Un audit IA recrutement RH sert à décider si un outil d’aide au tri, au scoring ou à la présélection peut être utilisé sans dégrader l’équité, la qualité des données candidats et la capacité à expliquer les décisions. Il s’applique aux PME qui recrutent avec des ATS, des tests automatisés ou des fonctions d’IA intégrées à un logiciel RH. Le résultat attendu n’est pas un avis théorique : c’est une décision documentée, avec un périmètre d’usage, des preuves à conserver, des risques acceptables et des actions d’assainissement avant mise en production.
Constat terrain
Dans beaucoup de PME, le problème n’est pas l’IA “en soi”, mais l’empilement de pratiques mal cadrées : CV importés sans règle de qualité, critères de présélection non tracés, modèle fourni par l’éditeur sans explication utile, et décisions finales prises trop vite. Dans ce contexte, un audit IA recrutement RH répond à une question simple : peut-on confier une partie du tri à l’outil sans introduire de biais, sans perdre la trace des données candidates et sans rendre la décision impossible à justifier ?
Point de départ utile : vérifier trois éléments ensemble. D’abord, la finalité exacte du traitement RH. Ensuite, la provenance et la stabilité des données candidats. Enfin, le niveau d’explicabilité disponible pour l’équipe RH et le manager recruteur. La CNIL rappelle que les systèmes d’IA doivent être pensés avec attention à la loyauté, à la minimisation des données et à la maîtrise des impacts sur les personnes. Voir https://www.cnil.fr/fr/intelligence-artificielle.
Questions de diagnostic
Utilisez le questionnaire ci-dessous comme asset réutilisable. Pour chaque question, notez oui, partiel ou non, puis conservez la preuve dans le dossier d’audit.
| Question | Propriétaire | Preuve à inspecter | Seuil de décision / prochaine action |
|---|---|---|---|
| Les critères de tri sont-ils écrits avant l’usage de l’outil ? | Responsable RH | Grille de sélection, fiche de poste, version datée | Si non, suspendre le scoring automatisé et formaliser la grille |
| Les données candidats sont-elles propres, pertinentes et limitées ? | RH + DPO | Échantillon de dossiers, politique de collecte, champs réellement utilisés | Si des champs sensibles ou inutiles circulent, réduire le jeu de données |
| L’outil produit-il une explication exploitable ? | RH | Exemple de sortie, justification du score, message à l’utilisateur | Si l’explication ne permet pas une relecture humaine, restreindre l’usage |
| Un humain peut-il contredire facilement la recommandation ? | Recruteur référent | Procédure de validation, journal de décisions | Si la contestation n’est pas possible, l’outil ne doit pas décider seul |
| Un test de biais a-t-il été réalisé sur un échantillon récent ? | Référent IA / RH | Résultats de comparaison par cohortes pertinentes | Si l’écart est non expliqué, lancer une revue avant déploiement |
La logique est simple : un audit IA PME ne cherche pas la perfection, il cherche la capacité à contrôler l’usage. Le European AI Act classe certains usages RH comme sensibles selon le contexte et impose une vigilance particulière sur les systèmes à haut risque. Texte officiel : https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689. L’OCDE insiste aussi sur la robustesse, la transparence et la responsabilité. Voir https://oecd.ai/en/ai-principles.
Interprétation
Si vous avez trois oui sur cinq, mais que l’explication du score reste faible, le problème principal n’est pas la performance du modèle : c’est la gouvernance IA. Le propriétaire de l’action est alors le responsable RH, avec le DPO pour la partie données et le prestataire pour l’amélioration de la sortie. La preuve à exiger est une trace lisible de ce que l’outil fait réellement, pas une promesse marketing.
Si les données candidates sont incomplètes ou incohérentes, la priorité devient le diagnostic IA entreprise sur la chaîne de collecte. Sans base propre, les biais peuvent être amplifiés au lieu d’être réduits. Dans ce cas, le seuil de décision est net : on ne généralise pas l’automatisation tant qu’un échantillon représentatif n’a pas été revu.
Si la contestation humaine n’est pas possible, le risque est opérationnel et humain. Le bon next action est de définir une étape de validation par un recruteur nommé, avec motif de surclassement ou d’écartement documenté.
Priorités
Pour une PME, les priorités doivent suivre l’ordre suivant :
- Clarifier la décision que l’outil aide à prendre.
- Vérifier la qualité et la licéité des données candidates.
- Tester l’explicabilité sur de vrais dossiers.
- Encadrer l’intervention humaine.
- Préparer la preuve de conformité et de suivi.
Propriétaire recommandé : directeur RH pour le cadrage, DPO ou référent données pour les jeux de données, et manager recruteur pour la validation finale. Evidence à inspecter : fiches de poste, exports de données, journal de scoring, paramètres de l’outil, procédure de recours interne. Seuil pratique : si vous ne pouvez pas expliquer à un candidat, en langage simple, pourquoi l’outil a influencé son passage en phase suivante, l’usage doit être limité.
Pour cadrer le plan de travail et la suite documentaire, vous pouvez relier ce diagnostic à https://artificialintelligence-audit.com/fr et aux publications de suivi sur https://artificialintelligence-audit.com/fr/blog. Si un incident de traitement ou de décision survient, le plan de réponse publié ici peut aider à structurer les premières 24 heures : https://artificialintelligence-audit.com/fr/blog/plan-incident-ia-pme-2026-07-04.
Decision
La bonne décision n’est pas forcément “stop” ou “go”. Elle peut être “go limité”, “go avec corrections”, ou “pause jusqu’à preuve suffisante”. Pour une PME, la valeur après 30 jours se mesure par trois indicateurs simples : temps économisé par dossier, taux de dossiers revus par un humain, et nombre d’écarts d’explication corrigés. Owner : responsable RH. Evidence : comparaison avant/après sur un échantillon de recrutements. Next action : décider si le champ d’usage s’élargit, si l’outil change, ou si le périmètre reste restreint.
Si vous avez besoin d’un cadrage externe plus structuré, la page de prise en charge peut servir de point d’entrée opérationnel : https://buy.stripe.com/eVqdR9bE91R5fZt2EK7AI01?locale=fr.
Un exemple hypothétique, clairement identifié
Supposons une PME de 120 salariés qui utilise un module de tri CV. Après audit, l’équipe constate que les profils atypiques sont moins bien expliqués par l’outil et que les champs “école” et “ancien employeur” pèsent trop lourd. Owner : RH. Evidence : 20 dossiers comparés. Threshold : si plus de 2 dossiers sur 20 ne peuvent pas être justifiés en termes compréhensibles, le module reste cantonné à une aide non décisive. Next action : reconfigurer la pondération et refaire un test sur le même échantillon.
Questions fréquentes
Combien de temps faut-il pour produire un audit utile ?
En pratique, une PME peut obtenir un premier diagnostic en quelques jours si les preuves sont disponibles. L’important est d’aboutir à une décision d’usage, pas à un rapport long.
Qui doit porter l’audit au quotidien ?
Le responsable RH porte la décision métier, le DPO ou référent conformité vérifie les données, et le prestataire clarifie le fonctionnement technique.
Que faire si l’explication reste insuffisante ?
Réduire le rôle de l’outil, imposer une revue humaine et demander au fournisseur des éléments de justification exploitables avant toute montée en charge.