Votre ATS est-il devenu un bureau de crédit ? Le procès Eightfold sur le FCRA

Un outil de scoring IA des candidats peut relever du Fair Credit Reporting Act (FCRA) s’il assemble des données externes sur les candidats pour en faire un « rapport » d’éligibilité à l’emploi, puis transmet ce rapport aux employeurs. C’est l’argument inédit de l’affaire Kistler v. Eightfold AI, un recours collectif déposé en janvier 2026 qui pose une question que la plupart des fondateurs n’ont jamais envisagée : votre logiciel de recrutement joue-t-il discrètement le rôle d’un bureau de crédit ? Si un tribunal donne raison aux plaignants, les obligations liées à l’évaluation du consommateur que la plupart des entreprises associent aux vérifications d’antécédents (divulgation, consentement, copie du rapport, fenêtre de contestation formelle) s’appliqueraient au simple tri IA des CV.

Cette théorie juridique diffère des procès pour partialité dont vous avez entendu parler, et elle est sans doute plus dangereuse parce qu’elle n’exige de personne qu’il prouve que l’algorithme était injuste. Elle exige seulement de prouver que l’algorithme existait en secret. Voici ce que l’affaire reproche réellement, comment fonctionne le test du FCRA, et à quoi ressemble un pipeline de recrutement IA défendable lorsqu’un humain, et non un score caché, garde la main sur chaque refus. (Ceci est une information générale, pas un conseil juridique. Consultez un avocat au sujet de votre configuration précise.)

L’essentiel : l’IA établirait en secret des « rapports de crédit » sur les demandeurs d’emploi

En résumé : un recours collectif fédéral allègue qu’une plateforme de recrutement IA a établi des rapports d’éligibilité secrets sur les candidats et les a rejetés sans jamais les en informer. Kistler v. Eightfold AI a été déposé le 20 janvier 2026 devant la Superior Court of California, comté de Contra Costa (n° C26-00214), puis renvoyé devant la justice fédérale sous le nom Kistler et al. v. Eightfold AI Inc., n° 3:26-cv-01768 (N.D. Cal.). Les plaignantes désignées sont Erin Kistler et Sruti Bhaumik, qui agissent au nom d’une classe putative de candidats à l’emploi.

Ce qui élève l’affaire au-dessus d’une simple plainte de plus dans la HR-tech, c’est qui l’a signée. Le dossier est porté par le cabinet plaignant Outten & Golden LLP avec l’association à but non lucratif Towards Justice, et parmi les avocats au dossier figure Jenny R. Yang, ancienne présidente de l’U.S. Equal Employment Opportunity Commission. Towards Justice présente l’affaire comme la première de son AI in the Workplace Accountability Project. Qu’une ancienne présidente de l’EEOC appose son nom sur une plainte n’a rien d’un hasard. C’est un dossier test délibéré et stratégique, conçu pour faire jurisprudence.

Les enjeux humains sont simples. Comme le dit Kistler dans le communiqué du cabinet : « J’ai postulé à des centaines d’emplois, mais j’ai l’impression qu’une force invisible m’empêche d’être équitablement considérée. » Yang formule le préjudice juridique : « Partout dans le pays, des travailleurs qualifiés se voient refuser des opportunités d’emploi sur la base d’évaluations automatisées qu’ils n’ont jamais vues et qu’ils ne peuvent pas contester. »

Ce que le procès reproche réellement

La plainte allègue que la plateforme d’Eightfold attribue un score aux candidats et en écarte un grand nombre avant qu’un humain ne les examine. Selon le dossier, Eightfold utilise un grand modèle de langage propriétaire pour générer un « Match Score » qui note chaque candidat sur sa « probabilité de réussite » dans un poste. La plainte indique que le Match Score « va de 0 à 5 » par paliers d’un dixième de point (¶74). Surtout, elle allègue que les candidats sont « souvent écartés avant qu’un être humain ne consulte leur candidature ».

La plainte décrit également les données qui alimentent ce score. Pour chaque plaignante désignée, elle allègue qu’Eightfold a recueilli « des informations de type rapport de consommateur, dont des données personnelles, des informations sur son parcours scolaire et professionnel, ses profils de réseaux sociaux, ses données de localisation », ainsi que des inférences et « des données de candidats comparables tirées des CV et profils de millions d’autres personnes » (¶~100, ¶~107). La portée de la plateforme, affirme la plainte, est colossale : elle cite le propre marketing d’Eightfold, selon lequel son modèle intègre « plus de 1,5 milliard de points de données mondiaux », y compris les profils de « plus d’un milliard » de personnes.

Une réserve mérite d’être posée clairement : ces chiffres dépassant le milliard correspondent au corpus d’entraînement et de référence décrit par Eightfold, repris dans la plainte, et non à un décompte vérifié de personnes dont les données auraient été détournées. La formulation exacte est que le modèle est entraîné sur un corpus qui, d’après Eightfold, inclut les profils de plus d’un milliard de personnes. L’échelle est une allégation, pas une conclusion établie.

Voici ce que le procès ne reproche justement pas : que l’algorithme soit biaisé. Il n’y a ici aucune théorie de discrimination raciale, liée à l’âge ou au handicap au titre du Title VII. La plainte invoque des violations du FCRA fédéral, de l’Investigative Consumer Reporting Agencies Act (ICRAA) de Californie et de la Unfair Competition Law (UCL) de Californie, avec une demande de procès devant jury. La théorie est procédurale, elle ne porte pas sur les résultats. L’argument est qu’un système de scoring existait en secret et a été déployé sans le processus exigé par la loi. Un défendeur pourrait, en théorie, disposer d’un algorithme parfaitement équitable et perdre tout de même cette affaire.

Un ATS est-il un organisme d’évaluation du consommateur au sens du FCRA ?

Un système de suivi des candidatures peut relever du FCRA s’il assemble des données tierces ou inférées sur les candidats pour en faire un « rapport de consommateur » d’éligibilité à l’emploi, puis le fournit aux employeurs. Un outil purement first-party, qui agit uniquement sur les données de candidature propres à l’employeur, n’en relève généralement pas. Mais les outils IA qui aspirent des réseaux sociaux scrapés, des données de localisation et des profils comparables brouillent cette frontière, et c’est précisément ce flou qui constitue tout l’enjeu de l’affaire.

La loi définit largement le « rapport de consommateur » (15 U.S.C. §1681a) comme toute communication d’un organisme d’évaluation du consommateur portant sur le caractère, la réputation, les caractéristiques personnelles ou le mode de vie d’une personne, lorsqu’elle sert à établir l’éligibilité à un emploi. La plainte soutient qu’en assemblant des données externes et inférées pour en faire un score d’éligibilité à l’emploi, Eightfold entre pleinement dans cette définition et devient un organisme d’évaluation du consommateur (CRA) non enregistré.

La réussite de cet argument dépend de quelques questions contestées :

• Les données sont-elles first-party ou tierces ? Le FCRA exempte généralement une entreprise qui rend compte « uniquement des transactions ou des expériences entre le consommateur et l’auteur du rapport ». Si un outil ne traite que les données de candidature propres à l’employeur, il n’est probablement pas un CRA. Les plaignants soutiennent qu’Eightfold perce cette exemption parce qu’il ingère des données externes scrapées et inférées.
• Le score est-il « fourni à un tiers » ? Un CRA fournit des rapports à autrui. Eightfold pourrait soutenir que le Match Score reste à l’intérieur du flux de recrutement propre à l’employeur et n’est jamais transmis.
• Un « match score » produit par un LLM est-il seulement un rapport de consommateur ? Eightfold pourrait soutenir qu’une analyse prédictive n’est pas le type de rapport assemblé que le Congrès a encadré en 1970.

Rien n’a encore été tranché. L’affaire en est au stade des conclusions devant le Northern District de Californie. La théorie du CRA est inédite et n’a jamais été testée ; la meilleure approche consiste à la traiter comme un risque bien réel, et non comme une règle établie.

Eightfold contre Workday : deux façons distinctes dont votre stack de recrutement IA peut vous valoir un procès

Si vous ne suivez qu’un seul procès de recrutement IA, vous êtes exposé à l’autre. Kistler v. Eightfold et Mobley v. Workday sont jugés devant le même tribunal fédéral, mais reposent sur des théories opposées, et votre pipeline doit satisfaire les deux.

L’affaire Workday porte sur la question de savoir si votre outil discrimine. Nous l’avons traitée en détail dans ce que le procès Workday sur le recrutement IA signifie pour tout ATS. L’affaire Eightfold porte sur la question de savoir si votre outil a suivi le processus d’évaluation du consommateur. Ce sont deux modes de défaillance distincts d’une même conception sous-jacente : le pipeline opaque, automatisé et sans intervention humaine, qui note et écarte les candidats avant que quiconque n’ait lu le dossier. Corrigez la conception et vous réduisez votre exposition sur les deux fronts.

Ce que la « mesure défavorable » du FCRA impliquerait si votre outil de présélection était un CRA

Si un tribunal décide que votre fournisseur IA est un CRA, les obligations d’évaluation du consommateur ne retombent pas seulement sur le fournisseur. Elles retombent sur vous, l’employeur, en tant qu’« utilisateur » de rapports de consommateur. C’est ce qui échappe aux fondateurs. Microsoft, Morgan Stanley, Starbucks, BNY, PayPal, Chevron et Bayer compteraient parmi les clients d’Eightfold (ces entreprises ne sont pas défenderesses), mais le FCRA impose des obligations à tout employeur qui utilise un rapport couvert.

Ces obligations se rangent en quatre catégories :

1. Divulgation. Un avis écrit clair et visible indiquant qu’un rapport de consommateur sera obtenu, dans un document distinct.
2. Autorisation. Le consentement écrit du candidat avant toute création de rapport.
3. Avis préalable à la mesure défavorable. Avant de rejeter, remettez au candidat une copie du rapport ainsi qu’un « Summary of Your Rights Under the FCRA », et un délai raisonnable (couramment cinq jours ouvrés ou plus) pour le contester.
4. Avis final de mesure défavorable. Après le rejet, informez le candidat, identifiez le CRA, précisez que le CRA n’a pas pris la décision, et indiquez le droit d’obtenir gratuitement une copie du rapport sous 60 jours ainsi que le droit d’en contester l’exactitude.

Les plaignants affirment n’avoir bénéficié d’aucune de ces étapes. Passez honnêtement cette checklist au crible de votre propre entonnoir. Si un outil IA note les candidats et que votre pipeline rejette automatiquement les scores faibles, sans que vous n’ayez jamais envoyé à un candidat une copie de son « rapport » ni de fenêtre de contestation, vous faites exactement ce que ce procès vise, quelle que soit la façon dont la question du CRA sera finalement tranchée.

Ce risque n’est pas hypothétique. En 2023, l’EEOC a conclu un accord de 365 000 $ avec iTutorGroup au sujet d’un logiciel qui rejetait automatiquement les candidats plus âgés. C’était une affaire de discrimination, pas une affaire FCRA — la théorie diffère donc —, mais la leçon tient : la responsabilité liée au rejet automatique est bien réelle, et régulateurs comme plaignants la recherchent activement.

Le schéma défendable : un humain valide chaque refus

La chose la plus protectrice que vous puissiez faire est de faire d’un humain nommément désigné le point de passage obligé avant tout refus, avec un motif écrit et un horodatage. La théorie Eightfold vise une architecture précise : un score opaque qui écarte automatiquement les candidats avant que quiconque ne consulte le dossier. L’inverse défendable est simple. L’IA assiste un relecteur humain, le relecteur formule une recommandation que vous pouvez expliquer en langage clair, et une personne nommément désignée assume la décision finale, accompagnée d’un motif consigné.

L’intervention humaine n’est plus seulement une bonne expérience candidat. Entre la théorie FCRA évoquée ici, la théorie de la responsabilité de l’agent dans Workday et l’exigence explicite de supervision humaine de l’AI Act européen pour les systèmes de recrutement à haut risque, elle devient une contrainte de conception juridique. Si vous ne pouvez pas démontrer qu’une personne, et non un score boîte noire, a pris la décision, vous portez un risque au titre d’au moins trois régimes distincts.

C’est exactement ainsi que la verticale recrutement de Kit est conçue. Dans Kit, l’IA est assistante, pas décisionnaire. Ses fonctionnalités IA produisent des résumés de candidature et analysent les CV pour faire remonter l’information vers un relecteur ; elles n’émettent pas de rejet automatique, et aucun « match score de 0 à 5 » ne contrôle le pipeline. Les revues sont qualitatives et explicables : un relecteur consigne une recommandation sur une échelle nommée (refus ferme, refus, neutre, oui, oui ferme) rattachée à une personne et à une étape précises, et non un opaque « 73 % de correspondance » sans justification. Et chaque refus est un événement attribué et audité, assorti d’un motif écrit obligatoire et du nom de la personne qui l’a décidé. Cette traçabilité de la décision — qui a relu, ce qu’il a recommandé, qui a décidé et pourquoi — est exactement la documentation dont vous auriez besoin pour démontrer qu’un humain a pris la décision.

Comment structurer votre pipeline : la checklist du fondateur

Vous n’avez pas besoin d’attendre une décision de justice pour solidifier votre stack de recrutement. Six mesures couvrent l’essentiel de l’exposition :

1. Ne rejetez jamais automatiquement sur la seule base d’un score IA. Faites d’un humain le point de passage obligé avant tout refus. Une décision consignée avec un motif, ou une recommandation de relecteur, doit précéder chaque « non ».
2. Remplacez les scores opaques par des recommandations explicables. Si vous ne pouvez pas énoncer en langage clair pourquoi un candidat a été avancé ou rejeté, ne laissez pas un chiffre piloter la décision.
3. Conservez une piste d’audit. Enregistrez qui a relu, ce qu’il a recommandé, qui a décidé, le motif et les horodatages. Un historique reconstituable est votre meilleure preuve qu’une personne a pris la décision.
4. Ajoutez la divulgation et le consentement dès la candidature. Incluez une divulgation, un lien vers la politique de confidentialité et une durée de conservation, même si vous pensez être hors du champ du FCRA. C’est une assurance peu coûteuse et une meilleure expérience candidat. Kit propose cela comme une configuration de consentement de premier ordre.
5. Sachez ce que votre fournisseur IA ingère. Si un outil scrape des réseaux sociaux, des données de localisation ou des données tierces et évalue l’éligibilité, partez du principe que la question du FCRA est ouverte. Exigez du fournisseur des certifications FCRA contractuelles.
6. N’oubliez pas que les obligations retombent sur vous. Si un outil est un jour qualifié de CRA, les obligations de mesure défavorable s’attachent à vous en tant qu’utilisateur. Concevez votre pipeline de sorte que vous ne soyez jamais la partie qui rejette automatiquement sur un score boîte noire.

Comment Kit est conçu pour cela

Kit est un ATS nativement IA, conçu autour du principe qu’un humain assume chaque décision de recrutement. L’IA lit vite pour que votre équipe lise plus intelligemment ; elle ne décide jamais dans l’ombre. Les résumés de candidature et l’analyse des CV font remonter le signal, les recommandations qualitatives des relecteurs remplacent les scores opaques, et un motif obligatoire associé à un décideur nommément désigné conclut chaque refus. Le suivi de la consultation des CV enregistre même qu’un humain a réellement ouvert le dossier. Le résultat est la piste d’audit que ce procès est en train de définir, implicitement, comme la norme de diligence.

Si vous évaluez en ce moment des outils de recrutement IA, posez une seule question à chaque fournisseur : peut-il rejeter automatiquement un candidat avant qu’un humain n’ait lu la candidature ? Si la réponse est oui, vous avez sous les yeux l’architecture autour de laquelle deux procès fédéraux sont bâtis. Si la réponse est non, et que vous pouvez le prouver par une trace de décision, vous construisez le pipeline défendable. C’est le pari sur lequel Kit est bâti.

L’affaire Eightfold mettra peut-être des années à se résoudre, et la théorie du CRA survivra ou non. Mais la direction est sans équivoque : le scoring secret devient un risque, et les décisions explicables, prises par un humain, deviennent la norme. Vous pouvez commencer gratuitement et structurer votre recrutement autour de cette réalité dès aujourd’hui.