Si vous bossez de près ou de loin dans les RH (et à fortiori dans le recrutement), vous avez forcément vu passer la nouvelle…
⚠️ BREAKING NEWS ⚠️
Des dizaines et des dizaines de posts de ce genre ont été publiés depuis le week-end dernier (sites d’infos, Linkedin…) pour relayer la nouvelle…
#LongStoryShort… de quoi s’agit-il réellement ?
Il y a 3 ans, Amazon a conduit une expérimentation en vu d’automatiser la présélection sur CV ! L’idée pour Amazon, c’était de développer un algorithme auquel on pouvait balancer 100 CV, qui les notait chacun sur 5 étoiles (un peu comme on évalue des bouquins) de façon à ce que l’algo ressorte à chaque fois les 5 candidats ayant les plus fortes probabilités de réussir dans la boite ! #GainDeTempsGaranti
Et là… Incroyable ! On se rend compte que cela ne fonctionne pas ! 😱
Pire encore, l’algorithme avait tendance à écarter – et ceci de manière quasi systématique – les CV des Femmes. #NotFair #BalanceTonAlgorithme #AiIsTheNewPig
En tant que RH, quelle leçon tirer de cette « expérimentation ratée » ?
Un algorithme ne naît pas « Sexiste »… il le devient.
Tout d’abord, il est crucial de bien comprendre qu’un algorithme n’est jamais biaisé / sexiste / raciste / homophobe / … « en soi ». Il ne constitue toujours que la formalisation d’un processus de recrutement paramétré… par des êtres humains.
En l’occurrence, dans le cas précis d’Amazon, l’I.A. a été entraînée sur la base des données issues des CV (1) des personnes déjà en poste au sein de l’entreprise (2). Donc qui ont préalablement été recrutées par une équipe RH en chair et en os (3).
#1 – Déjà la question du CV…
Si l’on entraîne une I.A. sur des données de CV, cela veut dire que les « connaissances de départ » qu’on va lui fournir ont trait d’une part aux parcours académiques des personnes (quel(s) diplôme j’ai obtenu(s) / dans quelles(s) école(s)), d’autre part à leurs parcours professionnels (quels postes j’ai occupé / pendant combien de temps / dans quelles entreprises / sur quels secteurs d’activité). #FinDeLHistoire
#2 – La nature de l’échantillon…
Amazon – du moins à l’époque – était une entreprise constituée à plus de 60% d’hommes… Forcément, les hommes étant sur représentés dans l’échantillon de départ, cela va jouer sur la constitution des règles de paramétrage de l’algorithme. #Logique
#3 – Enfin les propres biais de l’équipe RH.
L’Homme est faillible, il est sujets à de nombreux biais (plusieurs dizaines) tant dans son appréhension de l’information que dans la manière dont il prend ses décisions. L’algorithme n’a fait que modéliser le processus de recrutement, tel qu’il a été appliqué par les équipes d’Amazon sur plusieurs années consécutives. Elle a donc reproduit des biais… typiquement humains.
⚠️ Important : Notez que je me garderai bien de porter un jugement – quel qu’il soit – sur le travail fourni par ces équipes. Si l’on faisait tourner la même I.A. sur les CV de la plupart des boites en France, on arriverait sans doute à la génération d’algorithmes discriminants à l’égard des femmes (en tous cas en ce qui concerne leur accès aux postes à responsabilité), des vieux (les plus de 45 ans), des personnes handicapées ou encores des personnes dont le nom possède une consonance étrangère… (pour ne citer que quelques exemples). Besoin de vous en convaincre ? Regardez la constitution de votre équipe Talent Acquisition (Recrutement)… Vous voyez ce que je veux dire ? 😏
Faut-il pour autant en finir avec les algorithmes en recrutement ?
Personne ne niera le fait qu’il y a là un ENORME problème. Se priver de 50% des Talents est quand même sacrément problématique pour une entreprise… Sans parler – bien évidemment – du préjudice pour les Femmes, discriminées au seul motif de leur genre (donc sur un critère sans rapport direct avec leur capacité à occuper le ou les emploi(s) proposé(s)).
Pour autant, en conclure que les algorithmes sont dangereux (ou « pas au point » / ou qu’il est trop tôt pour les déployer / …) serait une terrible erreur de pensée. Une erreur équivalente à dire que « il est inconcevable de conduire une voiture » (quelle qu’elle soit) au simple motif que l’on aurait lu dans le journal qu’un mec bourré s’est foutu dans le mur en rentrant de boite à 4 heures du mat avec 3 grammes dans chaque oeil…
Le vrai problème ne serait-il pas plutôt… la « sélection sur CV » ?
Aujourd’hui, tout le monde – recruteurs y compris bien entendu – s’accorde à dire que le CV ne constitue pas un prédicteur fiable de la capacité des personnes à réussir et à s’épanouir en poste. Non seulement « tout le monde est d’accord »… mais en plus de nombreuses études réalisées sur le sujet arrivent aux même conclusions !
Et pourtant – dans la quasi totalité des boites en France – on continue toujours à faire la présélection sur la base du CV… 🧐 #CherchezLErreur
En sélectionnant des infos très peu prédictives (les infos contenues dans un CV), qui plus est issues d’un échantillon très masculin dans sa constitution et en les faisant tourner dans une I.A…. A quoi d’autre pouvait on s’attendre ? 🤷🏻♂️
Et surtout, n’allez croire que parce que c’est Amazon, « ils ont forcément les moyens de faire les choses bien et blah et blah et blah », que « c’est inacceptable »…. Je connais des dizaines de boites (dont certaines du CAC40 avec des armées de Data Scientists) et quasi systématiquement c’est la même histoire : Il y a toujours des ressources à allouer (équipes de Data Scientists, Budgets…) pour les expérimentations / applications directement « Core Business » (en lien avec le Marketing, les Ventes, la Satisfaction client…)… mais généralement très peu pour les RH ! #ParentPauvre
Pourtant, AUJOURD’HUI n’importe quelle entreprise a les moyens de faire une présélection réellement meilleure…
De toutes les entreprises que je fréquente (et il y en a un paquet) il n’y en a pas une seule qui soit parvenue à faire évoluer de façon réellement significative la qualité de ses recrutements (de manière « mesurable » j’entends…) en s’appuyant uniquement sur ses ressources internes. Et je ne dis pas ça pour les pointer du doigts… C’est juste qu’elles ont autre chose à faire de leurs journées déjà bien chargées ! #QuestionDePriorités
Parfois, se faire accompagner « juste ce qu’il faut »(pas besoin de faire débarquer des armées de consultants à 2000 balles la journée) suffit à créer des différences radicales… Après on peut toujours attendre que les équipes DataScience internes aient du temps (après les XP Markets, New Business, Customer Success, Finance…) ou qu’elles vous allouent un stagiaire en stats… Mais bon ^^
Comment on fait du coup ?
De très nombreuses études réalisées partout dans le monde attestent qu’il est LARGEMENT plus pertinent de sélectionner ses candidats (ou ses collaborateurs lorsqu’il s’agit de mobilité interne) sur la base de « qui ils sont réellement », c’est à dire sur leur potentiel, en particulier en utilisant des systèmes d’assessment (tests de recrutement). Notez que ces systèmes peuvent parfaitement venir en complément des éléments de parcours si vous y tenez…
Logique… Regardez ce que l’on a dans la balance :
- D’un côté le CV (Parcours académique et pro)
- De l’autre coté qui est (réellement) la personne (Agilité intellectuelle, capacité à apprendre, motivations profondes, personnalité et comportements privilégiés en situation de travail)
A votre avis… C’est quoi qui vous permettra le mieux de prédire la capacité de vos candidats à exercer un emploi ? à s’intégrer au sein de l’équipe en place ? à adhérer (ou pas) aux valeurs de votre boite ainsi qu’au projet de l’entreprise ?
Vous pouvez automatiser (au moins en partie) vos processus de présélection… tout en évitant l’effet « Amazon ».
Mais attention… utiliser des « tests de recrutement » (pour évaluer ces fameuses caractéristiques de « Potentiel ») ne suffira pas à vous permettre de sécuriser vos recrutements. Il va falloir aller un tout petit peu plus loin que ça…
Le modèle prédictif : pièce central des algorithmes de recrutement prédictif.
Les « tests », c’est ce qui permet de recueillir des données fiables (pour peu que les tests que vous utilisez soient fiables) sur chacun de vos candidats. Mais ces données, ces « profils » de candidats il faudra bien à un moment donné les « confronter » par rapport à un modèle de critères attendus ! C’est justement cette comparaison (rapprochement entre le profil des candidats et un profil de critères attendus) que l’on peut modéliser au travers d’un algorithme.
Ce modèle de critères attendus, il est dit « prédictif » lorsque vous pouvez attester du lien entre les critères qui sont définis (traits de personnalité recherchés par exemple) et la ou les variables que vous souhaitez prédire (comme la performance par exemple ou encore l’ajustement par rapport à une culture d’entreprise).
Comment on crée un modèle prédictif ?
Pour créer un modèle prédictif, il vous suffit d’évaluer un échantillon de la population pour laquelle vous souhaitez prédire la performance (par exemple). Concrètement, vous allez demander à chacun de vos collaborateurs en poste de compléter un questionnaire de personnalité, de motivations et/ou de raisonnement. Ça c’est l’étape #1.
Dans un second temps (Etape #2), vous allez évaluer chacun d’eux sur le ou les critères de performance que vous souhaitez anticiper chez vos futurs candidats. En gros, vous devez dire pour chacun de vos collaborateurs actuellement en poste dans quelle mesure ils sont performants. Normalement, ça devrait être évident…
Sauf que dans certaines entreprises, on entend parfois :
« Bah on sait pas, on a pas la donnée ! «
⚠️ DISCLAIMER : Que l’on soit clairs… Si vous n’êtes pas capables – en interne – d’évaluer la performance de vos collaborateurs (c’est à dire de dire « qui fait le job et qui ne le fait pas… ou en tous cas moins bien » dans un poste donné), RIEN ni PERSONNE ne pourra jamais vous permettre d’améliorer de façon significative la qualité de votre processus de recrutement.
Vous pourrez améliorer l’Expérience Candidat, sortir des stats sur vos funnels de candidats, sortir des taux de transformation à droite à gauche (en gros faire des trucs « divertissants », de la « cosmétique RH »)… mais JAMAIS vous ne pourrez améliorer concrètement votre capacité à prédire la réussite et/ou l’engagement de vos candidats… #BrutalTruth
Si un expert vient vous voir et vous explique – sans vous demander d’accéder à ce type d’infos – qu’il a la formule qui vous permettra de recruter mieux, c’est juste un Guignol… #PassezVotreChemin
« Si ma boite a recruté jusqu’alors essentiellement des hommes (ou des femmes / ou des candidats issus uniquement des plus grandes écoles…….) n’y a t’il pas un risque de créer un biais à la Amazon ? »
En fait NON… ceci pour la simple et bonne raison que les critères psychologiques et comportementaux sont plutôt extrêmement bien répartis au sein de la population, ceci quels que soient le genre, l’âge, l’origine et bien d’autres critères encore.
Du coup, cette approche vous permet de court-circuiter directement ce type de biais !
Les résultats du recrutement prédictif
En moyenne, les entreprises qui recourent au recrutement prédictif sélectionnent des collaborateurs 20% plus performants que ceux qu’elles sélectionnaient en utilisant une approche plus classique.
Elles accélèrent leurs processus de recrutement de 30%, baissent leurs coûts de 20% environ et diminuent leur turn-over de moitié sur certains postes sensibles.
Est-ce de la Magie ? ✨🔮✨
Pas le moins du Monde… c’est juste qu’elles se sont mises à recruter leurs collaborateurs en s’intéressant à qui ils sont réellement (et en le mesurant précisément) en plus de (ou plutôt que de) se focaliser exclusivement leur CV… Rien de plus, rien de moins !
Et devinez le scoop : « Quand on s’intéresse réellement aux Personnes en RH… Bah on obtient de meilleurs résultats !! »
Dingue nan ?? 🤓☝️
