La lettre de motivation ne coûte plus rien. Le recrutement IA vient de perdre son signal.

Recrutement IA : trois cents lettres parfaites, aucun candidat

La scène qui suit est un cas type, composite, mais je la retrouve sous des formes voisines chez plusieurs clients. Une PME publie une offre d'assistant et reçoit trois cents candidatures. Toutes sont impeccables, et c'est précisément là que le recrutement IA déraille.

Même syntaxe soignée, mêmes « je suis convaincu que mon dynamisme », même reprise fidèle des mots-clés de l'annonce. L'ATS, le logiciel de suivi des candidatures, les note toutes dans un mouchoir de poche. La dirigeante me tend la liste et me demande qui convoquer.

Je n'en sais rien. Elle non plus. Et le logiciel, malgré ses décimales, n'en sait pas davantage.

Ce n'est pas d'abord une affaire de triche, ni même de biais. C'est l'effondrement d'un signal : quand produire une lettre parfaite ne coûte plus rien, elle ne dit plus rien de son auteur.

Outil contre outil

La presse américaine décrit une course aux armements. Virginia Business recense plus d'une centaine d'outils qui filtrent, classent et évaluent les candidats. En face, ces mêmes candidats rédigent CV, lettres et réponses d'entretien avec Claude ou ChatGPT.

L'enquête AI & Society de l'université Northeastern ajoute un symptôme. Certains managers réduisent les postes junior, d'autres exigent davantage des débutants. Ce second réflexe dit quelque chose de profond, j'y reviendrai.

En France, le tableau est plus nuancé, et il faut le dire. Selon l'étude Apec sur les pratiques de recrutement de cadres 2025, seules 4 % des entreprises ayant recruté un cadre déclaraient avoir intégré des outils d'IA. Les logiciels de recrutement équipent la moitié des grandes entreprises, mais seulement 17 % des PME.

Un autre chiffre de la même enquête m'intéresse davantage. En 2024, une entreprise sur deux a demandé au moins une fois une lettre de motivation, contre près de 70 % avant 2022. Dans le même temps, 69 % ont pratiqué une présélection par téléphone ou en visioconférence.

Je ne prétends pas que l'IA explique seule ce glissement. Mais la direction est nette : on quitte le document écrit pour l'échange où le candidat doit répondre, expliquer, interagir. Reste à comprendre pourquoi, sans quoi on ajoutera simplement un filtre de plus.

Spence, 1973 : un signal vaut ce qu'il coûte

En 1973, un jeune économiste, Michael Spence, publie « Job Market Signaling » dans le Quarterly Journal of Economics. Son point de départ est d'une simplicité désarmante. L'employeur ne voit pas la productivité du candidat ; il ne la découvrira qu'après l'embauche, donc trop tard.

Il s'appuie alors sur des indices observables, que Spence nomme des signaux. Le diplôme en est l'exemple canonique. Mais pourquoi serait-il crédible, puisque chacun peut se prétendre brillant ?

La réponse tient en une condition, et c'est le passage décisif. Un signal ne sépare les candidats que si son coût diffère selon leur qualité. Le diplôme informe parce qu'il est plus coûteux à obtenir pour un candidat moins adapté.

Spence ne soutient pas que l'école n'apprend rien. Il montre qu'elle peut aussi fonctionner comme signal, indépendamment de ce qu'elle enseigne. Ce travail lui vaut en 2001 le prix de la Banque de Suède en sciences économiques, partagé avec George Akerlof et Joseph Stiglitz.

Appliquons la condition à la lettre de motivation. Pendant des décennies, écrire une lettre claire, ciblée et sans faute demandait un effort réel. Cet effort pesait plus lourd pour qui écrivait mal, comprenait mal le poste ou s'en souciait peu.

La lettre était un signal médiocre, mais un signal. L'IA générative a ramené son coût à quelques secondes, à peu près identiques pour tout le monde. Elle n'a pas rendu les lettres mauvaises : elle a détruit leur propriété séparatrice.

La plume qui rendait Darwin malade

Deux ans après Spence, par un tout autre chemin, un biologiste israélien s'attaque à une énigme qui avait tourmenté Darwin. En avril 1860, celui-ci confiait à Asa Gray que la vue d'une plume de paon le rendait malade. Comment la sélection naturelle tolère-t-elle un ornement aussi encombrant, qui attire les prédateurs ?

En 1975, dans le Journal of Theoretical Biology, Amotz Zahavi propose le principe du handicap. La queue du paon est un signal honnête précisément parce qu'elle coûte cher. Un mâle affaibli ne peut pas l'entretenir, donc il ne peut pas la simuler.

L'idée fut d'abord jugée bancale par nombre de théoriciens. En 1990, Alan Grafen, dans la même revue, en donne une formalisation mathématique qui la rend respectable. Le débat n'est pas clos : des travaux récents contestent sa portée générale.

Le noyau, lui, tient bon. Un signal difficile à falsifier est un signal coûteux pour qui ne le mérite pas. La biologie a résolu la falsification par le coût, exactement comme Spence en économie.

D'où la question que je pose désormais aux DRH. Où sont, dans votre processus, les queues de paon ? Qu'est-ce qu'un candidat médiocre ne peut pas générer en trente secondes ?

Un signal que tout le monde peut produire gratuitement n'est plus un signal, c'est du bruit. Le paon le savait avant les DRH.

Quand le score devient la cible

Le filtre automatique aggrave la maladie qu'il prétend soigner. En 1975, l'économiste Charles Goodhart observait qu'une régularité statistique s'effondre dès qu'on s'en sert pour piloter. L'anthropologue Marilyn Strathern l'a résumé : quand une mesure devient une cible, elle cesse d'être une bonne mesure.

Dès que le score de l'ATS décide qui passe, les candidats optimisent pour le score, pas pour le poste. Ils demandent à leur assistant de recopier les mots-clés de l'annonce. Une IA note alors un texte écrit par une IA pour plaire à une IA, et personne n'apprend rien sur personne.

Le débutant, premier ruiné

Qui souffre le plus quand un signal s'effondre ? Celui qui n'en possède pas d'autre. Un cadre chevronné dispose d'un historique, de références, de réalisations vérifiables.

Le débutant n'a que des signaux bon marché : un CV, une lettre, un diplôme partagé par des centaines d'autres. Quand ces signaux tombent à zéro, il devient littéralement illisible.

Le réflexe relevé par Northeastern s'éclaire alors. Exiger davantage d'un débutant, ce n'est pas seulement de la dureté : c'est chercher, à tâtons, un signal plus coûteux. Un stage de plus, un portfolio, une première expérience déjà validée par un autre.

L'ennui, c'est que ce coût porte souvent sur des ressources que tous n'ont pas : réseau, temps, argent. La mécanique d'ensemble, celle des embauches de jeunes qui se tarissent dans les métiers exposés à l'IA, mérite son propre examen. Ici, je m'en tiens à l'information.

Quatre gestes pour remettre du coût là où il faut

Voici ce que je recommande, et que j'applique sur les recrutements des projets que j'accompagne.

1. Dévaluer les signaux devenus gratuits. La lettre de motivation arrive en tête de liste. Si vous la gardez, n'y lisez plus qu'un minimum de sérieux, ou remplacez-la par deux questions précises sur votre contexte réel.

2. Les remplacer par des preuves coûteuses mais équitables. Mise en situation de trente minutes sur un vrai cas métier, exercice en direct, période d'essai structurée avec objectifs écrits. Le coût doit porter sur la compétence, pas sur le temps libre : un devoir maison de dix heures sélectionne surtout ceux qui n'ont ni enfants ni second emploi.

3. Évaluer le raisonnement plutôt que l'artefact. Demandez au candidat d'expliquer et de défendre ce qu'il a produit : pourquoi ce choix, quelle option écartée. Annoncez clairement votre politique d'usage de l'IA, autorisée, interdite ou autorisée si déclarée.

4. Refuser la boucle IA contre IA. Un score automatique ne doit jamais être le seul juge d'un texte. C'est aussi une exigence réglementaire, rappelée plus bas.

Le troisième geste est ma queue de paon préférée. Un candidat qui a tout délégué tient rarement au-delà de la deuxième question. Celui qui a utilisé l'IA intelligemment, lui, sait dire ce qu'il a gardé, corrigé et pourquoi.

Sur le quatrième, l'AI Act range les systèmes qui filtrent, classent ou notent des candidats parmi les usages à haut risque (annexe III, point 4(a)). Le service d'assistance de la Commission européenne précise qu'un humain gardant la décision finale ne suffit pas si le score influence matériellement la sélection. Le calendrier d'application bouge encore à Bruxelles, mais le principe de supervision humaine effective, lui, est acquis.

J'ai examiné ailleurs le biais des outils de tri en recrutement IA, qui se répète sur chaque candidat. Le problème soulevé ici est différent et s'y ajoute. Même un outil parfaitement neutre ne peut extraire d'information d'un texte qui n'en contient plus.

Quand on me demande d'automatiser un tri de candidatures chez dac.consulting, je commence par une question : que voulez-vous apprendre du candidat ? L'automatisation excelle sur le procédural, accusés de réception, planification des entretiens, que la Commission distingue d'ailleurs du haut risque. Elle devient nuisible dès qu'on lui demande de lire un signal mort.

Vingt minutes

Devant trois cents lettres identiques, la tentation est d'acheter un meilleur détecteur, un scoring plus fin, un agent de plus. C'est soigner le bruit avec du bruit. Le paon n'a jamais eu besoin d'un juge plus sophistiqué : il lui suffisait d'un signal qu'on ne peut pas imiter.

La dirigeante de ma scène type a fini par appeler quinze candidats, vingt minutes chacun, avec un petit cas concret. Trois se sont détachés nettement, dont aucun ne figurait en tête du classement.

Règle de décision, donc : en recrutement IA, chaque fois qu'un document ne coûte plus rien à produire, déplacez l'évaluation vers ce qui coûte encore. Parfois, la bonne réponse n'est pas un meilleur outil d'IA, mais un entretien de vingt minutes.