Accueil›Blog›Tri de CV par IA : retour terrain et erreurs à éviter
Guide · 20 mai 2027 · Par Mehdi Rahmani

Tri de CV par IA. Retour terrain, biais à corriger, conformité à respecter.

Le tri de CV automatisé par IA est l'un des cas d'usage RH les plus prometteurs et les plus risqués. Prometteur car le gain de temps est massif. Risqué car c'est un usage classé à risque élevé par l'AI Act et particulièrement scruté par la CNIL. Voici un retour terrain honnête.

Pourquoi automatiser le tri de CV

Quand un poste attire 80-150 candidatures, le temps de tri devient le goulet d'étranglement du recrutement. Sur ce volume, le RH ou le manager passe en moyenne 1 à 2 minutes par CV en première lecture, soit 1,5 à 5 heures pour le premier filtrage. Insuffisant pour bien évaluer (un CV bien rédigé prend 4-5 minutes à parser), mais nécessaire pour tenir la cadence.

Conséquences observées :

L'agent IA résout le problème de bande passante. Bien fait, il n'aggrave pas les biais, il les rend explicites et corrigeables.

Ce que les ATS classiques font (et ne font pas)

Les ATS commerciaux (Greenhouse, Lever, Workable, SmartRecruiters) ont des fonctions de scoring CV depuis longtemps. La plupart utilisent du keyword matching basique :

Ça marche pour des postes très structurés (développeur Java avec 5 ans d'expérience), mais ça rate :

Plus problématique : les modèles propriétaires des ATS sont des boîtes noires. Vous ne pouvez pas auditer pourquoi un CV a été classé bas. Cet opaque devient un risque RGPD et AI Act.

Comment un agent IA fait mieux

Un agent IA basé sur un modèle open-weight (Mistral en français) lit chaque CV intégralement, en extrait les informations clés (expériences, compétences, formations, projets), et compare à votre fiche de poste structurée :

Étape 1 : Extraction. L'agent transforme le CV (PDF, Word, image) en données structurées : entreprises, postes, dates, technos utilisées, secteurs, taille des organisations.

Étape 2 : Compréhension contextuelle. Au lieu de matcher des mots-clés, l'agent comprend la pertinence : un commercial qui a fait 5 ans en SaaS B2B vs un commercial qui a fait 5 ans en grande distribution, ce n'est pas équivalent pour un poste B2B SaaS, l'agent le voit.

Étape 3 : Notation par critère. Le manager définit en amont les critères (compétences techniques, années d'expérience, secteur, langue, formation). L'agent note chaque CV sur chaque critère, et explicite la note. Pas de score opaque.

Étape 4 : Synthèse argumentée. Pour chaque candidat short-listé, l'agent produit un résumé en 3-5 lignes : qui c'est, ce qu'il a fait, pourquoi il match (ou pas), points à creuser en entretien.

Bénéfice : 100 CV triés en 15 minutes au lieu de 4 heures, avec une qualité supérieure car chaque CV a été lu intégralement.

Les biais les plus courants et comment les corriger

L'IA n'introduit pas de biais ex nihilo : elle reflète et amplifie ceux des données d'entrainement et des prompts. Voici les biais que nous avons observés sur les déploiements et comment les corriger.

Biais 1, Préférence pour les écoles prestigieuses. Les modèles open-weight ont vu plus de CV de Grandes Écoles dans leurs données d'entrainement. Sans correction, ils tendent à les surnoter. Correction : exclure explicitement le nom de l'école de la base de scoring (l'évaluation porte sur les compétences/expériences, pas sur l'école).

Biais 2, Préférence pour les profils linéaires. Les modèles préfèrent les parcours « propres » (3 ans dans une boîte, puis 4 ans dans une autre). Les profils discontinus (congé parental, reconversion, freelance) sont sous-notés. Correction : prompt explicite qui valorise les parcours non-linéaires comme un signal de résilience.

Biais 3, Préférence linguistique. Sur des modèles entrainés majoritairement en anglais, les CV très bien rédigés en anglais sont sur-notés vs des CV en français de qualité équivalente. Correction : utiliser Mistral plutôt que Llama pour les recrutements en France.

Biais 4, Anti-juniors. Sur les postes seniors, l'agent peut écarter à tort des juniors prometteurs avec un parcours atypique. Correction : si le critère « années d'expérience » est strict, l'expliciter dans la fiche de poste, sinon l'agent garde une diversité.

Biais 5, Effet de halo. Un CV qui matche très bien sur 1-2 critères peut être surnoté globalement, masquant des manques sur d'autres critères. Correction : noter strictement par critère, jamais en note globale unique.

Protocole d'audit : tous les 3 mois, échantillon de 50 décisions de classement, comparaison avec un humain, identification des écarts. Si écart >15%, recalibrage des prompts.

Conformité AI Act et RGPD

Le tri automatisé de CV est explicitement classé à risque élevé par l'AI Act (annexe III, point 4). Conséquences :

Documentation obligatoire : DPIA, description du système IA, métriques de performance, procédure de supervision humaine, logs d'audit (voir notre guide AI Act PME).

Supervision humaine effective : l'agent propose un classement, ne décide jamais. La décision finale d'inviter en entretien doit être humaine, pas un simple OK sur la liste de l'agent. Concrètement : le RH revoit la short-list, peut intégrer des candidats hors short-list, peut écarter des candidats short-listés.

Transparence vers les candidats : les CGV de candidature mentionnent l'usage d'une IA pour pré-sélection. Sur demande, le candidat peut connaître les critères généraux qui ont conduit à son classement.

Droit de recours : un candidat refusé peut demander un examen humain de sa candidature. Vous devez être en mesure de fournir cette revue dans un délai raisonnable.

Logs d'audit : chaque décision de classement est loggée avec les critères, la note, le résumé. Conservation 12-24 mois selon les pratiques RH.

Notre protocole de mise en production

Sur les déploiements tri de CV, voici notre protocole standard chez Coadjoint :

Phase 1 (semaine 1) : Audit fiche de poste et critères. Avec le RH et le manager du poste, on structure les critères de scoring. On exclut les critères discriminatoires (âge, sexe, origine, etc.). On documente les critères dans le DPIA.

Phase 2 (semaine 2) : Calibration sur historique. On prend les 50-100 derniers CV reçus sur des postes similaires, qui ont déjà été classés humainement. L'agent les classe à son tour. On compare. Si l'agent diverge fortement de l'humain, on ajuste les prompts.

Phase 3 (semaines 3-4) : Mode validation. Sur les nouveaux CV reçus, l'agent classe ET un humain valide. La validation est rapide (< 30 secondes par CV) car l'agent fournit une justification claire. On capitalise les corrections.

Phase 4 (semaine 5+) : Mode production. L'agent classe en autonomie. Le RH passe en revue la short-list (top 10-15) et peut intégrer/exclure manuellement. Audit mensuel sur 20 dossiers aléatoires.

Questions fréquentes

Combien de temps avant que l'agent classe aussi bien qu'un RH expérimenté ?

Sur les phases 1-2 (calibration), l'agent atteint typiquement 85-90% de concordance avec un RH expérimenté. À 4-6 semaines de production, la concordance monte à 92-95%. Le 5-8% restant n'est pas une erreur de l'agent : c'est souvent l'humain qui a tort (oublié un critère, jugement subjectif).

Si la CNIL me contrôle, que dois-je présenter ?

Le DPIA, la description technique du système, les métriques de performance, les logs d'audit, et la preuve que la décision finale reste humaine. Ces documents sont produits par Coadjoint au démarrage du projet et maintenus en cours d'exploitation.

Quel est le coût d'un déploiement tri de CV ?

Forfait L'Assistant à 4 990 € pour un volume modéré (< 100 CV/mois sur 1-3 postes). Pour des volumes plus élevés ou plusieurs équipes RH, Le Concierge à 9 990 €. La maintenance optionnelle inclut l'audit anti-biais.

Lire aussi

Vous voulez en parler ?

30 minutes au téléphone, sans engagement. Si on n'est pas le bon partenaire, on vous le dit.

Réserver un appel →