Comment la présélection de CV par IA réduit le délai d’embauche sans masquer les biais

Un recruteur qui passe en revue 300 CV pour un poste de développeur backend y consacre environ 23 heures avant qu’un seul entretien ne soit planifié. Automatiser cette étape est facile. L’automatiser sans reproduire discrètement les habitudes de recrutement d’hier, c’est là toute la difficulté.

Le vrai coût d’une présélection lente

Chez douze clients de la bêta d’EvalCV, le délai médian entre la candidature et le premier entretien était de 11 jours ouvrés. L’essentiel de ce temps n’était que de l’attente : des CV qui patientaient jusqu’à ce que quelqu’un ait assez de contexte pour les lire correctement. Les bons candidats attendent rarement aussi longtemps. Au huitième jour, un tiers des candidats présélectionnés avaient déjà accepté un autre processus.

Où se cachent les biais dans la présélection automatisée

La plupart des outils de présélection apprennent à partir des décisions de recrutement passées. Si ces décisions favorisaient certaines universités, certains codes postaux ou certains types de parcours, le modèle apprend à les favoriser aussi, et présente le résultat comme un chiffre objectif.

Le problème, ce sont les proxies, pas le modèle

Les noms et les photos sont évidents. Les trous dans un parcours, les années de diplôme et les adresses personnelles le sont moins, mais ils sont tout aussi fortement corrélés à des caractéristiques protégées. EvalCV les retire avant l’évaluation et consigne qu’il l’a fait.

« Un score que personne ne sait expliquer n’est qu’une façon plus rapide de refaire les mêmes erreurs. »

Des scores que l’on peut expliquer

Plutôt que de s’entraîner sur les résultats passés, EvalCV évalue chaque CV uniquement par rapport aux critères rédigés dans l’offre d’emploi. Chaque point du score correspond à un critère et à une ligne de preuve citée dans le CV.

Dans le portail recruteur, le détail du score liste chaque critère avec la phrase du CV qui le satisfait. Les recruteurs peuvent passer d’un chiffre aux mots qui le justifient, et le contester s’ils le souhaitent.

Ce que renvoie l’API

Les mêmes preuves sont disponibles par programmation, afin que les équipes qui branchent EvalCV à leur ATS puissent aussi les montrer aux managers recruteurs.

POST /v1/score
{ "job_id": "job_8f2c41", "cv_id": "cv_31d0a7" }

200 OK
{
  "score": 78,
  "matched": ["Spring Boot", "PostgreSQL", "5+ years backend"],
  "missing": ["Kubernetes in production"],
  "evidence": [{
    "requirement": "Spring Boot",
    "quote": "Led migration of 14 services to Spring Boot 3"
  }],
  "excluded_signals": ["name", "photo", "date_of_birth", "address"]
}

La liste des signaux exclus

Le champ excluded_signals est destiné aux auditeurs. Il indique quels champs ont été retirés avant que le modèle ne voie le CV, à chaque requête sans exception.

Mesurer honnêtement le délai d’embauche

Au bout de huit semaines, le délai médian avant le premier entretien est passé de 11 à 4 jours ouvrés. Plus parlant encore : la part de candidats issus de parcours atypiques parmi les personnes reçues en entretien a légèrement augmenté au lieu de baisser, ce qui est l’inverse de ce que nous craignions.

Essayez-le sur vos propres postes. La formule gratuite d’EvalCV vous permet d’évaluer des CV par rapport à une offre d’emploi réelle. Les formules et leurs limites sont présentées sur evalcv.com.

Ce que nous ferions autrement

Nous avons livré l’évaluation avant la vue des preuves. Les recruteurs ont fait moins confiance aux chiffres durant ces premières semaines, et ils avaient raison. La prochaine fois, l’explication sera livrée en premier.