L'IA en RH se déploie plus vite qu'elle ne se mesure

Le déploiement précède la cartographie

En matière de ressources humaines, la donnée se présente souvent déjà sous forme de texte: CV, comptes rendus d’entretien, évaluations annuelles. La barrière à l’entrée pour construire un prototype de matching ou de scoring est devenue très basse. On peut assembler un démonstrateur en quelques jours, sans avoir cartographié les usages existants. Les chiffres confirment cette adoption par le bas: 18 % des entreprises françaises de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2025, et 33 % des responsables RH utilisent des outils d’IA en 2026 [1]. Par ailleurs, 40 % des professionnels RH utilisent déjà régulièrement des solutions RH en SaaS pour gagner en fluidité [2].

Le problème n’est pas l’adoption elle-même. Le problème est l’écart entre la facilité d’intégration et la capacité à qualifier ce que le système fait, sur quelles données et avec quelle marge d’erreur. Dans de nombreuses organisations, le vrai sujet n’est pas technologique, mais organisationnel: il manque un cadre pour décider quoi automatiser et quoi garder sous contrôle [3].

Une famille d’usages, pas une technologie homogène

L’expression « IA en RH » recouvre des réalités sans commune mesure. Générer un compte rendu d’entretien annuel et filtrer automatiquement 800 candidatures relèvent tous deux de l’IA appliquée aux RH. Le premier est un gain de confort, le second engage la responsabilité de l’employeur [1]. Un logiciel qui classe les candidatures ne se traite donc pas comme un assistant qui reformule une offre d’emploi [4].

Cette distinction n’est pas un raffinement juridique. Elle commande l’architecture: un assistant qui rédige peut tolérer une incertitude élevée, un filtre qui rend certains CV invisibles ne le peut pas. Dès qu’un système effectue un profilage ou influence une décision d’embauche, d’évaluation ou d’affectation, il entre dans la logique de l’annexe III, point 4, de l’AI Act [4].

Le report de 2027 ne crée pas de vide juridique

Le règlement modificatif (UE) 2026/1744 a reporté au 2 décembre 2027 l’application des sections 1 à 3 du chapitre III pour les systèmes relevant de l’annexe III, dont le recrutement, le filtrage et l’évaluation des candidatures [4]. Mais ce report ne suspend pas tout. L’interdiction de la reconnaissance des émotions au travail et de la catégorisation biométrique, l’obligation de former les équipes à l’IA et l’obligation d’informer les personnes qu’elles interagissent avec une IA s’appliquent dès maintenant [1]. Un chatbot en contact avec les candidats doit donc être examiné au titre de l’article 50 sans attendre décembre 2027 [4].

Le report décale la date à laquelle les preuves devront exister. Il ne réduit pas le travail de fond. Un inventaire fiable des modules intégrés aux SIRH (Système d'Information des Ressources Humaines), ATS (Applicant tracking system) et outils d’évaluation doit être mené conjointement par les RH, la DSI et le juridique, sans exclure les plug-ins activés par défaut [5]. Attendre 2027 pour cartographier ses usages revient à découvrir ses systèmes le jour où il faut les documenter.

La boîte noire n’est pas seulement un risque juridique

Au-delà de la conformité, le risque est technique. Un algorithme entraîné sur des recrutements passés reproduit les biais historiques. Si les données d’apprentissage favorisaient un profil type, le modèle le perpétuera, même sans intention malveillante [3]. L’étude menée par Amazon sur son outil de recrutement reste l’exemple canonique d’un modèle qui discrimine sans que personne ne l’ait programmé pour cela [6].

Le biais ne vient pas seulement du modèle. Il vient aussi des données partielles. Absence d’information sur les candidats non préqualifiés, surreprésentation des profils ayant déjà réussi dans l’entreprise, effets de survivant: ces lacunes faussent les scores [6]. À cela s’ajoute l’incertitude statistique. Un score de compatibilité de 0,8 ne dit rien de sa fiabilité si le modèle n’a jamais rencontré un profil atypique. L’incertitude n’est pas un défaut résiduel du système. Elle en est une propriété. Un système de tri doit donc être mesuré, pas seulement déployé.

Gouvernance et ingénierie: le même combat

Dans une perspective d’architecture, la gouvernance n’est pas un frein administratif. Elle est un levier de mise en production. Inventaire des usages, qualification du risque, due diligence fournisseurs, supervision humaine, évaluation d’impact sur les droits fondamentaux: ces étapes s’apparentent à une ingénierie des exigences [5].

L’intelligence artificielle devient un sujet de gouvernance RH, et non plus un sujet réservé aux équipes informatiques ou d’innovation [7]. Les pratiques qui valent pour un pipeline de données valent aussi pour la GenAI appliquée aux RH. Contrats de données sur les champs d’entrée, tests de non-régression sur les sorties, observabilité sur la distribution des candidatures, seuils d’alerte sur la dérive des modèles. Pour un filtre de CV, un test de biais est une métrique de production au même titre que la latence. Sans ces indicateurs, le déploiement reste une promesse.

Ce que les décideurs doivent faire maintenant

Premièrement, cartographier sans délai les systèmes d’IA touchant l’emploi, y compris les fonctions activées dans les suites RH existantes. Chaque fonction doit être qualifiée séparément: aide rédactionnelle, recherche de candidats, classement, notation, recommandation salariale [4]. Deuxièmement, désigner un binôme RH-DSI et associer le juridique pour construire la due diligence fournisseurs: journaux, documentation technique, garanties de robustesse, clauses contractuelles [5]. Troisièmement, exiger une supervision humaine réelle: points de contrôle, possibilité de réversibilité, procédure d’escalade pour les cas limites. Quatrièmement, intégrer les métriques de risque algorithmique dans le tableau de bord: taux de faux positifs, calibration des scores, distribution des décisions par groupe protégé. Cinquièmement, former les équipes RH. C’est une obligation immédiate, mais c’est surtout la condition pour que la supervision ne soit pas un rituel vide [1]. Acheter un outil ne garantit pas que l’employeur restera simple déployeur s’il en transforme substantiellement l’usage [4].

La réponse à la question initiale est simple: aujourd’hui, l’IA en RH n’est pas mesurée et contrôlée à la hauteur du défi. Les outils se diffusent plus vite que les inventaires. Le report de 2027 offre une fenêtre pour construire les preuves, pas pour repousser la réflexion. Les organisations qui traiteront ce sujet comme un problème d’architecture, avec les mêmes exigences que pour la donnée de production, seront seules en mesure de déployer sans subir.