L'IA devrait prendre en charge les tâches objectives et à fort volume du recrutement — analyser les candidatures, planifier les entretiens, les transcrire et les explorer — mais pas la décision d'évaluation finale. Les recherches montrent que l'IA réussit les tâches claires et vérifiables 76 à 82 % du temps, mais qu'elle chute jusqu'à 33 % sur la synthèse subjective, et qu'elle reproduit à grande échelle les biais raciaux et de genre. La règle pour les fondateurs est simple : automatisez l'entonnoir, pas le jugement. Gardez un humain aux commandes pour décider si c'est la bonne personne. ## L'IA devrait-elle faire passer vos entretiens ? La réponse courte En juin 2026, une startup suédoise nommée Fika Jobs a levé **4 millions de dollars** pour bâtir une plateforme où c'est un agent IA, et non un recruteur, qui mène l'entretien. C'est un vrai produit, adossé à de vrais capitaux, et il pose une vraie question à quiconque construit un entonnoir de recrutement cette année : quelle part de votre propre processus confiez-vous à une machine ? La réponse honnête est « beaucoup, mais pas le jugement ». L'entretien existe pour répondre à une seule question : cette personne précise convient-elle à ce poste précis ? Or la génération actuelle d'IA est, mesures à l'appui, la plus mauvaise précisément à cette tâche. En parallèle, l'IA excelle sur tout ce qui entoure l'entretien : l'analyse des candidatures, la planification, la transcription, la recherche, la synthèse. La ligne de partage n'oppose donc pas l'IA à l'absence d'IA : tout est une question d'étape. Placez l'IA là où elle est forte et gardez un humain là où enjeux et faiblesses se télescopent. Cela compte, car le déferlement de candidatures rédigées par IA a rendu le volume insoutenable, et automatiser l'entretien ressemble au seul moyen de tenir la cadence. Le piège mérite d'être nommé, car se tromper de ligne de partage ne coûte pas seulement un recrutement. Cela peut coûter une plainte pour discrimination et votre marque employeur. ## Le pari à 4 millions de dollars : ce que Fika Jobs construit réellement Fika Jobs a levé un **tour de pré-amorçage de 4 millions de dollars mené par Luminar Ventures**, avec la participation d'Alliance VC et, en business angels, des cofondateurs de King (Candy Crush) Sebastian Knutsson et Riccardo Zacconi, selon la couverture de TechCrunch du 23 juin 2026. Les fondateurs, les frères Jakob et Alexander Dubois, avaient auparavant lancé l'application sociale Gaff. Le produit est une **plateforme de recrutement axée sur la vidéo**. Le candidat connecte son profil LinkedIn, un agent IA propulsé par les modèles Gemini de Google génère des questions personnalisées, et l'agent mène un **entretien vidéo d'une dizaine de minutes**. La plateforme convertit ensuite automatiquement les réponses en courts clips, organisés dans un profil de candidat consultable en temps réel. Plutôt que de postuler poste par poste, les candidats entretiennent un profil permanent que les employeurs parcourent. Le service est gratuit pour les candidats, et Fika prélève **10 % du salaire de la première année de la personne recrutée**, ce que les fondateurs présentent comme moins cher que les 20 à 30 % facturés par les recruteurs traditionnels. Plus de 100 entreprises sont sur liste d'attente, plus de 50 l'ont testé, et un lancement plus large est attendu à l'automne 2026, à commencer par la Suède. L'argument de l'efficacité est évident, et le confort qu'il offre aux candidats est réel. Mais un détail trahit le problème : l'annonce de levée de TechCrunch elle-même signale que les profils vidéo « introduisent de véritables risques de biais », car les employeurs perçoivent l'origine, l'âge, le genre, l'apparence et l'accent *avant* d'évaluer les compétences. Quand la mise en garde sur les biais figure dans la couverture même du lancement, c'est tout le débat en miniature. ## Là où l'IA gagne vraiment dans l'entonnoir de recrutement L'IA est solide sur le travail à fort volume, objectivement vérifiable et organisationnel. C'est la zone des 76 à 82 %, et vous devriez l'automatiser sans hésiter. Les mêmes recherches qui accablent l'IA sur le jugement (nous y reviendrons) ont constaté que les meilleurs modèles réussissent les **tâches claires et vérifiables 76 à 82 % du temps**. Cela correspond précisément aux parties du recrutement que personne n'aime faire à la main : - **Le triage.** Analyser et dédoublonner les candidatures, puis les classer selon des critères objectifs incontournables : une certification exigée, une autorisation de travail ou un nombre d'années sur un environnement technique précis. - **La planification.** L'étape de pure friction qui engloutit des semaines d'allers-retours. Une planification lente est en soi un coût réel, puisque [les délais de planification font fuir les candidats](/blog/interview-scheduling-delays-candidate-drop-off) avant même que vous ne rencontriez vos meilleurs profils. - **La lecture.** Transcrire les entretiens, résumer le parcours d'un candidat et explorer des heures de vidéo et de nombreux candidats en quelques secondes. - **La synthèse.** Transformer une candidature et une transcription tentaculaires en un compte rendu condensé qu'un responsable du recrutement débordé pourra vraiment lire. Rien de tout cela n'est la décision. C'est la préparation de la décision. Bien menées, ces tâches rendent des heures à votre équipe et permettent à un humain de consacrer son attention, denrée rare, à la partie qui exige un humain.

Vous voulez l'IA sur l'entonnoir sans lui confier le verdict ? Les outils d'IA de Kit résument les candidats et fouillent les transcriptions d'entretiens pour que votre équipe lise plus vite, tandis que chaque avancée et chaque rejet reste une décision humaine consignée.

Démarrez votre essai gratuit

## Là où l'IA échoue : le problème de la synthèse à 33 % L'IA est, mesures à l'appui, mauvaise sur le jugement précis qu'exige un entretien : peser des signaux incomplets et subjectifs pour en tirer une conclusion claire. Un laboratoire de recherche, PYX Labs (financé par Perceptyx, spécialiste de l'expérience collaborateur), a testé **sept grands modèles d'IA** d'OpenAI, Google, Anthropic et xAI sur **84 tâches d'écoute des collaborateurs**, notées selon des critères élaborés par des psychologues et des spécialistes du comportement organisationnel, comme le rapporte HR Dive. Sur les tâches claires et vérifiables, les modèles réussissaient 76 à 82 % du temps. Mais lorsqu'ils devaient interpréter des retours ouverts et subjectifs pour en dégager un enseignement cohérent, le taux de réussite chutait **jusqu'à 33 %**. **La synthèse était la capacité la moins bien notée sur l'ensemble des modèles, oscillant entre 14 et 57 %.** Relisez ce mode de défaillance : « peser des signaux incomplets, émotionnels ou dépendants du contexte pour en tirer un seul enseignement clair ». Voilà une définition pratique de ce que signifie faire passer un entretien à un être humain. Le chiffre qui compte n'est pas que l'IA serait mauvaise en tout, car ce n'est pas le cas. C'est que l'IA est la plus mauvaise précisément sur la seule chose que vous lui demanderiez de faire en la laissant mener l'entretien. Pour mesurer la vitesse de diffusion : 37 % des répondants à une enquête WTW de 2025 utilisent déjà l'IA dans la gestion de la performance, selon HR Dive. L'adoption court loin devant le plafond de capacité. C'est dans cet écart que loge le risque. ## La taxe des biais : ce que la présélection par IA produit à grande échelle Quand l'IA rend le verdict d'évaluation, elle ne se contente pas de mal juger. Elle reproduit la discrimination de façon systématique, d'une manière invisible tant que personne ne la mesure. Une étude de l'université de Washington menée par Kyra Wilson et Aylin Caliskan a testé trois LLM open source sur **plus de 550 CV réels** et **plus de 500 offres d'emploi réelles** dans neuf métiers, en effectuant plus de **trois millions de comparaisons** à partir de 120 prénoms. Les résultats, présentés à l'AAAI/ACM Conference on AI, Ethics, and Society en octobre 2024 : | Comparaison | L'IA a privilégié | contre | |---|---|---| | Prénoms associés aux Blancs contre ceux associés aux Noirs | **85 %** | 9 % | | Prénoms associés aux hommes contre ceux associés aux femmes | **52 %** | 11 % | | Prénoms d'hommes noirs contre ceux d'hommes blancs | **jamais** | — | C'est la dernière ligne qui devrait vous arrêter net. Les systèmes n'ont **pas une seule fois privilégié les prénoms d'hommes noirs face à ceux d'hommes blancs**, un préjudice intersectionnel qui ne se résume pas à empiler « origine et genre ». Et il s'agit de la même catégorie de résultats que la [plus vaste étude à ce jour sur l'IA de recrutement en production](/blog/ai-resume-screening-racial-disparities-defensible-hiring), qui a mis en évidence de nettes disparités selon l'origine sur des millions de candidatures réelles. Ce n'est pas une curiosité de laboratoire. C'est ce que font ces systèmes quand on les pointe vers de vrais candidats et qu'on les laisse décider. Le propos n'est pas « n'utilisez jamais l'IA ». Les mêmes modèles qui obtiennent 33 % sur la synthèse en obtiennent 76 à 82 % sur les tâches vérifiables. Le propos, c'est que le décideur est le seul poste où ces défaillances se muent en discrimination, et que ce poste ne devrait pas être automatisé. ## La ligne à ne pas franchir : confiance et cadre légal Deux risques convergent à l'instant où une IA tranche : les candidats cessent de vous faire confiance, et les régulateurs commencent à s'y intéresser. Côté confiance, soyons honnêtes : le confort est réel. Les entretiens IA asynchrones suppriment la friction de la planification, permettent de passer un entretien à 23 h et peuvent, aux yeux de certains candidats, sembler *moins* biaisés qu'un humain distrait. Mais beaucoup de candidats disent se sentir déshumanisés face à un robot, ignorer comment ils sont notés et ne pas pouvoir contester un refus rendu par une boîte noire. Le gain de confort et le risque pour la confiance cohabitent dans le même produit. La seule issue est la transparence sur ce que l'IA décide et ne décide pas — ce qu'un processus avec un humain dans la boucle peut promettre, mais pas un processus entièrement autonome. Côté droit, l'exposition grandit et dépend de la juridiction. La Local Law 144 de la ville de New York impose un audit de biais indépendant et une notification au candidat avant l'usage d'un outil automatisé de décision d'embauche. L'Artificial Intelligence Video Interview Act de l'Illinois exige information, consentement et explication lorsque l'IA analyse des entretiens vidéo. L'AI Act du Colorado ajoute des obligations autour de l'IA à haut risque dans les décisions d'embauche, avec une entrée en vigueur progressive vers 2026 et 2027. Et l'EEOC a fait savoir que recourir à un algorithme biaisé ne met pas un employeur à l'abri d'une responsabilité au titre du Title VII. L'enseignement pratique pour un fondateur : « c'est le modèle de l'éditeur qui l'a fait » n'est pas une défense. Si un outil d'IA rejette les candidats appartenant à une catégorie protégée à un taux disproportionné, le résultat vous appartient. Un historique de décisions vérifiable par un humain n'est pas qu'une bonne pratique éthique : c'est aussi la pièce justificative que réclament les régulateurs et les plaignants. ## À quoi ressemble vraiment un humain dans la boucle Un humain dans la boucle signifie que la décision d'évaluation est une action explicite, attribuée à une personne nommément identifiée, et que le rôle de l'IA se borne à l'assistance. Ce doit être une contrainte inscrite dans votre système, pas une ligne sur votre page carrières. Le module de recrutement de Kit repose exactement sur ce principe. L'entonnoir se compose d'étapes typées : `screening` (qui peut présélectionner automatiquement sur des critères objectifs incontournables), `team_review` (avec un vote configurable — seuil de score, option exigeant la participation de tous les relecteurs, et un indicateur `veto_auto_rejects` pour qu'une personne puisse annuler tout rejet automatique), `live_interview` (planifié, avec un nombre requis d'intervieweurs humains) et `code_assignment`. Chaque avancée ou rejet est un enregistrement `Decision` dont le `decided_by` **doit être un utilisateur humain du compte**. Il n'existe aucun chemin de code pour « l'IA a rejeté ce candidat ». Le système est, littéralement, incapable de consigner un verdict qui ne soit pas attribué à une personne. L'IA apparaît sous forme d'outils, pas de décideur. Les outils de Kit fondés sur MCP — résumés de candidats et de candidatures, recherche sémantique dans les transcriptions d'entretiens — aident votre équipe à lire plus vite à travers de nombreux candidats et des heures de vidéo. Ils font remonter l'information ; ils ne votent pas. (Pour savoir comment cet outillage est construit, voir [MCP pour le recrutement](/blog/mcp-for-hiring).) Voilà la différence entre « l'IA vous a fait passer un entretien et vous a rejeté » et « une personne a décidé, aidée par l'IA pour lire plus vite ». Et parce que le portail candidat expose une progression par étapes réelle et vérifiable par un humain plutôt qu'un score opaque, il constitue à la fois la réponse en matière de confiance pour les candidats et la réponse en matière d'audit pour les régulateurs. À noter que c'est un problème distinct de celui des candidats qui trichent aux présélections par IA, que nous avons traité dans [Triche aux entretiens IA et refonte des évaluations](/blog/ai-interview-cheating-undetectable-overlays-redesign-assessments). Cet article porte sur qui tient la plume, pas sur qui tente de déjouer le test. ## Une règle étape par étape pour les fondateurs Alors, votre IA devrait-elle faire passer les entretiens aux candidats ? Non. Mais elle devrait faire presque tout ce qui entoure l'entretien. Voici la ligne de partage, étape par étape : | Étape | Laisser l'IA faire ? | Pourquoi | |---|---|---| | Analyser et dédoublonner les candidatures | **Oui** | Fort volume, objectif, vérifiable | | Classer selon les critères incontournables | **Oui**, avec un rejet automatique qu'un humain peut annuler par veto, jamais un rejet silencieux | Les vérifications objectives sont le point fort de l'IA ; le veto rattrape le biais | | Planification | **Oui** | Pure friction, aucun jugement | | Transcrire et explorer les entretiens | **Oui** | Lire vite, pas décider | | Résumer le parcours du candidat | **Oui** | Fait remonter le contexte pour un humain | | L'évaluation de l'entretien | **Non** | C'est la zone de la synthèse à 33 % | | Chaque avancée ou rejet | **Non** | Jugement et exposition juridique ; à garder humain et consigné | Cette répartition capte l'essentiel de l'efficacité de Fika sans hériter des passifs d'un intervieweur autonome — la synthèse à 33 % et le biais de prénom à 85 %. Ajoutez-y une transparence côté candidat sur qui fait quoi, pour que personne n'ait à deviner si c'est un robot ou une personne qui a tranché. Les fondateurs qui se tournent vers les intervieweurs IA n'ont pas tort sur le problème qu'ils cherchent à résoudre. Le volume est écrasant, les honoraires des recruteurs sont élevés et la planification est un calvaire. Ils braquent simplement l'automatisation sur le mauvais poste. Dirigez-la vers l'entonnoir, gardez un humain sur le jugement, et vous obtenez la rapidité sans le déficit de confiance. Kit est construit précisément sur cette ligne : l'efficacité du triage par IA, avec le caractère défendable et l'humanité des décisions humaines — prouvés dans le modèle de données plutôt que promis dans un argumentaire. Si vous voulez un pipeline qui fonctionne ainsi dès le départ, [explorez les modèles de poste](/templates) ou [lancez-vous gratuitement](/users/sign_up).