Recrutement : le machine learning peut-il toujours éviter l’erreur humaine ?

Explications.

Les recruteurs se sont toujours posés des questions comme :

- Comment faire le lien entre les éléments d’une candidature et des résultats business ?
- Sur quels résultats business se concentrer ?
- Comment prédire le potentiel d’un candidat sans faire d’erreur ?

Les défenseurs de la technologie affirment que la réponse réside dans le machine learning et l’analyse prédictive. Les évaluations algorithmiques et le machine leaning sont des outils de plus en plus utilisés par les recruteurs. Ils ont donné naissance à de nouveaux moyens d’évaluer les candidatures, dans de plus grandes proportions, et ont permis de prédire les chances de succès à un poste et dans une entreprise donnée. D’autres experts se questionnent sur l’utilité effective de cette approche dans le recrutement : les algorithmes ayant été créés par des humains, comment seraient-ils exempts de biais ?

Un outil puissant…

S’ils sont utilisés correctement, les algorithmes devraient nous libérer des préjugés humains. Au lieu de reproduire et de renforcer les erreurs de recrutement, l’algorithme « parfait » prédirait objectivement les résultats business obtenus après un tel recrutement. De cette façon, la technologie devrait améliorer la qualité des recrutements. Par exemple, un algorithme créé pour le recrutement de cadres dans un centre d’appels a révélé que, contrairement à ce que l’on pourrait instinctivement penser, les candidats ayant déjà une expérience dans un centre d’appels ne seraient pas forcément les plus efficaces à ce poste. Les raisons pour lesquelles les humains recrutent des profils de personnes à des postes ne sont pas toujours les meilleures. Les algorithmes, contrairement aux hommes, le savent bien.

…qui a ses limites

Si le machine learning possède le potentiel de modifier profondément les processus de recrutement, il a cependant ses limites. Un algorithme identifiant le diplôme en informatique comme facteur de succès défavorisera de nombreuses candidates, les femmes diplômées en informatique étant moins nombreuses que les hommes. C’est pourquoi il est important de pouvoir tester les algorithmes. Un test d’algorithme permet notamment d’utiliser les données des candidatures pour suivre leur distribution démographique. Voilà pourquoi il est important de ne jamais oublier l’humain dans l’équation. Comme l’écrit Peter Cappelli, professeur à la Wharton School dans la Harvard Business Review : « les RH doivent soit s’organiser et s’équiper pour pouvoir manipuler les analyses de données elles-mêmes, soit faire appel à des personnes capables de le faire.  » Et si, les entreprises ne comprennent pas la méthodologie utilisée pour créer des algorithmes, elles doivent aussi recruter des experts…

Pour en savoir sur lestests de recrutement prédictifs selon SHL.