La présélection est le poste de coût le plus visible d’un cabinet de recrutement : sur une annonce qui rapporte 200 candidatures, un consultant passe entre quatre et six heures à écarter celles qui ne correspondent pas au brief. Les outils d’IA promettent de ramener ce temps à quelques minutes. La réalité observée sur le terrain est plus nuancée, et surtout plus intéressante.
Ce que l’automatisation traite correctement
Un modèle de langage lit un CV bien mieux qu’un moteur à mots-clés. Là où un ATS classique cherche la chaîne « chef de projet » et rate « responsable de programme », un modèle rapproche les deux sans qu’on ait à maintenir un dictionnaire de synonymes. C’est le gain le plus immédiat, et le moins discuté.
Les tâches où le gain est mesurable
- L’extraction structurée : années d’expérience, diplômes, langues, mobilité, à partir de CV de formats hétérogènes.
- Le rapprochement sémantique entre l’intitulé du poste et les expériences réelles du candidat.
- La détection des candidatures hors périmètre évident : mauvaise zone géographique, niveau de séniorité incompatible, secteur sans rapport.
- La rédaction des réponses négatives personnalisées, souvent repoussée faute de temps.
Sur ces quatre tâches, les cabinets que nous accompagnons constatent une réduction du temps de traitement de l’ordre de 60 à 75 %, à qualité de tri constante. Le chiffre est stable d’un cabinet à l’autre parce que la tâche l’est aussi.
Ce que l’automatisation ne traite pas
Le tri sur critères objectifs n’est pas le métier. Le métier commence quand il faut décider si un profil atypique mérite un entretien malgré un parcours qui ne coche rien. Un modèle entraîné sur des recrutements passés reproduit les biais de ces recrutements : il écartera systématiquement le profil que le cabinet n’a jamais eu l’occasion de placer.
Un outil de présélection ne fait pas de tri. Il fait remonter ce qu’il a déjà vu remonter. La différence est invisible tant qu’on ne mesure pas ce qu’on a écarté.
Trois garde-fous à poser avant de déployer
- Ne jamais laisser l’outil rejeter. Il classe et il hiérarchise ; la décision d’écarter reste humaine, y compris sur les candidatures en bas de pile.
- Échantillonner chaque semaine dix candidatures classées en bas et les relire à la main. C’est le seul moyen de mesurer les faux négatifs.
- Documenter les critères utilisés. Le RGPD impose de pouvoir expliquer une décision de sélection automatisée au candidat qui la demande.
Un ordre de grandeur pour arbitrer
Pour un cabinet de cinq consultants traitant une quarantaine d’annonces par an, voici ce que donne la comparaison avant/après sur un exercice complet.
| Poste | Avant | Après |
|---|---|---|
| Tri des candidatures | 210 h | 65 h |
| Réponses aux candidats | 85 h | 20 h |
| Relecture et contrôle | 0 h | 30 h |
Le poste « relecture et contrôle » n’existait pas avant : c’est le coût de l’automatisation, et il n’est pas facultatif. Le gain net reste de l’ordre de 180 heures par an, soit un mois de travail d’un consultant.
Par où commencer
Commencer par la réponse aux candidats plutôt que par le tri. C’est la tâche où l’erreur coûte le moins cher, où le gain est immédiat, et où l’équipe prend la mesure de l’outil sans risque sur la qualité des placements. Le tri vient ensuite, une fois les garde-fous en place.
Nous détaillons ces cas d’usage dans notre page dédiée au secteur RH et recrutement, avec les outils concrets et les ordres de grandeur observés.