Un outil de sourcing IA ne se juge pas au nombre de profils qu’il affiche en quelques secondes. Sa valeur se mesure à sa capacité à comprendre un besoin, à expliquer ses résultats et à laisser le recruteur vérifier, corriger et décider.
Le sourcing par intelligence artificielle désigne l’usage de systèmes capables d’identifier, de rapprocher ou de classer des profils à partir d’un besoin de recrutement. Selon les solutions, la recherche peut porter sur un vivier propriétaire, un ATS, des CV, des réseaux professionnels ou des données accessibles sur le web. L’enjeu n’est donc pas seulement de « trouver plus vite », mais de savoir ce qui est recherché, dans quelles données et selon quels critères.
Le webinaire myRHline consacré au sourcing et à l’IA, organisé le 3 novembre 2026 en partenariat avec Collective.work, a permis de confronter ces promesses à un cas réel. La démonstration et les échanges font ressortir sept critères concrets pour évaluer un outil de sourcing IA avant de l’adopter.
1. Clarifier le besoin avant de lancer la recherche
Une IA peut accélérer une recherche mal cadrée. Elle ne peut pas, à elle seule, rendre pertinent un besoin flou.
Avant de saisir un prompt ou de construire une requête, le recruteur doit distinguer :
- les compétences indispensables dès la prise de poste ;
- les compétences qui peuvent être acquises ;
- les contraintes réelles de localisation, de disponibilité ou de rémunération ;
- les préférences du manager qui ne constituent pas de véritables prérequis ;
- les éléments de contexte qui rendent une expérience pertinente.
Dans le cas présenté pendant le webinaire, rechercher un architecte infrastructure ne consistait pas à repérer un intitulé de poste. Il fallait identifier une personne capable d’avoir une vision transverse d’une infrastructure multisite, de comprendre les systèmes, le réseau, le stockage, la sécurité et la continuité d’activité, puis d’accompagner une transformation. C’est ce niveau de précision qui permet de tester réellement la qualité d’un moteur de recherche.
2. Savoir quelles données l’outil interroge
Deux solutions peuvent produire des listes très différentes à partir du même besoin parce qu’elles ne consultent pas les mêmes sources. Une démonstration doit donc répondre clairement à plusieurs questions :
- les profils proviennent-ils d’une base propriétaire, d’un ATS, de partenaires ou du web public ?
- quelles informations ont été fournies directement par les candidats ?
- à quelle date les données ont-elles été mises à jour ?
- comment un candidat peut-il accéder à ses données, les rectifier ou demander leur suppression ?
- quelles informations sont observées et lesquelles sont déduites par l’IA ?
Lors du webinaire, Collective a expliqué combiner une communauté de profils inscrits avec des données professionnelles issues du web public et de fournisseurs de données. Cette architecture peut enrichir la recherche, mais elle oblige le recruteur à vérifier la provenance, l’actualité et le statut de chaque information avant de contacter ou d’évaluer une personne.
La CNIL rappelle que toute collecte, consultation, conservation ou communication de données concernant un candidat constitue un traitement de données personnelles. Les données utilisées doivent être adéquates, pertinentes et strictement nécessaires au recrutement.
3. Comprendre comment la recherche est construite
La recherche en langage naturel ne remplace pas nécessairement les méthodes booléennes. Les deux répondent à des logiques différentes.
Une requête booléenne offre un contrôle précis sur les mots-clés et les opérateurs. Elle peut toutefois manquer un profil qui emploie un autre intitulé, une autre orthographe ou un vocabulaire métier voisin. Une recherche sémantique peut explorer des formulations plus larges et rapprocher des expériences qui ne partagent pas exactement les mêmes termes.
Un bon outil doit permettre au recruteur de comprendre :
- comment le besoin a été transformé en critères ;
- quels critères sont obligatoires ou simplement souhaitables ;
- quelle importance relative leur est accordée ;
- si plusieurs recherches ou hypothèses sont testées ;
- comment modifier la recherche sans repartir de zéro.
Pendant la démonstration, Sherlock, l’agent de sourcing de Collective, a posé des questions de clarification, construit un cadre de recherche puis permis d’ajuster la priorité et le poids des critères. L’intérêt de cette séquence ne tient pas à l’automatisation seule : il réside dans la possibilité donnée au recruteur de relire et de corriger la représentation du besoin.
4. Tester la pertinence sur un cas difficile
Une démonstration réalisée sur une recherche simple mesure surtout la vitesse de l’interface. Pour évaluer la pertinence, il faut choisir un poste que l’équipe connaît bien et pour lequel l’intitulé ne suffit pas.
Le test doit porter sur un échantillon de profils, puis répondre à quatre questions :
- Les critères indispensables sont-ils réellement présents dans le parcours ?
- Les expériences retenues correspondent-elles au contexte du poste ?
- Les informations utilisées sont-elles assez récentes et vérifiables ?
- Le recruteur aurait-il identifié ces profils avec sa méthode habituelle ?
Le bon indicateur n’est pas le volume brut de résultats. Il faut mesurer la part de profils réellement exploitables, le temps nécessaire pour les vérifier, le taux de réponse après contact et, à terme, la qualité des candidatures présentées au manager.
5. Exiger des résultats explicables et vérifiables
Un score de correspondance ne suffit pas. Le recruteur doit pouvoir comprendre pourquoi un profil est proposé, sur quelles données cette recommandation repose et ce qu’il reste à confirmer.
Cette explicabilité doit être opérationnelle. Elle peut prendre la forme d’une correspondance critère par critère, de passages du CV associés à chaque exigence ou d’une distinction claire entre fait, inférence et donnée manquante. Elle doit également permettre de repérer une erreur de localisation, une compétence seulement supposée ou une expérience mal interprétée.
Cette exigence rejoint une question plus large : qui assume la décision lorsqu’une IA intervient dans le recrutement ? Un résultat peut aider à prioriser une vérification. Il ne doit pas devenir une décision impossible à contester ou à expliquer.
6. Vérifier que le recruteur garde la main
Le contrôle humain ne se résume pas à cliquer sur « valider » à la fin du processus. Le recruteur doit pouvoir modifier les critères, changer leur pondération, écarter une recommandation, réintégrer un profil et documenter son désaccord avec l’outil.
Dans une phase pilote, il est utile de vérifier que les retours négatifs produisent un effet compréhensible sur la recherche. Si l’outil apprend des feedbacks, l’équipe doit savoir à quel niveau cet apprentissage intervient et éviter qu’une préférence individuelle devienne une règle implicite pour tous les recrutements.
Garder la main signifie aussi protéger la relation candidat. L’automatisation des messages et des relances peut faire gagner du temps, mais elle ne justifie pas le sourcing de masse ou le sourcing sauvage. La personnalisation, le choix du canal, la fréquence des sollicitations et la possibilité d’un échange humain restent déterminants.
7. Auditer la conformité, l’intégration et le coût réel
La qualité du moteur de recherche n’est qu’une partie de la décision. Avant de choisir une solution, l’entreprise doit aussi examiner :
- les rôles respectifs de l’employeur, de l’éditeur et des fournisseurs de données ;
- l’information fournie aux candidats et l’exercice de leurs droits ;
- les durées de conservation et les procédures de suppression ;
- les mesures de sécurité, les transferts de données et les sous-traitants ;
- la traçabilité des critères, des classements et des interventions humaines ;
- l’intégration avec l’ATS et la gestion des doublons ;
- les limites de crédits, les coûts d’enrichissement et le coût par recrutement abouti.
Le règlement européen sur l’intelligence artificielle classe parmi les systèmes à haut risque certains systèmes destinés au recrutement ou à la sélection, notamment lorsqu’ils analysent, filtrent ou évaluent des candidats. Le périmètre doit être apprécié selon la finalité et l’usage réels de la solution. Pour approfondir ce point, myRHline détaille les questions à poser lorsqu’un outil de recrutement IA peut relever du régime à haut risque. Le texte de référence reste le règlement européen 2024/1689 sur l’intelligence artificielle.
Une grille de test en 30 jours
Pour comparer une solution à la méthode actuelle, l’équipe peut organiser un pilote limité :
- Choisir deux ou trois recrutements représentatifs, dont au moins un profil difficile à qualifier.
- Formaliser les critères indispensables, souhaitables et à vérifier avant de lancer l’outil.
- Constituer une référence avec la méthode habituelle : temps passé, profils étudiés, profils retenus et réponses obtenues.
- Tester l’outil sur le même besoin sans modifier les critères en cours d’évaluation.
- Faire relire un échantillon par deux recruteurs pour mesurer la cohérence des résultats.
- Documenter les faux positifs, les profils manqués, les données obsolètes et les explications insuffisantes.
- Comparer le gain de temps net, la qualité de la shortlist et l’expérience candidat, puis décider de l’extension ou non du pilote.
Ce protocole évite de confondre une démonstration fluide avec une amélioration mesurable du recrutement. Il permet aussi d’identifier les conditions dans lesquelles l’outil est utile et celles où une recherche manuelle ou booléenne reste préférable.
Le sourcing IA augmente la capacité de recherche, pas la responsabilité
Le principal apport d’un outil de sourcing IA est de réduire le temps consacré à croiser des informations et à explorer des pistes. Ce temps peut être réinvesti dans la qualification, l’échange avec les candidats et le conseil au manager.
Mais la qualité d’un recrutement reste liée à la qualité du besoin, des données, des critères et des vérifications. La vraie question n’est donc pas « l’IA trouve-t-elle des candidats ? », mais « permet-elle au recruteur de comprendre pourquoi ils sont proposés, de contrôler la recherche et de prendre une meilleure décision ? »
Questions fréquentes sur les outils de sourcing IA
Qu’est-ce qu’un outil de sourcing IA ?
Un outil de sourcing IA aide les recruteurs à identifier, rapprocher ou classer des profils à partir d’un besoin de recrutement. Il peut interroger une base propriétaire, un ATS, des CVthèques, des réseaux professionnels ou des données accessibles sur le web.
Le sourcing IA remplace-t-il la recherche booléenne ?
Non. La recherche booléenne reste utile pour contrôler précisément les mots-clés et les exclusions. La recherche sémantique peut compléter cette méthode en explorant des intitulés, compétences ou parcours formulés différemment.
Comment mesurer la performance d’un outil de sourcing IA ?
Il faut comparer le temps de recherche et de vérification, la proportion de profils réellement pertinents, le taux de réponse, la qualité des candidatures présentées et l’expérience candidat. Le nombre de profils affichés n’est pas un indicateur suffisant.
Quelles questions poser sur les données candidats ?
Demandez d’où viennent les données, quand elles ont été actualisées, quelle base légale est utilisée, comment les candidats sont informés et comment ils peuvent exercer leurs droits. Vérifiez aussi quelles informations sont déclarées, observées ou déduites.
Une IA peut-elle décider seule d’écarter un candidat ?
Une décision exclusivement automatisée qui affecte significativement un candidat est strictement encadrée par le RGPD. Dans la pratique, le recruteur doit conserver un contrôle réel, pouvoir réexaminer le résultat et assumer la décision.