Entretiens d’embauche avec l’AI : ce que révèlent 70 884 candidatures

Entretiens d’embauche avec l’AI : ce que révèlent 70 884 candidatures

Public visé : Lecteurs intermédiaires qui évaluent l’AI dans le recrutement, les opérations RH ou les processus à forts enjeux.

L’une des plus vastes expériences de terrain sur les entretiens d’embauche avec l’AI n’a pas testé un recrutement autonome. Elle a testé un système plus limité : un agent vocal AI menait un entretien structuré, puis un recruteur humain examinait l’enregistrement, la transcription et les résultats des tests avant de prendre la décision.

Cette limite a produit un résultat frappant. Parmi les 67 056 candidatures éligibles réparties aléatoirement entre différentes conditions d’entretien, le taux d’offres est passé de 8,70 % avec des intervieweurs humains à 9,73 % avec des intervieweurs AI, soit une hausse relative de 12 %. Les prises de poste et la rétention initiale se sont également améliorées. Pourtant, le flux de travail avec l’AI a allongé le délai entre la candidature et la prise de poste, car les évaluateurs humains sont devenus la file d’attente suivante.

La conclusion pratique est précise : l’AI peut améliorer la collecte répétable d’informations dans le recrutement à haut volume. L’étude ne montre pas qu’un LLM devrait classer les candidats, décider qui passe à l’étape suivante ou remplacer une évaluation humaine responsable.

Qu’a testé l’expérience sur les entretiens d’embauche avec l’AI ?

L’expérience de terrain Voice AI in Firms a suivi 70 884 candidatures reçues par une entreprise d’externalisation des processus de recrutement aux Philippines entre le 7 mars et le 7 juin 2025. Les postes couvraient 48 offres, 41 comptes clients, 19 villes et des secteurs comme la technologie, l’assurance, le commerce de détail, la finance et la santé.

Les chercheurs ont réparti aléatoirement 67 056 candidatures éligibles en trois groupes :

Les deux intervieweurs suivaient les mêmes directives structurées. L’AI indiquait son identité au début de l’appel. Il informait également les candidats qu’un recruteur humain — et non l’AI — évaluerait l’entretien et déciderait de faire ou non une offre.

Cette conception compte davantage que l’expression « recruteur AI ». L’AI recueillait les éléments probants. Les humains conservaient le pouvoir de décision.

Qu’ont mesuré les chercheurs ?

L’article a mesuré des résultats allant au-delà de l’achèvement de l’entretien. Il a relié la condition d’entretien randomisée aux offres, aux offres acceptées, aux prises de poste, à la rétention pendant jusqu’à quatre mois, aux motifs de départ et aux mesures de productivité disponibles.

Les chiffres relatifs aux offres, aux prises de poste et à la rétention à 30 jours utilisent l’ensemble des candidatures randomisées des groupes « intervieweur humain » et « intervieweur AI ». Les différences de rétention ultérieures sont restées positives, mais les estimations sont devenues moins précises à mesure que l’échantillon diminuait. Les auteurs n’ont par ailleurs trouvé aucune différence significative de productivité dans le sous-échantillon des personnes recrutées pour lesquelles des données de productivité étaient disponibles.

Il s’agit d’estimations causales pour cette expérience, car les chercheurs ont randomisé l’intervieweur. Elles ne constituent pas des garanties de performance universelles pour chaque poste, pays, modèle vocal ou processus de recrutement.

Pourquoi les entretiens AI structurés ont-ils recueilli de meilleurs éléments probants ?

Les auteurs décrivent le mécanisme comme une « variance contrôlée ». Les recruteurs humains différaient dans la couverture des questions, le comportement de suivi et le moment où ils écartaient un candidat. L’agent AI suivait le protocole de manière plus constante tout en posant des questions de suivi adaptées aux réponses.

L’analyse des transcriptions a montré que les entretiens menés par l’AI couvraient davantage de sujets pertinents pour le poste et produisaient plus d’informations pour l’évaluation humaine ultérieure. Cela aide à expliquer le taux d’offres plus élevé sans supposer que le modèle identifiait seul les talents.

Les entretiens structurés visent déjà à poser des questions comparables et à évaluer de manière cohérente les éléments liés au poste. L’agent AI a facilité la répétition de cette discipline opérationnelle sur des milliers d’appels. Les équipes qui envisagent des entretiens d’embauche avec l’AI devraient considérer le respect du protocole comme l’exigence principale du produit, et non le seul réalisme conversationnel.

L’expérience a également révélé un nouveau goulot d’étranglement

L’agent AI a réduit l’attente entre la candidature et l’entretien. Les candidats retenus dans la condition à distance accédaient à l’entretien après un délai médian de 0,32 jour avec l’AI, contre 0,51 jour avec un humain.

L’évaluation humaine a ensuite ralenti le processus. L’intervalle médian entre l’entretien et l’offre était de 7,24 jours après un entretien mené par l’AI, contre 2,62 jours après un entretien mené par un humain. Le délai médian total entre la candidature et la prise de poste atteignait 24 jours pour le groupe AI, contre 20 jours pour le groupe humain.

L’automatisation a déplacé la file d’attente vers l’aval. Une équipe de recrutement peut mener davantage d’entretiens tout en faisant attendre les candidats plus longtemps si sa capacité d’évaluation reste fixe.

Le modèle de coûts de l’article pointe vers la même contrainte. L’AI devenait rentable à un volume plus faible dans les environnements où les salaires sont élevés, tandis que le seuil de rentabilité atteignait des milliers, voire des dizaines de milliers d’entretiens dans d’autres scénarios. L’intérêt économique dépend des niveaux de salaire, des tarifs du fournisseur, des taux d’échec et du travail d’évaluation. Un tarif de démonstration à la minute ne permet pas de répondre à cette question.

Qu’est-ce que l’étude n’a pas démontré ?

Elle n’a pas testé la sélection autonome

Les recruteurs humains prenaient toutes les décisions d’offre. Ils savaient si l’entretien avait été mené par l’AI ou par une personne. L’expérience soutient donc la collecte d’éléments probants assistée par l’AI, et non la décision d’un LLM concernant les personnes à recruter.

Elle n’a pas établi l’équité entre les groupes protégés

L’article indique que la condition AI n’a pas modifié de manière significative l’écart observé entre les sexes concernant les offres. Ce résultat n’établit pas l’équité selon la race, le handicap, l’âge, l’accent ou les groupes intersectionnels, et les auteurs ne disposaient pas de suffisamment de détails antérieurs au traitement pour identifier l’origine de toutes les différences entre les sexes.

Deux études contrôlées montrent pourquoi la couche de sélection doit être testée séparément. Une étude de juin 2026 sur les CV au format japonais a maintenu les qualifications constantes tout en modifiant les noms signalant le genre. Cinq LLM ont produit des scores différents, et une instruction d’équité n’a pas supprimé la différence agrégée. L’étude utilisait des CV convertis par un modèle et une seule formulation de prompt ; ses scores absolus ne doivent donc pas être généralisés.

Une étude menée à Singapour en mars 2026 a testé 18 modèles sur des variantes synthétiques de CV. Les langues, activités, engagements bénévoles et loisirs permettaient aux modèles d’inférer des attributs démographiques après suppression des identifiants explicites. Les disparités mesurées appartiennent à ce cadre singapourien contrôlé, mais la méthode révèle un échec pratique : supprimer les noms ne supprime pas tous les proxys démographiques.

Elle ne s’est pas généralisée à tous les types de travail

L’expérience s’est déroulée dans une seule entreprise gérant un recrutement à haut volume, principalement pour des postes de service client. Les auteurs s’attendent aux bénéfices les plus importants lorsque les entretiens sont répétitifs, que les résultats deviennent rapidement observables et que la variance des processus humains a un coût. Les postes spécialisés qui dépendent de connaissances tacites ou de la création de relations peuvent produire des résultats différents.

Les enquêtes auprès des candidats n’ont par ailleurs obtenu qu’un taux de réponse de 14 %. Les candidats interrogés ont évalué les expériences de manière similaire, et 78 % des candidats à qui un choix était proposé ont sélectionné l’agent AI, mais ces chiffres doivent rester associés à ce processus et à cette population de candidats.

Une limite plus sûre pour les entretiens d’embauche avec l’AI

L’étude suggère une architecture utile pour les employeurs et les fournisseurs.

*Un workflow défendable sépare la conduite automatisée de l’entretien de l’autorité décisionnelle humaine, puis mesure les résultats et fournit une voie d’aménagement ou de recours.*

Les vérifications juridiques et d’accessibilité font partie du système

Les règles dépendent de la juridiction et de ce que l’outil influence. L’EU AI Act classe l’AI utilisée pour le recrutement ou la sélection parmi les cas d’usage à haut risque dans l’emploi. L’article 6 contient également des conditions dans lesquelles un système procédural ou préparatoire étroit qui n’influence pas matériellement une décision peut ne pas relever de cette classification. Les fournisseurs qui revendiquent cette exception doivent documenter leur évaluation. La présence d’un humain dans le workflow ne suffit pas à déterminer la classification.

Les règles de New York City relatives aux Automated Employment Decision Tools exigent un audit récent des biais, des informations publiques sur l’audit et des notifications lorsqu’un outil couvert est utilisé. La définition exacte et le champ d’application doivent faire l’objet d’un examen au cas par cas.

Le Department of Justice des États-Unis avertit que les technologies de recrutement peuvent écarter des personnes qualifiées en situation de handicap. Ses recommandations sur l’AI dans le recrutement et le handicap préconisent des alternatives accessibles, des procédures d’aménagement claires et des tests qui mesurent les compétences professionnelles plutôt que le handicap du candidat.

Le NIST AI Risk Management Framework propose un modèle opérationnel neutre sur le plan juridictionnel : gouverner le système, cartographier son contexte, mesurer les risques et gérer ce que les éléments probants révèlent. Il s’agit de recommandations volontaires, et non d’un substitut aux conseils d’un avocat spécialisé en droit du travail.

Des indicateurs qui évitent une fausse victoire

Un projet pilote d’entretien AI a besoin d’indicateurs de résultats et d’indicateurs de processus. Suivez au minimum :

Comparez si possible ces mesures avec un processus humain mené en parallèle. Une file d’attente de planification plus courte peut masquer une file d’évaluation plus longue. Un taux d’achèvement plus élevé peut masquer une sélection défavorable disproportionnée. Un entretien moins cher peut entraîner des recours plus coûteux.

Le résultat utile est la limite, pas le titre

L’expérience de terrain fournit des preuves solides qu’un agent vocal AI structuré peut recueillir à grande échelle des informations utiles au recrutement. Elle montre également pourquoi les équipes devraient résister à l’affirmation générale selon laquelle les « recruteurs AI surpassent les humains ». Les humains prenaient les décisions, le contexte favorisait les entretiens répétables et le workflow échangeait une planification plus rapide contre une évaluation plus lente.

Utilisez les entretiens d’embauche avec l’AI pour standardiser une tâche définie de collecte d’éléments probants. Maintenez les critères de sélection, les aménagements, l’évaluation, les recours et les audits des résultats sous la responsabilité de personnes capables d’expliquer et de modifier le processus.

FAQ

L’AI prenait-elle les décisions de recrutement dans l’expérience de terrain ?

Non. L’agent vocal AI menait les entretiens, mais les recruteurs humains examinaient les éléments probants et prenaient toutes les décisions d’offre. L’étude ne valide pas le recrutement autonome.

Les entretiens d’embauche avec l’AI sont-ils légaux ?

Ils peuvent l’être, mais les règles relatives à l’emploi, à la discrimination, à l’accessibilité, à la vie privée et aux décisions automatisées peuvent s’appliquer. Le champ d’application dépend de la juridiction et de l’influence de l’outil sur la sélection. Les employeurs devraient examiner le workflow réel et le droit local en vigueur plutôt que de se fier à l’étiquette d’un fournisseur.

Vérification des affirmations

Sources