rule≥ 0.8 Driftsurveillé

Acceptabilité candidats

Variable

Opt‑out≤ 10% cible NPS≥ +40 Time‑to‑feedback≤ 5 j

Ouverture marché RH

Forte

Intégrations ATSGreenhouse, Lever… LanguesFR/EN/ES/DE RGPDcontrôles OK

Candidat — préparation assistée

Optimisation CV/portfolio (lisibilité, impact, mots‑clés)
Simulateur Q/R + feedback STAR/SOAR
Analyse d’adéquation profil ↔ fiche (cartographie compétences)

📈 Gain typique : ‑25% temps de préparation

Recruteur — outillage

Guide d’entretien structuré (critères observables)
Thésaurus de questions ciblées
Brief panel + check biais (primauté, halo, similarité)

🧪 Pilotes: +15% qualité des notes

Assistance temps réel

Transcription FR/EN + détection des thèmes
Suggestions de relance (pas de scoring occulte)
Timer & pacing pour respecter la grille

🎤 WER visée ≤ 10% (calme)

Qualité & garde‑fous

Étiquetage *faits vs interprétations*
Blocage analyses faciales intrusives
Purge audio + logs horodatés

🛡️ Traçabilité prompts/versions

Sorties & comparatifs

Compte‑rendu structuré + verbatims
Matrices multicritères (poids, ancrages)
Relectures pair + droit de réponse

🕒 ‑35% temps de synthèse

Feedback & amélioration

Feedback candidat (optionnel)
Tableau d’équité (écarts par groupe)
Suivi drift & recalibration prompts

📊 Qlté notes ≥ 80% factuelles

Modèle ROI (exemple 200 entretiens/mois)

Poste	Avant IA	Avec IA	Gain
Préparation (recruteur)	40 min	25 min	‑15 min
Conduite (panel)	60 min	60 min	=
Compte‑rendu	35 min	20 min	‑15 min
Total par entretien	135 min	105 min	‑30 min

➡️ 200 * 30 min = ‑100 h/mois (~2,5 ETP)

Coûts typiques

Licences copilote (utilisateur/mois)
ASR/stockage (à l’usage)
Intégration ATS/SIRH (setup)

⚖️ Break‑even souvent < 3 mois

Heatmap des risques (exemple)

Risque	Proba	Impact	Score	Remédiation
Biais de données	Élevée	Fort	9	Tests équité, ré‑échantillonnage
Déshumanisation	Moyenne	Fort	6	Rôle animateur, règles d’écoute
Score opaque	Moyenne	Fort	6	Explicabilité, critères publiés
Fuite données	Faible	Fort	3	Chiffrement, cloisonnement
Non‑conformité RGPD	Moyenne	Fort	6	Registre, DPA, purge

Top 5 biais observés

Similarité (clonage du profil interne)
Halo / Horn (jugement global hâtif)
Primauté / Récence (premier/dernier)
Affinité sociale (école, hobbies, accents)
Âge / genre (indirect via signaux)

🎯 Contre‑mesures : scorecards, verbatims, double regard.

Processus

Transparence + opt‑out documenté
Consentement granularisé (audio, métriques, feedback)
Panel mixte + ancrages comportementaux
Double validation & revue diversité

Technique & données

Pseudonymisation + chiffrement au repos/en transit
Contrats DPA + zones de données UE
Journal prompts/versions/inputs/outputs
Tests A/B d’équité et de robustesse

Cadre européen (AI Act — synthèse)

Point	Exigence clé	Implémentation
Catégorie	Recrutement = Haut risque	Registre, éval. conformité, gestion risques
Données	Qualité & pertinence	Sources traçables, minimisation, biais testés
Transparence	Infos claires aux utilisateurs	Disclosure, guide utilisateur, journal
Surveillance	Contrôle humain	Décision finale humaine, override possible
Documentation	Technique & usage	Fiche modèle, limites, logs

⚠️ Synthèse indicative; ne remplace pas un avis juridique.

Métriques d’équité (exemple)

Indicateur	Formule	Seuil	Ex.
Selection Rate Ratio	SR(minority)/SR(ref)	≥ 0.8	0.86
Écart score moyen	\|μA‑μB\|	≤ 5%	3.2%
False‑negative gap	FNR(A)‑FNR(B)	≈ 0	+1.1%
Calibration	Brier/NLL vs groupes	stable	OK

Plan de monitoring

Dash mensuel : écarts d’évaluation par offre/site
Alerte drift : distribution réponses vs historique
Revue trimestrielle : prompts & check‑list biais

🧭 RACI : RH (R), Data (A), Juridique (C), DPO (I)

Avant projet

Documenter finalités + seuils d’acceptation (KPI/NFR)
Registre de traitements + DPA fournisseurs
Cartographie données (sources, sensibilité, conservation)
Évaluer risques (AI Act) & plan de mitigation

Données

Minimisation & pseudonymisation
Qualité : bruit, doublons, représentativité
Jeux de test pour équité (groupes comparables)

En production

Transparence & consentement granularisé
Supervision humaine (override, review pair)
Traçabilité : prompts, versions, décisions, accès
Plan de purge automatique (période & exceptions)

Après coup

Rapport d’équité périodique (public interne)
Échantillonnage à froid pour audit
Programme d’amélioration continue

Scorecard type (poids & ancrages)

Critère	Poids	Ancrages (1↔4)	Preuves attendues
Technique (A)	35%	1: théorique • 4: maîtrise (projet réel)	Exemples, repo, tests
Résolution prob.	25%	1: flou • 4: démarche structurée	STAR, post‑mortem
Collaboration	20%	1: silo • 4: co‑construction	Récits équipe
Alignement valeurs	20%	1: décalage • 4: fit clair	“why us”

Disclosure court (entame d’entretien)

« Nous utilisons un assistant IA pour la transcription et la structuration des notes. Les décisions sont prises par des personnes humaines. Vous pouvez demander une entrevue sans IA, sans conséquence. »

Consentement granularisé

Canal	Opt‑in	Base légale	Rétention
Audio	Case à cocher	Consentement	30 j
Transcriptions	Case à cocher	Intérêt légitime	90 j
Feedback candidat	Case à cocher	Consentement	1 an

Mentions RGPD

Droits : accès, rectification, opposition, effacement
Contact DPO : dpo@votre‑domaine.tld
Transferts hors UE : interdits sauf clauses type
Politique purge & anonymisation documentée

RACI

RH (R) • DPO (A) • Juridique (C) • IT (I)

Grille STAR — modèle à copier

Situation	Tâche	Actions	Résultat (quantifié)
Contexte X, contrainte Y	Objectif Z	3–5 actions clés	+18% KPI, ‑20% coût

Portfolio

Page 1 : “Qui je suis + 3 projets phares” (une métrique)
Page 2 : “Méthodo & outils” (captures, repo)
Page 3 : “Impacts & leçons”

Radar compétences (SVG)

➡ Exemple : “Tech 3.2/4, Team 3.6/4”.

Critère	Poids	Ancrages 1‑4	Notes panel	Score pondéré
Technique	0.35	théorique → maîtrise	3, 3, 4	3.33×0.35 = 1.17
Résolution pb	0.25	flou → structuré	3, 4, 3	3.33×0.25 = 0.83
Collaboration	0.20	silo → co‑dev	4, 3, 3	3.33×0.20 = 0.67
Valeurs	0.20	décalé → fit	3, 4, 3	3.33×0.20 = 0.67
Total				3.33 / 4

Matrice candidats vs critères (ex.)

	C1 Tech	C2 Prob.	C3 Collab.	C4 Valeurs	Total
Alice	3.5	3.8	3.6	3.2	3.5
Bruno	3.2	3.1	3.9	3.6	3.5
Clara	3.8	3.5	3.5	3.1	3.5

Règles

Égalité : tie‑break sur “preuves”
Expliquer toute décision finale
Enregistrer les verbatims clés

RACI (exemple)

Tâche	R	A	C	I
Définir critères	Hiring manager	DRH	Équipe	Juridique
Conduite entretien	Panel	Hiring manager	RH	DPO
Synthèse & décision	Hiring manager	DRH	Panel	RH

Entretiens d’embauche copilotés par l’IA

Cas d’usage

Risques & garde‑fous

Check‑list éthique

Transparence & consentement

Kit candidat

Kit recruteur

Timeline 2025‑2030

Références & culture