Les tests de recrutement se multiplient dans les processus de sélection : mises en situation, questionnaires de personnalité, exercices techniques, scoring algorithmique. Chaque étape ajoutée promet plus d’objectivité. Le problème, c’est que ces outils embarquent leurs propres biais de sélection, parfois plus difficiles à détecter que l’intuition d’un recruteur en entretien.
Ce que l’AI Act change pour les tests de recrutement en France
La plupart des articles sur les biais de recrutement se concentrent sur les raccourcis psychologiques du recruteur. Ils passent à côté d’un virage réglementaire qui redéfinit les règles du jeu pour les outils de sélection eux-mêmes.
Le règlement européen sur l’intelligence artificielle (AI Act) classe les systèmes d’IA utilisés pour le recrutement et l’évaluation des candidats parmi les systèmes à haut risque. Cette classification entraîne des exigences de supervision humaine, de traçabilité et de documentation des tests de biais, applicables progressivement à partir de 2026 pour les outils RH.
Concrètement, les employeurs qui utilisent un ATS doté de fonctions de scoring ou de tri automatisé devront auditer leurs éditeurs. Il faudra vérifier la documentation sur les données d’entraînement, les tests de biais réalisés par le fournisseur, le marquage CE et la localisation des données.
L’obligation de tenir des journaux d’utilisation de ces outils, avec des durées minimales de conservation, vise à permettre la démonstration de l’absence de discrimination en cas de contrôle ou de litige. Un recruteur qui s’appuie sur un algorithme sans pouvoir expliquer ses critères de sélection s’expose à un risque juridique réel.
Biais algorithmiques dans les outils de sélection : un angle mort persistant
Un outil de recrutement n’est pas neutre parce qu’il est technique. Les algorithmes de présélection reproduisent les schémas présents dans leurs données d’entraînement. Si les profils historiquement recrutés sont homogènes (même école, même parcours, même tranche d’âge), l’outil apprend à favoriser ces profils et à pénaliser les autres.
Ce mécanisme est documenté. Des analyses montrent que l’IA peut amplifier les biais humains plutôt que les corriger, en particulier lorsque les données d’entraînement reflètent des pratiques de sélection déjà biaisées.
Trois points de vigilance sur un outil algorithmique
- Les critères de scoring sont-ils explicites et documentés par l’éditeur, ou le recruteur utilise-t-il une boîte noire dont il ne peut pas justifier les résultats auprès d’un candidat écarté ?
- Les données d’entraînement ont-elles fait l’objet d’un test de biais avant déploiement ? Un éditeur sérieux fournit cette documentation sans qu’on ait besoin de la réclamer.
- Le processus prévoit-il une revue humaine systématique des candidats écartés par l’algorithme ? Sans ce filet, des profils pertinents mais atypiques disparaissent avant même d’être lus.
La difficulté, c’est que beaucoup de recruteurs considèrent l’outil comme une garantie d’objectivité. Un ATS biaisé produit une short-list biaisée avec une apparence de rigueur, ce qui rend le problème plus difficile à repérer qu’un simple « feeling » en entretien.
Tests de personnalité et recrutement : les erreurs qui faussent l’évaluation
Les tests de personnalité occupent une place croissante dans les processus de sélection. Ils sont présentés comme un moyen d’objectiver l’évaluation des candidats au-delà du CV et de l’entretien. En pratique, leur fiabilité dépend de plusieurs facteurs que les recruteurs sous-estiment.
Premier problème : le choix du test lui-même conditionne les profils retenus. Un questionnaire conçu et étalonné sur une population managériale occidentale ne mesure pas la même chose lorsqu’il est administré à un développeur junior ou à un profil issu d’un parcours atypique. Le biais est intégré dans la conception de l’outil, pas dans l’interprétation du recruteur.
Deuxième problème : l’interprétation. Un score de personnalité sorti de son contexte devient un critère de sélection arbitraire. Écarter un candidat parce qu’il obtient un résultat « faible » sur une dimension d’extraversion pour un poste qui n’exige pas de contact client, c’est transformer un indicateur descriptif en filtre éliminatoire sans fondement.
Conditions d’utilisation qui limitent les biais
Le test doit être administré dans des conditions identiques pour tous les candidats. Le même test, au même stade du processus, avec les mêmes consignes. Cette standardisation paraît évidente, mais les retours terrain divergent sur ce point : des candidats passent le test chez eux sans limite de temps, d’autres en salle avec un chronomètre.
Les résultats doivent être croisés avec d’autres données d’évaluation (entretien structuré, mise en situation, références) et jamais utilisés comme unique critère de décision. Un test de personnalité éclaire un profil, il ne le qualifie pas.
Structurer le processus d’évaluation pour réduire les biais de sélection
Les biais cognitifs du recruteur (effet de halo, biais de confirmation, biais de similarité) sont largement documentés. La question pertinente n’est plus de les lister, mais de comprendre quels choix de processus les neutralisent réellement.
L’entretien structuré reste la méthode la mieux étayée. Le principe : poser les mêmes questions à tous les candidats, dans le même ordre, avec une grille d’évaluation définie avant les entretiens. Chaque réponse est notée sur des critères explicites liés aux compétences requises pour le poste.
- Définir les critères d’évaluation avant de publier l’offre, pas après avoir vu les premiers CV. Cela empêche d’ajuster inconsciemment les exigences au profil du candidat préféré.
- Impliquer plusieurs évaluateurs qui notent indépendamment, puis confrontent leurs évaluations. Un biais individuel pèse moins quand la décision est collective et documentée.
- Anonymiser les CV à l’étape de présélection pour neutraliser les biais liés au nom, à l’âge, au genre ou à l’école. Cette pratique reste peu adoptée malgré son efficacité démontrée sur la diversité des profils retenus.
- Consigner les motifs de refus pour chaque candidat écarté. Ce journal sert à la fois d’outil d’amélioration interne et de preuve en cas de contestation.
Un processus traçable protège autant le candidat que l’employeur. Avec l’entrée en application progressive de l’AI Act, cette traçabilité passera du statut de bonne pratique à celui d’obligation pour les entreprises utilisant des outils de sélection automatisés.
La réduction des biais de sélection ne repose pas sur un outil miracle ni sur la seule bonne volonté du recruteur. Elle tient à la rigueur du processus, à la transparence des critères et à la capacité de l’entreprise à documenter ses décisions. Les organisations qui anticipent les exigences réglementaires sur ce terrain auront un avantage concret : des recrutements plus défendables juridiquement et des viviers de candidats réellement diversifiés.
