Automatiser le tri de candidatures sans discriminer

En bref. Le tri automatisé de CV est autorisé uniquement s'il ne se fonde pas sur des critères protégés (âge, sexe, origine, handicap, etc.) et s'il reste explicable et contrôlable par un humain. En pratique, cela signifie limiter l'algorithme à des variables purement professionnelles (compétences, expériences, formations) et prévoir une revue manuelle des décisions.

Un cas concret observé en réunion

Lors de la réunion du comité de pilotage du 3 avril, la DRH a présenté le tableau de suivi des candidatures pour un poste de chargé de clientèle dans une filiale régionale. Le fichier Excel contenait 312 lignes, chacune associée à un score calculé par un petit script Python qui prenait en compte l’ancienneté, le nombre de formations certifiantes et le lieu de résidence. Le responsable RH a demandé si ce score pouvait être utilisé pour écarter automatiquement les cinquante premiers candidats sans entretien. Cette question a immédiatement soulevé le point de savoir quelles données entraient dans le calcul et si certaines d’entre elles pouvaient être considérées comme discriminatoires.

Ce que la loi interdit exactement

Le Code du travail, notamment les articles L1132-1 et suivants, prohibe toute distinction fondée sur l’origine, le sexe, les mœurs, l’orientation sexuelle, l’âge, la situation de famille, les caractéristiques génétiques, l’appartenance à une ethnie, une nation, une race, les opinions politiques, les activités syndicales, les convictions religieuses, l’apparence physique, le nom de famille ou le handicap. Toute décision de recrutement qui s’appuie, même partiellement, sur l’un de ces critères est considérée comme discriminatoire et expose l’entreprise à des sanctions civiles et pénales. L’interdiction s’applique aussi bien aux décisions prises directement par un recruteur qu’à celles issues d’un outil automatisé.

Ce qui reste possible dans le cadre légal

La loi autorise l’utilisation de critères liés directement à la capacité d’exercer le poste : diplômes requis, expériences professionnelles spécifiques, compétences techniques mesurables, résultats de tests d’aptitude pertinents, mobilité géographique lorsqu’elle est justifiée par les besoins du poste, et disponibilité. Ces éléments peuvent être traités par un algorithme tant qu’ils sont objectifs, vérifiables et ne remplacent pas l’appréciation humaine finale. Le recours à un scoring purement basé sur ces facteurs demeure donc permissible, à condition de garder une étape de vérification manuelle avant toute décision définitive.

Critère autorisé	Critère interdit
Diplôme requis pour le poste	Âge du candidat
Nombre d’années d’expérience dans un secteur donné	Origine ethnique ou nationale
Score à un test de compétence technique	Situation de famille ou nombre d’enfants
Disponibilité pour travailler en horaires décalés	Appartenance syndicale
Mobilité géographique compatible avec le lieu de travail	Apparence physique ou nom de famille

Exemple d’outil à éviter et pourquoi

Utiliser un modèle de langage généraliste tel que GPT-4o ou Mistral pour générer un « score de fit culturel » à partir du texte libre du CV constitue une pratique à proscrire. Ces modèles, entraînés sur des corpus variés, peuvent reproduire des corrélations statistiques entre certaines tournures de phrase et des caractéristiques protégées (âge, origine, genre) sans que l’utilisateur en ait conscience. Le risque est alors de produire un classement qui, bien que présenté comme purement professionnel, intègre en réalité des biais discriminatoires. Sans audit préalable et sans mécanisme de correction, l’usage direct d’un tel modèle pour filtrer des candidatures expose l’entreprise à une violation du principe de non‑discrimination.

Comment mettre en place un tri sûr avec des outils courants

Une approche réaliste consiste à automatiser uniquement l’extraction de données structurées déjà présentes dans le CV ou le CRM, puis à appliquer un règle de calcul simple et transparente. Par exemple, on peut utiliser n8n ou Make pour récupérer les champs « date d’obtention du diplôme », « années d’expérience dans le secteur » et « résultat du test technique » depuis un ATS ou un fichier Excel hébergé sur SharePoint. Un petit script JavaScript dans le workflow calcule ensuite un score pondéré (par exemple, 0,4 × diplôme + 0,4 × expérience + 0,2 × test). Le résultat est renvoyé vers une feuille de calcul où un responsable RH examine les vingt meilleurs scores avant de décider d’un entretien. Cette chaîne demeure explicite, chaque étape pouvant être documentée et audité.

Bonnes pratiques de gouvernance et de contrôle

Pour garantir la conformité sur le long terme, il convient de formaliser un registre des traitements automatisés dédié au recrutement, en y décrivant les sources de données, les critères utilisés, la logique de scoring et les personnes responsables de la revue humaine. Un audit annuel, réalisé idéalement par le DPO ou un consultant externe, doit vérifier qu’aucun champ introduit ne renseigne indirectement sur un critère protégé (par exemple, la date de naissance déduite de l’année d’obtention du diplôme). Enfin, former les équipes RH à lire les rapports d’activité des outils d’automatisation permet de détecter rapidement toute dérive et d’ajuster les paramètres avant qu’une décision ne soit prise.

La prochaine étape consiste à cartographier les données réellement utilisées dans votre processus de recrutement et à vérifier qu’aucun champ ne contient d’information protégée, puis à définir une règle de scoring fondée uniquement sur des critères professionnels vérifiables.

Questions fréquentes

Puis-je utiliser un outil d’IA pour lire les compétences mentionnées dans un CV ?

Oui, à condition que l’outil se limite à extraire des informations objectives (intitulés de poste, dates, certifications, langages de programmation) et ne tente pas d’inférer des caractéristiques personnelles telles que l’âge ou l’origine. L’extraction doit être suivie d’une vérification manuelle pour éviter les erreurs d’interprétation.

Est‑ce que le lieu de résidence peut être utilisé comme critère de tri ?

Le lieu de résidence est autorisé uniquement lorsqu’il est directement lié à une exigence du poste, par exemple une nécessité de présence sur un site spécifique ou une contrainte de mobilité géographique justifiée par l’activité. Dans les autres cas, son utilisation peut constituer une discrimination indirecte fondée sur l’origine ou la situation de famille.

Comment prouver que mon algorithme ne reproduit pas de biais ?

Il faut réaliser une analyse d’impact préalable : comparer la répartition des scores entre différents groupes (âge, sexe, origine) à l’aide d’un jeu de données représentatif et vérifier l’absence de disparité statistiquement significative. Cette analyse doit être documentée et renouvelée à chaque modification majeure du modèle ou des données d’entrée.

Dois-je consulter le DPO avant de déployer un système de tri automatisé ?

Oui. Le délégué à la protection des données doit être informé dès la conception du traitement, car le tri de CV implique des données personnelles sensibles. Le DPO pourra vérifier la licéité du traitement, la proportionnalité des critères utilisés et la mise en place des mesures de sécurité appropriées.