Les progrès de l’intelligence artificielle appliquée au recrutement nous invitent à nous interroger sur la validité scientifique des approches dites de recrutement prédictif et la possibilité effective de prédéterminer un niveau d’adéquation entre un profil-cible et une personne donnée.

Peut-on prédire le succès ?

Des solutions de recrutement dit prédictif se développent, promettant de faire « matcher » le besoin exprimé par un recruteur avec un candidat, à partir de critères fondés sur les caractéristiques d’un profil optimal. Basées sur des tests psychométriques, ces solutions permettraient de réduire le turnover de 30 % en moyenne selon la société spécialisée Assessfirst.

L’appariement est un “bien d’expérience”

Or, des chercheurs comme Yannick Fondeur nous rappellent qu’il est très difficile de prédire la qualité d’un candidat a priori. En effet, selon lui, l’appariement est un « bien d’expérience », dont on ne peut éprouver la valeur qu’en le testant, à la fois côté candidat et côté employeur.

« Pour vérifier la motivation d’un candidat, on n’a rien trouvé de mieux que la période d’essai, le CDD, l’intérim de pré-embauche, la réembauche, le débauchage de personnes avec lesquelles on travaille dans un autre cadre, par exemple en mode client/fournisseur avec une SSII.

Des tests de recrutement prédictif sont proposés. Je n’ai pas vu d’étude scientifique montrant l’impact fort et la validité du caractère prédictif de cet appariement, sur le plan des compétences sociales, de l’adaptabilité, de la motivation. »

Yannick Fondeur, chercheur en sciences sociales et directeur de l’UR « Marchés du travail, Entreprises, Trajectoires » au Centre d’étude de l’emploi

Des incertitudes irréductibles

« Malgré tous les atours scientifiques, technologiques ou réglementaires dont on peut parer les opérations de recrutement, les incertitudes auxquelles les recruteurs sont confrontés sont irréductibles » : c’est la thèse que soutient la sociologue Emmanuelle Marchal. Elle relève que « d’un point de vue strictement scientifique, rien ne permet d’affirmer que le candidat retenu par un recruteur est meilleur que ceux qu’il a écartés. »

C’est également la position défendue par Bénédicte de Raphélis Soissan, fondatrice de Clustree, qui considère que « la prédiction est un leurre » et que « la prospective est la seule réponse possible face à l’incertitude ».
S’il n’est pas possible de prédire l’avenir face à des comportement humains complexes et incertains, les solutions de recrutement basées sur des algorithmes peuvent néanmoins offrir aux RH des signaux, pour induire des propositions à partir d’une observation de la réalité interne et externe, et construire des scénarii.

Une autre position est celle donnée par François Geuze qui considère que tout recrutement est prédictif par nature, puisqu’il s’agit « d’anticiper la capacité d’un individu à s’intégrer dans une organisation ».

Au final, nous considérerons que le recruteur ne doit pas chercher le candidat le plus compétent mais le plus compatible avec le poste, la culture et les valeurs de l’entreprise.

Comment fonctionnent les solutions de recrutement prédictif ?

L’objectif du recrutement prédictif est de pouvoir déterminer, pour un poste donné, un profil-cible de réussite auquel on va faire correspondre des candidats, en déterminant une probabilité de performance et d’engagement sur le poste.

Il s’agit donc d’une « capacité à anticiper statistiquement la reproductibilité de situations et de comportements déjà actés », selon les termes d’Olivier Ertzscheid.

« L’analyse sémantique s’appuie sur de la data et va te permettre d’avoir de l’intelligence artificielle. In fine, tout cela permet de faire du prédictif. Cela se traduit par des algorithmes prédictifs avec lesquels on essaie, par l’analyse du passé et l’observation du futur que l’on a pu constater, de prédire un certain nombre de choses pour être capable de dire : est-ce la bonne personne ? »

Eric Tondo,  Cofondateur LittleBIGJob

Fonctionnement des solutions prédictives
Fonctionnement des solutions prédictives – © Stéphane Rodriguez

Pour ce faire, on va travailler à partir des variables constitutives d’un profil professionnel en réalisant une étude d’une population donnée correspondant à ce profil.
Cette première phase d’étude va donc consister, à partir des données disponibles dans l’entreprise, en l’identification des variables significatives (entre 15 et 30 variables par profil psychologique : aptitudes, personnalité, motivation, ancienneté…) qui ont un impact sur la survenance d’un événement particulier, comme une démission par exemple.
Pour nourrir cette phase d’étude, des solutions comme Assessfirst proposent aux employeurs qui recourent à ses services de faire passer aux collaborateurs des tests d’aptitude (ce que les personnes peuvent faire), de motivation (ce que les personnes veulent faire) et de personnalité. Ces tests permettent de cerner les traits correspondant à ces trois dimensions que l’on retrouve de manière plus ou moins systématique dans les « meilleurs » profils. Il est à noter que l’entretien de carrière est un moment privilégié pour faire passer ces tests.
La seconde phase va permettre de modéliser les conclusions de la phase d’étude des profils pour élaborer un modèle prédictif qui permettra d’identifier les candidats présentant la plus forte probabilité de réussite dans un poste à partir des indicateurs de performance retenus.

En RH, il y a des indicateurs qui permettent de prédire la performance, l’engagement, les départs, le taux de rotation. En cumulant une bonne analyse de poste, des entrevues comportementales, des tests de candidats, tu peux prédire à 80 % que cette personne sera bien en adéquation avec l’emploi.

Jean-Baptiste Audrerie, Executive Advisor IBM Kenexa

Quelles en sont les limites ?

Des investissements importants

La mise en place d’un projet de recrutement prédictif implique d’abord des investissements importants en temps, compétences et budget, pour la construction d’un modèle prédictif reposant sur les données issues des collaborateurs en poste. Un travail très important d’identification des variables significatives devra être mené qui va permettre de modéliser la performance.

Les problèmes posés dans la définition de la performance professionnelle

Or, ce choix des indicateurs de performance est la phase la plus délicate.
Cette difficulté renvoie aux 3 problèmes posés dans la définition de la performance professionnelle selon le professeur Claude Lévy-Leboyer :

  • Son caractère multidimensionnel (Un « bon » commercial est-il quelqu’un qui vend beaucoup sur le court terme ou quelqu’un qui fidélise ses clients ? Un « bon » manager est-il quelqu’un dont la performance opérationnelle de son équipe est élevée ou qui qui suscite la confiance de ses collaborateurs ?) ;
  • Son caractère dynamique (la performance évolue dans le temps : quelle doit être la période de temps étudiée ? Est-ce en priorité la période la plus récente ?) ;
  • Le fait qu’elle dépende des conditions de travail (la performance d’un collaborateur est tributaire de son environnement et du contexte managérial). La conséquence de ce de dernier point ? Nombre de variables identifiées dans un contexte donné ne seront pas applicables à un candidat.

Si cette mesure de la performance semble malgré tout relativement aisée pour certains postes (commercial par exemple), elle serait pour d’autres particulièrement difficile à établir, notamment pour les postes les plus qualifiés, pour lesquels le jugement humain resterait important.

Compte tenu du nombre de combinaisons possibles de ces variables, on considère qu’au-delà d’un taux de couverture de 60 % entre un profil-cible et une personne donnée (valeur à partir de laquelle un éditeur comme Assessfirst recommande de rencontrer un candidat), on ne peut pas certifier qu’un candidat est meilleur qu’un autre.

L’autre limite actuelle des solutions de recrutement prédictif reposant sur une évaluation psychométrique résiderait, selon Yves Loiseau, dans la difficulté à mesurer la motivation ou la réalité des savoir-faire.

Remède ou accélérateur de clonage ?

Le bénéfice d’une approche algorithmique du point de vue du phénomène de “clonage” est quant à lui contesté.

Certains, comme Eric Tondo, considèrent que cette évaluation élargie peut permettre, en dépassant les principaux critères d’âge et de diplôme appliqués a priori, d’élargir la diversité des profils recrutés et de réduire le « clonage » par une adéquation a posteriori (voir également la position à ce sujet de Jean-Baptiste Audrerie et de Bertrand Duperrin).

« Cette analyse des parcours nous permet d’enrichir les outils de recherche pour être en capacité d’aller rechercher des profils qui ne soient pas simplement des clones du profil recherché par le recruteur. On lui suggère des profils auxquels il ne pense pas mais dont on a déterminé qu’ils pouvaient s’avérer être des profils intéressants pour le poste recherché compte tenu de leur parcours. »

Eric Tondo, Cofondateur LittleBIGJob

D’autres, comme François Geuze, estiment que la modélisation de la performance va conduire à une standardisation encore plus forte des profils recrutés, introduisant un risque majeur de discrimination. En ce sens, un chercheur comme Olivier Ertzscheid plaide pour que l’on se donne les moyens d’auditer par des tiers de confiance les algorithmes, afin de veiller à limiter les biais statistiques et culturels qui peuvent être facteurs de discrimination.

Nous considérerons quant à nous que le recrutement prédictif offre bien la promesse d’une diversité dans les profils recrutés, si et seulement si elle s’accompagne d’un changement de paradigme dans les pratiques de recrutement où l’intuition reste la règle. C’est à cette condition que les recommandations potentiellement disruptives proposées par une solution algorithmique pourront être acceptées et prises en compte.

L’insécurité juridique liée au traitement automatisé des candidatures

Enfin, la dernière limite posée dans l’utilisation de solutions algorithmiques est celle de l’insécurité juridique liée au traitement automatisé des candidatures.
Il est nécessaire de rappeler que les applications de gestion des candidatures doivent êtres déclarées auprès de la CNIL, dans la mesure où elles s’appuient sur un traitement de données à caractère personnel. Au-delà de cette déclaration de traitement informatisé somme toute classique et du droit d’accès et de rectification induit, il faut noter que l’article 10 de la loi informatique et libertés du 6 janvier 1978 proscrit les décisions prises « sur le seul fondement d’un traitement automatisé des données destiné à définir le profil de l’intéressé et à évaluer certains aspects de sa personnalité ». Le droit européen en matière de protection et de traitement des données à caractère personnel consacre ces mêmes principes. Concrètement, une décision de recrutement ne peut, en l’état des textes, être prise sur le seul fondement d’un traitement automatisé qui n’inclurait pas d’appréciation humaine.

« On peut faire du prédictif en matière RH sur de petits éléments ciblés. On laissera la machine faire seule une fois l’univers maîtrisé tout en intégrant le risque d’erreur. En revanche, la même démarche peut être utilisée avec le même genre de technologie, en s’arrêtant un peu avant, non pas pour arriver à une conclusion mais pour présenter une diversité d’options. Les machines doivent éclairer les décisions des hommes. »

Yves Loiseau, Business Manager Southern Europe chez Textkernel

Le matching prédictif parfait n’existe pas
Le matching prédictif parfait n’existe pas – © Stéphane Rodriguez

 

Sources complémentaires :
> Emmanuelle Marchal, Les embarras des recruteurs – Enquête sur le marché du travail, Editions de l’EHESS, Octobre 2015

Precepta, Le recrutement et le conseil RH face à la révolution digitale, Avril 2016  


Stéphane Rodriguez

Passionné par les multiples sujets liés à la transformation digitale sur des champs #TransfoNum #RH #Travail #Emploi #Recrutement #MarqueEmployeur, #Formation // + 15 ans d’expérience en management de projets stratégiques et d’équipes pluridisciplinaires // Actuellement Directeur du numérique et des données @defimetiers // #Fiable #Curieux #Humain

Tous les articles