Ce que la bonne IA évalue réellement

Chaque outil d'embauche basé sur l'IA évalue quelque chose. La vraie question est de savoir si ce quelque chose prédit le résultat qui vous importe : si une personne réussira dans un poste spécifique, dans un environnement spécifique.

La plupart des systèmes évaluent encore des proxys. Les intitulés de poste, les années d'expérience, les diplômes et la densité de mots-clés corrèlent suffisamment souvent avec les résultats pour sembler utiles, mais corrélation n'est pas prédiction.

C'est dans cet écart que résident de nombreuses erreurs de recrutement. Harvard Business School et Accenture ont documenté que des candidats qualifiés sont régulièrement dépriorisés parce que leurs parcours ne produisent pas les bons marqueurs, même lorsque la capacité sous-jacente est présente.

Une véritable évaluation des capacités part d'une prémisse différente : ce que quelqu'un peut faire, comment il résout les problèmes et ses performances dans des contextes comparables comptent plus que l'apparence de son CV.

Produits de travail démontrés. La première question est ce que le candidat a effectivement produit, modifié ou résolu, pas seulement ce dont il était officiellement responsable.

Approche de résolution de problèmes. La façon dont quelqu'un raisonne face à un défi est souvent plus prédictive que le fait d'avoir déjà rencontré un scénario identique.

Adéquation spécifique au contexte. Un candidat performant dans une organisation peut échouer dans une autre si le style de leadership, la structure de l'équipe ou les conditions d'exploitation sont sensiblement différents.

Trajectoire, pas instantané. Un CV capture un instant. Une meilleure évaluation examine comment quelqu'un s'est développé au fil du temps et si ses capacités se renforcent.

Les grands modèles généralistes excellent dans la reconnaissance de motifs sur des ensembles de données larges. Ils peuvent faire remonter des candidats qui ressemblent à des populations ayant historiquement bien performé ailleurs.

Ce qu'ils ne peuvent pas faire automatiquement, c'est comprendre votre organisation de manière spécifique. Ils ne savent pas ce que partagent vos meilleurs éléments au-delà de ce qui est visible dans les données d'entraînement généralisées.

Cette limitation est importante. Les signaux qui prédisent le succès d'un ingénieur senior dans une entreprise logicielle en forte croissance ne sont pas les mêmes que ceux qui prédisent le succès d'un ingénieur senior dans une institution financière régulée.

Des modèles spécifiques au contexte, entraînés sur votre environnement, vos flux de travail et les véritables schémas de performance de vos meilleurs éléments, peuvent prendre des décisions calibrées sur les résultats qui vous importent plutôt que des inférences larges basées sur les données des autres.

La différence concrète apparaît à l'étape des entretiens. L'évaluation par proxys fait avancer les candidats dont les parcours ressemblent le plus aux embauches passées.

L'évaluation des capacités fait avancer les candidats qui ont démontré les compétences et comportements pertinents, même si le chemin qu'ils ont emprunté pour les acquérir paraît non conventionnel sur le papier.

Cela change plus que le classement. Cela modifie le vivier lui-même, car des candidats qui auraient été écartés par la logique des proxys deviennent désormais visibles.

Le dernier article de cette série couvre le volet acheteur de l'équation : ce que les responsables RH doivent exiger lorsqu'un fournisseur prétend que son système prend de meilleures décisions d'embauche.