Placez 1 919 candidats américains devant deux systèmes de présélection par IA et forcez le choix : l'élément qui les fait le plus bouger n'est pas le taux d'erreur. C'est de savoir si un évaluateur humain tranche. Dans une expérience conjoint préenregistrée publiée en septembre, l'implication humaine a augmenté de 0,272 la probabilité qu'un système de présélection soit choisi — statistiquement indiscernable des 0,285 gagnés en réduisant les rejets injustifiés de 30 % à 10 %, l'intervalle de confiance de la différence chevauchant zéro (Wang, Sturgis & de Kadt, 2026).
Relisez l'échange. Deux tiers de vos faux rejets, ou un nom sur la décision. Les candidats les valorisent à peu près au même prix.
Ce résultat est intéressant. Le suivant coûte cher sur le plan opérationnel, parce que la plupart des parcours de rejet du mid-market sont bâtis sur son contraire.
Ce que 1 919 candidats ont valorisé quand l'arbitrage était imposé
Le protocole est la raison de prendre ceci au sérieux. Chaque répondant a fait huit choix entre paires de profils de systèmes de présélection par IA — 30 704 profils au total — avec six attributs randomisés indépendamment les uns des autres : autorité de décision, taux d'erreur, explication, opt-out, recours et audit indépendant des biais.
La randomisation indépendante est le point méthodologique. Les travaux antérieurs font généralement varier procédure et performance ensemble, et ne peuvent donc pas dire si les candidats veulent un recours pour lui-même ou seulement pour les erreurs qu'il corrige. Ce protocole les sépare, et il était préenregistré avant la collecte des données.
L'échantillon est composé d'actifs, pas d'étudiants : âge moyen 36,6 ans, 35,0 % au chômage et en recherche active, et 74,9 % déjà évalués par une IA à un moment de leur recherche.
Voici la grille tarifaire, exprimée en variation de la probabilité d'être choisi (Wang, Sturgis & de Kadt, 2026) :
| Attribut du système | Effet sur la probabilité d'être choisi |
|---|---|
| L'IA suggère, l'humain décide | +0,287 |
| L'IA présélectionne d'abord, l'humain décide | +0,257 |
| Implication humaine agrégée | +0,272 |
| Recours disponible | +0,156 |
| Opt-out disponible | +0,129 |
| Explication disponible | +0,128 |
| Audit indépendant des biais | +0,068 |
| Réduction du taux d'erreur de 30 % à 10 % | +0,285 |
L'implication humaine agrégée a dépassé le recours, l'opt-out et l'audit des biais, chacun à p < 0,001. L'implication humaine, le recours et l'opt-out ont chacun dépassé l'audit des biais, là encore à p < 0,001.
Un humain sur la décision vaut environ quatre fois un audit indépendant des biais.
Le recours n'a pas gagné en valeur quand le système s'est dégradé
C'est le résultat qui inverse l'ordre habituel des remédiations.
Si les garanties procédurales sont une assurance contre l'erreur — si un recours a de la valeur parce qu'il rattrape des rejets injustifiés — alors sa valeur doit augmenter quand les rejets injustifiés deviennent plus fréquents. L'expérience a testé exactement cela, avec une borne d'équivalence préenregistrée de ±0,05.
La valeur du recours n'a pas augmenté. Pas davantage celle de l'opt-out, de l'audit des biais ou de l'explication. Le recours et l'opt-out ont passé une borne plus stricte de ±0,03 ; l'audit des biais et l'explication ont passé la borne enregistrée de ±0,05. La prédiction de correction d'erreur n'a été confirmée pour aucun d'entre eux.
Le recours est le cas le plus net, car sa fonction corrective est la plus directe des quatre. Son interaction avec le taux d'erreur était non significative, avec un intervalle de confiance à 90 % contenu dans ±0,03. L'attribut indiquait aux répondants qu'un réexamen était disponible. Il ne disait rien de son efficacité réelle — et cela a suffi, à chaque taux d'erreur testé.
L'implication humaine est le seul attribut à sortir de la borne, et les auteurs sont prudents : son avantage était de 0,285 à un taux d'erreur de 10 %, 0,289 à 20 % et 0,239 à 30 % — non monotone, sensible à l'échelle et non significatif en logit (p = 0,21). Ils refusent explicitement d'y lire une perte de valeur de la revue humaine quand les erreurs s'accumulent. Vous non plus.
La conclusion exploitable est plus étroite et plus solide : le travail sur la performance et le travail sur la procédure répondent à des exigences différentes, et aucun des deux n'achète l'autre. Un employeur qui installe un modèle plus précis en retirant l'humain de la décision gagne sur une dimension et perd sur l'autre.
Un audit des biais n'est pas quelque chose qu'un candidat peut invoquer
Regardez à nouveau l'écart entre le recours (+0,156) et l'audit des biais (+0,068). La lecture qu'en font les auteurs est la phrase la plus transposable de l'étude : l'autorité de décision détermine qui tranche, le recours et l'opt-out donnent au candidat quelque chose à invoquer, et un audit examine les résultats sur l'ensemble des cas sans offrir de voie à aucun individu.
Ce sont trois fonctions distinctes, et les régimes de conformité les traitent très différemment. La Local Law 144 de New York exige un audit des biais plus une notice expliquant comment demander une procédure alternative — et les textes d'application n'obligent pas l'employeur à fournir effectivement cette procédure (NYC DCWP, 2023). L'EU AI Act prend l'autre voie, en exigeant un contrôle humain de certains systèmes de recrutement au titre de l'Annexe III(4)(a) et des Articles 14 et 26(2), tandis que l'Article 22 du RGPD accorde un droit qualifié de ne pas faire l'objet d'une décision exclusivement automatisée, avec un droit à l'intervention humaine et à la contestation (EU AI Act, 2024).
Si votre dispositif de présélection par IA a été construit pour satisfaire le premier régime, vous disposez d'une documentation au niveau du système. Les 1 919 répondants ont valorisé la documentation moins que tout le reste.
Où l'évaluateur humain doit réellement se situer
Un dernier contraste a un vrai poids de conception. Les répondants ont préféré « l'IA suggère, l'humain décide » (+0,287) à « l'IA présélectionne d'abord, l'humain décide » (+0,257) de 0,030, à p < 0,001 — et cette préférence n'a pas bougé avec le taux d'erreur (variation sur toute la plage +0,005, IC 95 % [−0,026, 0,036]).
La différence entre ces deux niveaux est faible dans les mots et considérable en pratique : seul le premier permet à un humain de voir les candidatures que l'IA aurait écartées. Les candidats ont payé une prime mesurable pour cela.
Les données comportementales vont dans le même sens. Parmi les candidats américains, 38 % se sont retirés au moins une fois d'un processus de recrutement précisément parce qu'il comportait un entretien mené par IA, et le déclencheur d'abandon le plus cité — par 33 % — était un entretien vidéo préenregistré noté par une IA sans aucun humain présent (Greenhouse, 2026).
Ces éléments se renforcent-ils mutuellement ? À peine
Il serait commode qu'un décideur humain et un recours se multiplient. Les preuves en ce sens sont minces. Le recours a été davantage valorisé quand un humain était déjà impliqué — +0,025, IC 95 % [0,004, 0,047] — mais la même interaction perd sa significativité sous une spécification logit dans le modèle conjoint (p = 0,31). L'interaction de l'opt-out était quasi nulle, à −0,0003.
Traitez donc ces attributs comme additifs, pas synergiques. Vous n'achetez pas un pack où un élément en améliore un autre ; vous achetez quatre choses distinctes que les candidats valorisent à quatre prix différents. Le conseil de séquencement qui en découle est peu glamour : achetez d'abord celui qui coûte cher.
L'objection honnête
Trois limites, dites franchement.
Ce sont des choix déclarés, pas des candidatures. Un choix hypothétique par paires, sans option de statu quo et sans possibilité de rejeter les deux, est un instrument propre, pas un registre de paie. Et les éléments étaient présentés comme gratuits — le recours de l'enquête n'a ni file d'attente, ni délai, ni issue incertaine, ce qui n'est pas le recours que vous feriez tourner réellement.
Un humain nominal n'est pas un humain. Les auteurs signalent le mode de défaillance évident : un évaluateur dans la boucle peut s'aligner sur la recommandation qu'il est censé contrôler. Les données de terrain affinent ce point. Dans une expérience de la Harvard Business School avec 228 évaluateurs examinant 48 dossiers réels, les recommandations d'IA « boîte noire » ont amélioré la qualité des décisions, alors que les mêmes recommandations accompagnées d'une explication narrative ne l'ont pas fait — les évaluateurs suivaient de manière disproportionnée les recommandations de rejet, augmentant les faux négatifs (Lane et al., HBS, 2026). Un humain plus une justification persuasive peut faire pire que l'un ou l'autre seul. Les candidats veulent un décideur ; votre entonnoir a besoin que ce décideur décide vraiment.
Les candidats postuleront quand même, et cela vous induira en erreur. L'intention de postuler auprès d'employeurs utilisant l'IA en recrutement était en moyenne de 3,24 sur une échelle en cinq points, au-dessus de la croyance en la légitimité de l'IA en recrutement, à 2,85 (p < 0,001), et 7,8 % des répondants combinaient une légitimité sous la médiane avec une intention de postuler au-dessus (Wang, Sturgis & de Kadt, 2026). Le volume de candidatures est un indicateur imparfait de l'acceptation de votre processus comme légitime. Un haut d'entonnoir sain n'est pas une preuve de consentement.
Ce qu'il faut changer dans le parcours de rejet avant la clôture du trimestre
Quatre actions, aucune n'exigeant une nouvelle ligne budgétaire.
- Arrêtez de comptabiliser le portail de recours comme du travail sur la précision. Si votre plan de remédiation aux plaintes sur la confiance des candidats consiste à « régler le modèle et ajouter un formulaire de recours », vous avez deux lignes qui répondent à une seule exigence et aucune qui réponde à l'autre. Tarifez-les séparément, parce que les candidats le font.
- Faites passer l'humain de la supervision à la décision — côté rejet en particulier. La version qui rapporte le +0,287 plutôt que le +0,257 est un humain qui voit ce que le modèle aurait écarté, avant que ce soit écarté. Le mécanisme qui rend cela durable est une règle de routage plus qu'une politique : les scores inférieurs au plancher statistique de leur cohorte de poste et de séniorité sont automatiquement acheminés vers un évaluateur humain, dans une file que le recruteur en charge du poste ne peut pas clôturer lui-même. Scovai documente publiquement ce routage et la pondération qui le sous-tend sur sa page plateforme si vous voulez une référence concrète.
- N'échangez jamais le réexamen individuel contre un audit. Ajouter un audit au niveau du système en supprimant le réexamen individuel change ce qu'un candidat peut faire, et pas seulement ce que vous pouvez documenter — cela troque l'attribut valorisé à 0,156 contre celui valorisé à 0,068.
- Remplacez le volume de candidatures comme indicateur d'équité. Instrumentez le taux d'abandon à l'étape de présélection par IA et le taux d'achèvement des évaluations notées par IA. Ceux-là bougent quand les candidats s'opposent. Les candidatures, non.
Les droits procéduraux se justifient pour eux-mêmes. Ils ne sont pas une couverture contre votre taux d'erreur, et votre taux d'erreur ne les remplace pas. Un évaluateur humain n'est pas une garantie qu'on ajoute quand le modèle se révèle peu fiable — au vu de ces données, c'est ce que les candidats valorisaient depuis le début, et le seul élément que rien d'autre sur la liste n'a remplacé.
Ouvrez donc votre parcours de rejet cette semaine et trouvez l'étape où le nom d'une personne apparaît. Si le seul nom qui y figure est celui d'un formulaire, vous avez de la documentation — pas une décision.
