Supervision humaine recrutement IA : procédure concrète

Pourquoi la supervision humaine d'un recrutement IA doit être effective

La supervision humaine d'un recrutement IA n'est pas le fait d'ajouter un bouton « Valider » après un score. Elle doit permettre à une personne identifiée de comprendre la recommandation, de vérifier le dossier, de rechercher les erreurs et de prendre une autre décision. Si le workflow, les objectifs de productivité ou les droits d'accès rendent cette contradiction impossible, l'humain reste dans la boucle sur le papier seulement.

Deux cadres européens se complètent sans se confondre. L'article 22 du RGPD protège dès aujourd'hui la personne contre une décision fondée exclusivement sur un traitement automatisé qui produit un effet juridique ou l'affecte de manière significative de façon similaire. Pour les exceptions fondées sur la nécessité contractuelle ou le consentement explicite, l'article 22.3 impose notamment le droit d'obtenir une intervention humaine, d'exprimer son point de vue et de contester la décision. Une autorisation par le droit de l'Union ou d'un État membre doit, elle, prévoir des mesures appropriées de sauvegarde. En recrutement, un rejet automatique ou la relégation d'un dossier dans une file qui ne sera jamais examinée peut donc poser problème.

L'AI Act classe comme systèmes à haut risque certains outils destinés au recrutement ou à la sélection, notamment pour analyser, filtrer ou évaluer des candidatures. Son article 14 exige que le système permette un contrôle humain effectif et proportionné ; son article 26 demande au déployeur de confier ce contrôle à des personnes disposant des compétences, de la formation, de l'autorité et du soutien nécessaires. Le règlement (UE) 2026/1744 a toutefois reporté au 2 décembre 2027 l'application des sections 1 à 3 du chapitre III aux systèmes à haut risque de l'annexe III. Ce report ne suspend pas le RGPD ni les autres règles déjà applicables.

La CNIL avertit qu'un classement peut devenir une décision exclusivement automatisée lorsque des candidatures sont écartées ou reléguées à un plan secondaire non contrôlé par l'humain, par exemple faute de temps. Commencez donc par cartographier l'effet réel de chaque sortie : ordre d'affichage, shortlist, demande d'entretien, rejet, archivage ou absence de lecture. Notre article sur les décisions automatisées en recrutement aide à qualifier ce point avant de concevoir la procédure.

Validation de façade ou contrôle humain effectif : le test en 8 critères

Les lignes directrices WP251, endossées par l'EDPB, demandent que l'intervention humaine soit significative et non symbolique. La personne doit avoir l'autorité et la compétence pour modifier la décision, considérer l'ensemble des données pertinentes et ne pas se contenter d'appliquer le résultat automatisé. L'AI Act ajoute la compréhension des capacités et limites du système, l'attention au biais d'automatisation, l'interprétation correcte de la sortie et la capacité de ne pas l'utiliser, de la renverser ou d'interrompre le système.

Quels rôles, informations et droits d'accès prévoir ?

Une procédure exploitable nomme les responsables par fonction et par étape. « Les RH supervisent » ne dit pas qui ouvre la file d'alertes, qui peut modifier le résultat, qui arrête le système ou qui répond au candidat. Le responsable de traitement conserve la responsabilité RGPD ; le fournisseur apporte la notice, les limites, les journaux et l'assistance nécessaires ; le DPO conseille et contrôle de manière indépendante sans devenir le décideur métier de toutes les candidatures.

Le superviseur doit voir les informations nécessaires à un jugement indépendant : CV ou dossier source, champs extraits, critères liés au poste, éléments ayant contribué à la sortie, données manquantes, niveau de confiance s'il existe, version de l'outil, limites connues et historique des actions. Une explication générique de l'algorithme ne remplace pas les éléments utiles au cas individuel. À l'inverse, n'affichez pas des données sans utilité métier ou susceptibles d'introduire un biais ; appliquez la minimisation et des accès par rôle.

L'interface doit séparer clairement les données déclarées, les informations extraites et les inférences. Elle doit permettre de corriger un parsing erroné sans modifier silencieusement le CV d'origine, et rendre l'override aussi accessible que l'acceptation. Pour identifier les données, acteurs, risques et preuves à associer à cette organisation, utilisez le modèle d'AIPD pour une IA de recrutement.

Procédure opérationnelle : décider, escalader et échantillonner

La procédure ci-dessous convient à un outil de parsing, matching, scoring ou classement utilisé comme aide à la décision. Elle doit être adaptée au poste, au volume, au modèle et aux résultats de vos tests. Les pourcentages proposés sont des points de départ internes, pas des seuils imposés par le RGPD, la CNIL ou l'AI Act.

1. Avant l'ouverture du poste : valider les critères nécessaires, les critères exclus, leurs éventuelles pondérations, la version du système, la population et les limites connues. Interdire les critères sans lien justifié avec l'emploi.
2. À l'ingestion : comparer le document source aux champs extraits ; signaler les fichiers illisibles, données manquantes, langues ou formats mal couverts et incohérences de parsing.
3. Avant toute exclusion : placer la candidature dans une file de revue humaine. Le recruteur consulte le dossier source et les motifs, corrige les erreurs, puis rend sa propre décision. Aucun e-mail de rejet ne part avant cette étape.
4. Escalade automatique : envoyer au second réviseur les cas dans la zone d'incertitude, les extractions incomplètes, les critères contradictoires, les nouveaux postes ou populations, les alertes de biais, les candidats ayant demandé un aménagement et les dossiers contestés.
5. Motivation : choisir ou rédiger un motif factuel lié aux exigences essentielles du poste. Le score seul n'est jamais le motif. Conserver la distinction entre recommandation de l'outil, jugement humain et décision communiquée.
6. Échantillonnage de contrôle : en plus de la revue de 100 % des exclusions effectives, vérifier un échantillon aléatoire des dossiers retenus et de ceux qui n'ont déclenché aucune alerte, stratifié par poste, source, langue, site et version.
7. Fin de lot : rapprocher volumes reçus, revus, escaladés, renversés et rejetés. Une candidature ne doit pas disparaître entre deux files ou rester indéfiniment sous le seuil sans propriétaire.
8. Après décision : rendre le canal de contestation accessible, conserver les seules preuves nécessaires et alimenter la revue périodique avec les erreurs, overrides et plaintes.

Matrice de seuils à calibrer avant production

La zone de ± 5 points et l'échantillon de 10 % à 20 % sont volontairement illustratifs. Remplacez-les par des valeurs issues d'un jeu de validation représentatif, du coût des faux négatifs, des écarts entre groupes, de la précision du parsing et de votre capacité de revue. Un échantillon global peut masquer une défaillance rare : stratifiez-le, renforcez les petites populations et suivez la méthodologie de notre guide pour auditer les biais d'un outil de matching.

Tracer les overrides, motiver la décision et traiter la contestation

L'override n'est pas une anomalie à supprimer : c'est une fonction centrale de la supervision. L'outil doit permettre de ne pas suivre, renverser ou interrompre une sortie sans demander au recruteur de contourner l'interface. Analysez autant les validations que les contradictions : un taux d'override durablement nul peut révéler un biais d'automatisation, une pression de cadence ou un bouton inutilisable. Il ne prouve pas, à lui seul, que l'algorithme est parfait ou que le contrôle est fictif.

Ne collectez pas « au cas où ». Le RGPD exige une durée justifiée, une sécurité adaptée, des accès limités et une information cohérente. Pour les systèmes à haut risque concernés, l'article 26 de l'AI Act prévoit, une fois applicable, que le déployeur conserve les journaux générés automatiquement et sous son contrôle pendant une durée adaptée d'au moins six mois, sauf disposition contraire, notamment en droit de la protection des données. Cette règle ne signifie ni que tous les commentaires RH doivent être conservés six mois, ni qu'il faut supprimer automatiquement toute preuve à cette échéance. Construisez une matrice par type de log et finalité avec le DPO.

Procédure de contestation en 6 étapes

1. Recevoir : proposer une adresse ou un formulaire lisible depuis l'information candidat et enregistrer la date.
2. Préserver : empêcher si possible l'irréversibilité de la décision et figer la version utile des preuves sans prolonger toutes les données.
3. Comprendre : recueillir le point de vue du candidat, l'erreur alléguée et toute information pertinente.
4. Réexaminer : confier le dossier à une personne habilitée, idéalement distincte du premier réviseur, avec accès au document source et la liberté de ne pas suivre le score.
5. Corriger et décider : rectifier les données inexactes, relancer seulement si cela est utile, puis rendre une décision humaine compréhensible.
6. Apprendre : relier l'erreur au lot, au poste et à la version ; élargir le contrôle si le cas peut se répéter.

Le candidat doit savoir que l'outil intervient, ce qu'il fait et comment joindre un humain. La notice doit refléter le workflow réel : n'écrivez pas « aucune décision automatique » si le rejet part avant la revue ou si les profils sous le seuil ne sont jamais ouverts. Une trame adaptable figure dans notre modèle d'information des candidats sur l'IA.

Former, mesurer et revoir le dispositif de supervision

Un bouton d'override sans compétence ni soutien ne crée pas un contrôle effectif. L'article 4 de l'AI Act, déjà applicable, demande aux fournisseurs et déployeurs de prendre des mesures pour assurer, dans toute la mesure du possible, un niveau suffisant de maîtrise de l'IA à leur personnel concerné, en tenant compte de ses connaissances, de son expérience, de sa formation et du contexte. Pour un recruteur superviseur, la formation doit être pratique et évaluée sur l'outil réellement utilisé.

Organisez une revue après le pilote, puis à une fréquence adaptée au risque et immédiatement après un changement significatif : nouveau modèle, nouveau seuil, nouvelle source, nouveau type de poste, nouvelle langue, incident, plainte fondée ou écart de performance. Il n'existe pas de périodicité légale universelle pour cette réunion. Son compte rendu doit décider de maintenir, ajuster, renforcer la supervision ou suspendre l'usage, avec un responsable et une échéance.

Checklist avant mise en production

• ☐ Chaque effet du score sur le parcours candidat est cartographié.
• ☐ Le rejet et la relégation hors visibilité sont bloqués avant revue humaine.
• ☐ Les superviseurs nommés ont le temps, les informations, la formation et l'autorité nécessaires.
• ☐ Les fonctions de correction, d'override, d'escalade et d'arrêt ont été testées.
• ☐ Les seuils et échantillons sont reliés à des tests, pas à une valeur présentée comme réglementaire.
• ☐ Les motivations distinguent la sortie de l'IA du jugement humain.
• ☐ Les logs sont minimisés, sécurisés, accessibles et assortis de durées justifiées.
• ☐ Le candidat dispose d'une information exacte et d'un canal de contestation humain.
• ☐ Les indicateurs, seuils d'alerte, revues et conditions de suspension sont approuvés.
• ☐ L'AIPD, le registre, les contrats et la documentation fournisseur reflètent le processus réel.

Article méthodologique vérifié le 8 août 2026 ; il ne constitue pas un conseil juridique individualisé. Sources officielles principales : RGPD, notamment article 22, lignes directrices WP251 endossées par l'EDPB, fiches de la CNIL sur la décision automatisée et l'utilisation d'un système d'IA en production, AI Act 2024/1689 et règlement modificatif 2026/1744. Vérifiez la version des textes et la qualification exacte de votre usage au moment du déploiement.