Les conseils de recrutement par IA vous rendent plus sûr de vous et plus souvent dans l'erreur

Le biais d’automatisation dans le recrutement, c’est la tendance à faire trop confiance à une recommandation d’IA sûre d’elle — un score de candidat, une présélection classée ou un résumé d’entretien — et à cesser d’exercer son propre jugement. Une nouvelle étude montre que le danger ne tient pas au fait que l’IA se trompe de temps en temps. Il tient à ce qu’une réponse d’IA fluide et catégorique vous pousse à répondre davantage, à vous sentir bien plus sûr de vous et à devenir, de façon mesurable, moins juste — même quand le conseil est totalement faux.

L’étude est difficile à balayer d’un revers de main. Sur cinq expériences réunissant 3 132 participants, le simple fait de disposer d’une IA a fait chuter la justesse de 27,5 % à 9,2 %, tandis que la confiance grimpait de 30 à 76 sur 100. Les participants ont donné environ trois fois moins de bonnes réponses tout en affichant une certitude plus que doublée. Dans le recrutement, tout se joue là : un score d’IA bien présenté peut dégrader vos décisions pendant que votre équipe n’a jamais été aussi sûre d’elle.

L’étude que tout acheteur de recrutement par IA devrait lire

Chiara Marcoccia (École normale supérieure), Walter Quattrociocchi (université Sapienza de Rome) et Valerio Capraro (université de Milan-Bicocca) ont mené cinq expériences — quatre préenregistrées, plus une réplication directe — auprès de 3 132 participants. Leur prépublication de 2026 porte un titre sans détour : « Les conseils de l’IA suppriment la disposition des gens à dire “je ne sais pas”, même quand le conseil est faux et que la justesse est récompensée. »

Un point de méthode est décisif ici. Les chercheurs ont délibérément choisi des questions auxquelles l’IA répond mal. Il s’agissait de questions portant sur des détails visuels de films, auxquelles le modèle mis à la disposition des participants échoue régulièrement à répondre. La chute de la justesse et le pic de confiance ne peuvent donc pas être écartés d’un « les gens ont raison de faire confiance à un bon outil ». L’outil était mauvais, et les gens lui ont fait confiance quand même.

Le résultat agrégé, selon les termes mêmes des auteurs, est le suivant : sans incitation financière, « les participants ont répondu à davantage de questions, mais étaient corrects environ trois fois moins souvent que lorsque l’IA n’était pas disponible (justesse agrégée : 27,5 % contre 9,2 %) ». Dans le même temps, « la confiance était environ deux fois et demie plus élevée (confiance moyenne : 29,6 contre 75,9) ». Plus de réponses, plus de certitude, moins de justesse. Cette inversion résume tout l’avertissement.

Le biais d’automatisation, défini, et pourquoi le recrutement en est le piège idéal

Le biais d’automatisation, c’est la tendance à faire trop confiance à une recommandation d’IA sûre d’elle et à cesser d’appliquer un jugement indépendant. Ce n’est pas un déficit de connaissances. C’est un déficit de métacognition, une défaillance dans la perception de ce que l’on sait réellement. L’étude Marcoccia a mesuré cette défaillance directement, en suivant une seule chose : la fréquence à laquelle les gens acceptaient encore de dire « je ne sais pas ».

La réponse s’est effondrée. Dans une expérience, le taux de « je ne sais pas » est tombé de 44 % à 3 % dès que l’IA était disponible. Dans une autre, de 36 % à 6 %. Le résumé de l’étude le dit sans détour : l’IA « a quasiment supprimé la disposition des participants à suspendre leur jugement ». Capraro a exposé clairement l’enjeu à The Next Web : « la capacité à dire “je ne sais pas” est très importante, car elle traduit la reconnaissance des limites de nos propres connaissances ».

Le recrutement est précisément le contexte pour lequel cet avertissement a été écrit. Un recruteur sous pression ouvre une présélection classée ou une synthèse d’entretien générée par IA. Le verdict est assuré, fluide et précis. Le débat s’arrête donc. Plus personne ne dit « honnêtement, je ne suis pas sûr pour ce candidat », parce que le score, lui, a déjà l’air sûr. Le marqueur d’un bon jugement — le doute calibré — est la première chose à disparaître.

Qu’est-ce que le biais d’automatisation dans le recrutement ? C’est la tendance à faire trop confiance à une recommandation d’IA sûre d’elle — un score de candidat, une présélection classée ou un résumé d’entretien — et à cesser d’exercer un jugement indépendant. Une nouvelle étude (Marcoccia et al., 2026 ; N = 3 132) montre que les conseils de l’IA poussent les gens à répondre davantage, à se sentir bien plus confiants et à devenir moins justes : la justesse est passée de 27,5 % à 9,2 % tandis que la confiance grimpait de 30 à 76 sur 100, alors même que l’IA se trompait. Dans le recrutement, un score d’IA bien présenté peut dégrader les décisions pendant que l’équipe se sent plus certaine.

Le détail décisif : peu importe que l’IA soit sollicitée ou simplement affichée

Ce résultat devrait changer votre façon d’évaluer les logiciels de recrutement. Dans une expérience, les chercheurs ont supprimé le choix purement et simplement. Au lieu de laisser les gens solliciter l’avis de l’IA, ils l’affichaient automatiquement, sans qu’on l’ait demandé, avant que la personne ne s’engage sur une réponse. L’effet s’est maintenu. La disposition à suspendre son jugement s’est effondrée de 0,35 à 0,01 en l’absence d’enjeu.

Relisez cela en pensant à votre ATS. La plupart des outils de recrutement nativement IA n’attendent pas que vous le demandiez. Ils affichent un score de candidat par défaut. Ils génèrent automatiquement un résumé d’entretien et le placent en tête des notes de compte rendu. Ils classent la présélection avant qu’un humain n’ait formé la moindre opinion indépendante. C’est précisément la condition que l’étude a jugée la plus corrosive : un verdict assuré placé sous vos yeux avant même que vous ne réfléchissiez.

La conception de vos outils n’est pas neutre ici. Une interface qui met en avant un chiffre catégorique d’abord, et les preuves ensuite (quand elles apparaissent), installe le biais d’automatisation dans chacune de vos ouvertures de poste.

« Dites simplement aux recruteurs de faire preuve d’esprit critique » ne fonctionne pas

La solution évidente, c’est la responsabilisation. Payez les gens pour qu’ils aient raison, sanctionnez leurs erreurs, et ils prendront forcément le temps de vérifier l’IA. Les chercheurs ont testé exactement cela. Cela a aidé, sans pour autant résoudre le problème, loin s’en faut.

Quand la justesse était récompensée et les erreurs sanctionnées, les gens sollicitaient l’IA un peu moins et devenaient un peu plus justes. Mais même dans la meilleure condition incitative, la qualité du jugement est restée bien en dessous du niveau de référence sans IA. Dans une étude, le groupe « IA plus enjeu » ne suspendait encore son jugement que dans 8 % des cas et n’atteignait que 16 % de justesse, très loin des 27,5 % obtenus lorsque l’IA était tout simplement absente. Comme le disent les auteurs, même lorsque la justesse était récompensée, les gens continuaient à s’en remettre à l’IA.

La traduction concrète pour les responsables du recrutement est inconfortable : une diapositive de formation demandant aux recruteurs d’« utiliser l’IA comme un outil, pas comme une béquille » n’est pas un garde-fou. Les bonnes intentions, et même les enjeux financiers, ne neutralisent pas l’effet. Si vous voulez un jugement humain indépendant, vous devez concevoir le processus pour l’imposer, pas pour le suggérer.

Ce n’est pas un problème de modèle faible

Vous pourriez supposer que les chercheurs ont truqué l’expérience avec un mauvais modèle, et qu’un système de pointe se comporterait autrement. Ils l’ont anticipé. Ils ont volontairement choisi un modèle qui se trompe régulièrement sur ces questions, puis ont vérifié que les modèles de pointe échouent eux aussi sur les mêmes questions. GPT-5.5, Claude Sonnet 4.6 et Gemini 3.5 Flash se sont tous trompés.

C’est bien là le nœud du problème. La difficulté ne tient pas à la justesse de tel ou tel modèle. Elle tient à la déférence excessive des humains envers une réponse fluide et catégorique, qu’elle soit correcte ou non. Un meilleur modèle ne supprime pas le mécanisme. On peut même soutenir qu’il l’aggrave, car une réponse fausse plus soignée, au ton plus assuré, est précisément ce qui étouffe le plus efficacement votre doute.

Cela rejoint un axe de recherche parallèle mené en 2026 par Shaw et Nave sur ce qu’ils appellent la « capitulation cognitive » : les personnes qui consultaient une IA en erreur devenaient moins justes mais plus confiantes, même après avoir vu les erreurs, et ni les incitations ni la pression temporelle n’ont éliminé le phénomène. Deux équipes de recherche indépendantes convergent vers le même avertissement. C’est la fluidité, et non la justesse, qui gagne votre confiance — or elle ne le devrait pas.

Ce que cela donne dans votre processus de recrutement

Le laboratoire a utilisé des questions de cinéma, mais le mécanisme se transpose sans peine au recrutement. Les scénarios qui suivent sont illustratifs, fondés sur les résultats de l’étude, et non des cas documentés.

• Valider sans réfléchir la présélection classée. Un évaluateur ouvre une liste notée par l’IA, la parcourt de haut en bas et rejette tous ceux qui se situent sous une ligne de coupe sans ouvrir un seul dossier. C’est le schéma « répondre davantage, douter moins » de la condition d’affichage automatique, appliqué aux carrières de vraies personnes.
• La synthèse d’IA prise pour un verdict. Un responsable du recrutement qui n’a suivi qu’une moitié d’entretien lit le résumé de l’IA (« bon communicant, faible en conception de systèmes ») et arrive au compte rendu déjà influencé, sans plus se forger d’opinion indépendante.
• La confiance sans calibrage. Les jurys qui disaient autrefois « je ne suis pas sûr pour celui-ci » convergent désormais vite vers le cadrage de l’IA et affichent une grande confiance. C’est le bond de confiance de 30 à 76, transposé en salle de réunion.
• Le trou dans l’audit. Lorsqu’un candidat rejeté se plaint ou qu’un audit de biais est mené, les archives montrent que la décision humaine a coïncidé avec le score de l’IA à chaque fois. Aucune trace du jugement indépendant que, précisément, régulateurs et tribunaux veulent voir.

C’est le cousin cognitif de défaillances dont Kit a déjà parlé : la spirale infernale du recrutement par IA, alimentée par le volume, et l’effondrement du jugement humain que provoque la pensée de groupe lors du compte rendu d’entretien. Le biais d’automatisation, c’est la pensée de groupe avec une machine — et la machine, elle, ne nuance jamais.

Comment un ATS nativement IA devrait être conçu contre le biais d’automatisation

Si c’est un verdict assuré qui étouffe le jugement, alors le rôle du produit est de refuser de vous en livrer un prématurément. Un ATS nativement IA devrait être conçu contre cet effet, et non paré d’un score bien présenté qui l’amplifie. Quatre principes découlent directement de l’étude.

1. Mettre en avant une incertitude calibrée, pas une fausse précision

Le mode de défaillance, c’est la disparition du « je ne sais pas ». L’outil devrait donc pouvoir le dire. Au lieu d’enfermer chaque candidat dans un score de 0 à 100 d’apparence assurée, le produit devrait prendre en charge un état explicite « preuves insuffisantes pour classer » et afficher des fourchettes et un degré de confiance plutôt qu’un chiffre unique et catégorique. Un chiffre invite à la capitulation. Un honnête « nous n’en savons pas encore assez » invite un humain à aller vérifier.

2. Montrer le raisonnement et les preuves, pas un score brut

Les gens s’en remettent trop à la fluidité : contrez donc la fluidité par les preuves. Faites en sorte que l’IA cite ses sources — les lignes précises du CV, les réponses en entretien ou les signaux tirés de l’échantillon de travail à l’origine de chaque suggestion — pour que l’humain évalue des preuves plutôt qu’un verdict. C’est la logique qui sous-tend les grilles d’évaluation d’entretien structuré et le recrutement fondé sur les compétences et les preuves : c’est sur le signal, et non sur le résumé, que l’on décide. Les preuves appellent l’examen ; un score appelle un simple hochement de tête.

3. Imposer une décision humaine explicite à chaque étape

Le résultat le plus accablant de l’étude, c’est qu’un conseil affiché automatiquement est aussi corrosif qu’un conseil que l’on a demandé. Les transitions d’étape devraient donc exiger une décision humaine affirmative (faire avancer ou rejeter avec un motif), jamais un « j’accepte le classement de l’IA » en un clic. L’objectif est de faire de l’accord avec l’IA un acte délibéré plutôt qu’un choix par défaut. Les transitions d’étape de Kit sont conçues comme des décisions humaines explicites, appuyées sur des grilles d’évaluation, afin qu’un évaluateur s’engage sur un jugement au lieu d’en hériter. C’est l’inverse de la dépendance excessive à l’IA dans l’évaluation.

4. Auditer les écarts entre l’IA et les décisions

Puisque la confiance se dissocie de la justesse, vous ne pouvez pas vous fier au sentiment que le système fonctionne. Il faut le mesurer. Suivez les points où les recommandations de l’IA et les décisions humaines finales concordent ou divergent, et signalez les évaluateurs qui ne sont jamais en désaccord avec le modèle : c’est votre signal de validation automatique. Un évaluateur affichant 100 % d’accord ne valide pas l’IA. Il a cessé d’être un évaluateur.

Kit peut défendre cet argument de manière crédible parce qu’il est bâti autour d’un signal vérifiable, de grilles d’évaluation structurées et de points de décision humains, plutôt que d’un score fondé sur la correspondance de mots-clés. L’architecture même qui échappe à la spirale infernale résiste aussi au biais d’automatisation. Notre position est simple : nous ne livrerons pas un score d’IA assuré qui dégrade le recrutement pendant que tout le monde se persuade qu’il l’améliore. C’est toute la raison d’être d’un ATS nativement IA digne de ce nom.

« Nous étions d’accord avec l’IA » n’est pas une défense

Il y a aussi une dimension de conformité. Le recrutement est un usage de l’IA à fort enjeu, et une supervision humaine véritable devient de plus en plus une obligation légale, et non un simple bonus. En France, la règle la plus stricte et la plus appliquée est déjà en vigueur : l’article 22 du RGPD interdit qu’une décision produisant des effets juridiques à l’égard d’un candidat — un rejet, par exemple — soit prise sur le seul fondement d’un traitement automatisé, et garantit un droit réel à l’intervention humaine. C’est la doctrine que la CNIL applique au recrutement. À cela s’ajoutent les obligations de l’AI Act de l’UE pour le recrutement à haut risque. Les résultats de Marcoccia font passer le « l’humain était simplement d’accord avec le modèle » du statut de problème de qualité à celui de responsabilité juridique.

Si votre piste d’audit montre qu’un humain a approuvé chaque recommandation de l’IA sans un seul jugement indépendant ni la moindre décision contraire, vous avez documenté l’absence de supervision, pas sa présence. En France, c’est la CNIL qui sanctionne activement les traitements de recrutement automatisés non conformes à l’article 22 du RGPD, aux côtés du risque devant le conseil de prud’hommes ; et une fois les obligations à haut risque applicables, l’AI Act prévoit des amendes pouvant atteindre 15 millions d’euros ou 3 % du chiffre d’affaires mondial. C’est précisément ce schéma que ces autorités recherchent — le même que celui mis en cause outre-Atlantique dans des affaires comme le procès sur la responsabilité de l’ATS Workday. Un désaccord calibré dans vos archives n’est pas une gêne. C’est la preuve qu’un humain était réellement dans la boucle.

Les questions à poser à votre éditeur d’ATS

Avant de faire confiance à un outil de recrutement par IA, posez-lui quatre questions. Elles correspondent point par point aux résultats de l’étude.

1. Sait-il dire « je ne sais pas » ? Dispose-t-il d’un état explicite « preuves insuffisantes », ou enferme-t-il chaque candidat dans un score assuré ?
2. Montre-t-il des preuves ou un verdict ? Pouvez-vous voir les signaux précis derrière une recommandation, ou seulement un chiffre ?
3. Impose-t-il une décision humaine ? Les transitions d’étape sont-elles une décision humaine affirmative assortie d’un motif, ou une validation du classement en un clic ?
4. Audite-t-il les divergences ? Peut-il vous montrer là où les humains et l’IA sont en désaccord, et signaler les évaluateurs qui ne le sont jamais ?

Si les réponses honnêtes sont non, non, non et non, vous n’achetez pas un outil de recrutement. Vous achetez une machine à produire de la confiance, et l’étude est claire sur ce que font ces machines : elles vous rendent plus sûr de vous et moins souvent dans le vrai.

Le résultat central mérite d’être répété tant il est contre-intuitif. Ajouter de l’IA à une décision a rendu les gens spectaculairement plus confiants tout en les rendant spectaculairement moins justes, même quand l’IA se trompait et même quand avoir raison rapportait. Le recrutement n’est qu’une longue chaîne de décisions de ce type. Les équipes qui réussiront avec l’IA seront celles qui traiteront cette confiance avec méfiance, et qui bâtiront un processus qui maintient un humain véritablement engagé et responsable dans la boucle. Si c’est ce type de recrutement que vous voulez mener, essayez Kit.