Score de matching IA : le mauvais outil

Non, et le problème n’est pas que le score soit faux : c’est qu’il ne se conteste pas. Un nombre ne dit pas ce qu’il a mesuré, donc un recruteur qui le trouve douteux n’a rien à opposer, et il finit par relire le CV lui-même, ce qui annule le gain censé justifier l’outil.

L’argument est habituellement traité comme une préoccupation éthique. Il est d’abord opérationnel : 75 % des entreprises laissent aujourd’hui une IA rejeter une candidature sans qu’aucune personne ne l’ait relue, et 57 % de ces mêmes entreprises citent l’écartement de candidats qualifiés comme l’un de leurs principaux risques. Elles décrivent un outil auquel elles délèguent une décision qu’elles ne savent pas vérifier.

Ce qu’un score de 87 % ne dit pas

Il ne dit pas ce qui a produit les 87. Une expérience réellement pertinente, un mot-clé bien placé par un candidat qui a compris le système, ou une variable corrélée à l’âge ou au lieu de résidence : les trois donnent le même nombre, et rien dans l’interface ne les distingue.

Il ne dit pas non plus ce qui manque, ce qui est pourtant l’information la plus utile à un chargé de recrutement. Savoir qu’un profil est à 87 ne vous apprend rien sur ce qu’il faudrait vérifier pendant l’entretien, alors que savoir qu’il a huit ans sur la bonne technologie mais aucune trace de la contrainte réglementaire du client vous donne votre première question.

Il ne dit rien, enfin, de ce que l’outil n’a pas pu regarder. Un CV muet sur un sujet et un CV qui contredit l’exigence produisent des scores proches, alors que l’un demande un appel de dix minutes et l’autre une réponse négative. Cette confusion entre l’absence d’information et l’information négative est la faiblesse la plus coûteuse du modèle par score, et elle est invisible tant qu’on regarde le classement plutôt que les dossiers.

Pourquoi le score s’est imposé quand même

Parce qu’il se démontre bien. Un chiffre unique tient dans une colonne, se trie, se met en graphique et se présente en réunion, tandis qu’un paragraphe d’explication demande de la place à l’écran et du temps de lecture. La contrainte d’interface a décidé de la forme du produit, et personne n’a vraiment décidé qu’un rejet devait tenir en deux chiffres.

Il y a une raison plus honnête, qu’il faut reconnaître. Devant plusieurs centaines de candidatures pour un poste, dont une part croissante est générée automatiquement, un recruteur a besoin d’un ordre de lecture. Le besoin est réel, et la boucle où les deux camps s’équipent d’IA a rendu le volume ingérable plus vite que les outils n’ont su y répondre.

Sauf que le besoin est celui d’un ordre de lecture, pas celui d’un verdict. Le glissement de l’un à l’autre s’est fait sans discussion, essentiellement parce qu’un outil qui classe et un outil qui écarte se ressemblent beaucoup à l’écran et ne se ressemblent pas du tout au tribunal.

Ce que le classement fait mieux que la note

Un classement assume qu’il sera lu. Il ordonne une liste que quelqu’un va parcourir, et la personne qui la parcourt peut décider à la troisième ligne que l’ordre est mauvais, remonter un dossier, écarter le premier. Le score, lui, est construit pour éviter la lecture, et c’est précisément ce qu’on lui demande quand on branche un seuil dessus.

La différence se voit dans le vocabulaire, ce qui n’est pas anodin. Nous écrivons qu’un agent classe et explique, jamais qu’il trie, écarte ou sélectionne, parce que le verbe finit toujours par déteindre sur le produit. Une équipe qui dit « l’outil écarte » finira par construire un outil qui écarte, et la limite se sera perdue dans une réunion de conception avant de se perdre dans le code.

Ce que nous affichons à côté de chaque profil est donc une phrase, pas un nombre : ce qui a été trouvé, ce qui manque, ce qui n’a pas pu être vérifié. C’est plus lourd à lire qu’un pourcentage, et c’est la seule forme qu’un recruteur peut contredire, ce qui est la définition même d’un outil dont on peut se servir.

Le moment où un chiffre devient un fait juridique

L’affaire Mobley contre Workday est la démonstration la plus nette de ce que coûte une décision qu’on ne sait pas expliquer. Le 17 février 2026, le tribunal fédéral du district nord de Californie a autorisé la notification d’une action collective ouverte à toute personne de plus de quarante ans dont la candidature a été traitée par la plateforme depuis septembre 2020.

L’élément qui a fait basculer le dossier mérite d’être retenu par quiconque déploie un outil de tri. Les plaignants ont fait valoir que les rejets arrivaient quelques minutes après la candidature, donc trop vite pour qu’une personne ait pu lire quoi que ce soit. L’horodatage est devenu la preuve, sans qu’il soit besoin d’ouvrir le modèle.

La conséquence pratique est simple à formuler. Le jour où une décision est contestée, vous devez pouvoir montrer ce qui a été évalué et par qui elle a été prise, et un score de 87 % ne répond à aucune des deux questions. C’est la raison pour laquelle la ligne de validation se place sur ce qui sort de l’entreprise, y compris et surtout sur un refus.

Ce que les candidats en font, et pourquoi ça vous concerne

Seuls 26 % des candidats font confiance à une IA pour les évaluer équitablement, sur une enquête de 2 950 réponses menée en 2026, et 67 % se disent mal à l’aise devant un processus mené par une IA. Ces chiffres sont habituellement lus comme un problème d’image, ce qui est une erreur d’appréciation dans un marché où les profils recherchés choisissent.

Le comportement suit la défiance, et c’est là que ça devient un coût. Un candidat qui suppose qu’une machine lit son dossier écrit pour la machine, ce qui dégrade la qualité de l’information que vous recevez, et vous répondez à cette dégradation en durcissant l’outil de tri. La spirale est connue, et personne n’en sort en ajoutant une couche.

L’explication écrite casse la spirale à un endroit précis. Un refus qui dit ce qui manquait est un refus qu’un candidat comprend, sur lequel il ne revient pas, et qui n’alimente pas la conviction générale que le processus est arbitraire. C’est aussi, accessoirement, ce qui vous permet de recontacter la même personne dans six mois sans repartir de zéro.

Comment vérifier un outil en dix minutes

Demandez à voir un profil mal noté, pas un profil bien noté. Une démonstration se construit toujours autour d’un excellent candidat qui obtient 94 %, alors que la valeur d’un outil se juge sur ce qu’il dit d’un dossier moyen, celui que vous auriez hésité à appeler.

Exigez ensuite les raisons de la note, en niveau de détail utilisable. « Compétences techniques : 8/10 » n’est pas une raison, c’est le même score découpé en morceaux, et la question suivante permet de le vérifier : demandez ce qui aurait changé la note. Un outil qui sait répondre sait ce qu’il mesure ; un outil qui hésite a un modèle qui produit un nombre plausible sans savoir d’où il vient.

Posez enfin la question du seuil. Existe-t-il une valeur en dessous de laquelle une candidature disparaît de l’écran, qui l’a fixée, et où est-ce écrit ? Si ce seuil existe et qu’il est modifiable par un utilisateur sans traçabilité, l’outil laisse n’importe qui décider seul du niveau à partir duquel on cesse de regarder les gens. La question suivante, une fois l’outil choisi, est celle de ce qu’il ne doit tout simplement pas pouvoir faire.