L'IA dans le recrutement IT : gadget ou game changer ?

Du matching par mots-cles au scoring par embeddings

Sur une mission pour un cabinet de recrutement IT (800 postes/an), nous avons remplace le keyword matching Elasticsearch par un pipeline base sur des embeddings. L'ancien systeme affichait un taux de pertinence de 35% selon les recruteurs.

Le modele sentence-transformers (all-MiniLM-L6-v2) vectorise les CV et les fiches de poste. Le scoring cosine similarity remplace le TF-IDF. Resultat apres 3 mois : pertinence a 72%, temps de pre-selection divise par 4.

Pipeline Dataiku et Agentic AI

L'orchestration tourne sur Dataiku : ingestion PDF (Apache Tika), nettoyage, vectorisation, scoring ML, puis push des top-10 candidats dans le CRM. Batch nocturne + refresh temps reel a chaque nouveau CV.

La brique Agentic AI ajoutee ensuite automatise le sourcing : un agent autonome parcourt LinkedIn et les jobboards, qualifie les profils selon les criteres du poste, et genere un message de contact personnalise. Gain : 15h/semaine pour l'equipe sourcing.

Limites et biais

• Biais de genre : le modele surnotait les profils masculins sur les postes DevOps. Correction par re-echantillonnage du dataset.
• Precision vs recall : 78% / 65%. Les profils reconvertis passent encore entre les mailles.
• RGPD : anonymisation obligatoire, consentement explicite pour le scoring automatise.

L'IA ne remplace pas le recruteur. Elle lui evite de lire 200 CV pour n'en retenir que 15.