Recrutement et IA à Lyon et en AURA : 8 usages concrets (et garde-fous RGPD)

Recruter plus vite, sans transformer le candidat en ticket de support

À Lyon et en Auvergne-Rhône-Alpes, beaucoup de PME et d’ETI ont la même équation: moins de bande passante côté RH, des managers qui veulent “des profils” tout de suite, et une exigence d’expérience candidat qui ne pardonne pas. Sauf que le marché cadre se retourne. L’Apec constate une baisse de 8 % des recrutements cadres en 2024 (303 400) et projette encore -4 % en 2025 (292 600). Les intentions de recrutement de cadres dans les PME reculent aussi: 14 % au T1 2025, contre 18 % un an avant. Résultat: la pression monte sur l’efficacité, pas sur “faire plus d’outils”.

Dans ce contexte, l’IA devient un levier émergent dans les pratiques de recrutement, sans être une norme homogène. Le piège, c’est de confondre “gain de temps” et “décision automatisée”. Et là, double mur: RGPD d’un côté, AI Act de l’autre. Les systèmes d’IA utilisés pour scorer, classer ou catégoriser des candidats et influencer l’accès à l’emploi sont explicitement dans le radar des usages potentiellement à haut risque (AI Act).

Objectif ici: 8 usages concrets qui marchent vraiment pour une PME/ETI, ce qu’ils changent au quotidien, où ça casse quand c’est mal paramétré, et les garde-fous RGPD à poser avant de brancher quoi que ce soit.

Ce qui change vraiment pour une PME/ETI (2024-2026)

Trois changements concrets, pas théoriques:

• Le volume ne baisse pas forcément, mais l’attention disponible oui. Moins de recrutements ne veut pas dire moins de tâches: sourcing, relances, prise de rendez-vous, reporting interne, conformité, tout reste.
• Les outils “augmentés” se banalisent dans les ATS et suites bureautiques. On n’est plus sur “un projet IA”, mais sur des fonctionnalités IA activables par défaut, parfois sans que RH le demande clairement.
• La conformité devient un sujet d’achat. Si votre outil fait du scoring ou du ranking de candidats, vous devez le traiter comme un système sensible. Même quand l’éditeur appelle ça “aide au tri”.

En local, un signal intéressant: la plateforme Emploi Lyon publie une page de transparence sur son IA, en expliquant notamment qu’il n’y a pas de décision d’embauche ou de rejet au sens de l’article 22 du RGPD, et que le matching est expliqué (atouts, écarts, conseils), pas un score opaque. C’est exactement le niveau de clarté que vous devriez exiger de vos outils.

8 usages concrets de l’IA en recrutement (avec gains réalistes et points de rupture)

1) Automatisation du sourcing candidats (requêtes, recherche sémantique, enrichissement)

Ce que ça fait. L’IA aide à formuler des requêtes, à repérer des intitulés équivalents, à chercher “par compétences” plutôt que par mots-clés. Utile quand vous recrutez des profils hybrides (data, cybersécurité, industrie, produit), fréquents à Lyon et Grenoble.

Gain réaliste. Moins de temps perdu sur les synonymes et les intitulés “qui changent selon les boîtes”. Meilleure couverture du vivier.

Où ça casse. Quand ça devient de la collecte massive: aspiration de profils sociaux, enrichissement sans justification, stockage de données non pertinentes. La “pêche au chalut” est le scénario classique qui crée du risque RGPD pour un gain faible.

Garde-fou. Définissez ce que vous cherchez (compétences, localisation, séniorité) et ce que vous n’avez pas à stocker (informations personnelles hors sujet, contenus de réseaux sociaux non nécessaires).

2) Matching CV ↔ offre (scoring oui, explications obligatoires)

Ce que ça fait. L’outil compare CV et offre, remonte des écarts (compétences manquantes, expériences proches), propose une shortlist.

Gain réaliste. Un pré-tri plus rapide et surtout des échanges plus structurés: vous savez quoi creuser en entretien.

Où ça casse. Si le score devient la vérité. Deux effets négatifs: vous ratez des profils atypiques, et vous glissez vers la décision automatisée de fait (rejets sans revue humaine), terrain glissant pour l’article 22 RGPD.

Bon réflexe. Exiger de l’outil des résultats interprétables, avec une logique générale compréhensible, à l’image de la transparence revendiquée par Emploi Lyon (explication du matching, pas “un chiffre”).

3) Tri et classement de candidatures dans l’ATS (ATS “augmentés”)

Ce que ça fait. Classement automatique, tags de compétences, résumé, mise en avant des CV “à lire”.

Gain réaliste. Quand le volume est élevé, vous baissez le temps de lecture et vous évitez de laisser des candidats sans réponse.

Où ça casse. Quand l’outil élimine. Beaucoup d’organisations laissent l’ATS filtrer “en silence” (ex: diplôme, mots-clés, trous dans le CV) et ne revoient jamais les refus.

Garde-fou. Le guide recrutement de la CNIL rappelle que ces logiciels doivent respecter finalité, minimisation, information des candidats, et encadrement des décisions automatisées. Concrètement: pas d’élimination sans revue humaine, surtout quand le tri influence l’accès à l’emploi.

4) Rédaction d’offre et de fiche de poste assistée (standardisation, inclusion, cohérence)

Ce que ça fait. Génère une base d’offre, harmonise le vocabulaire, propose une structuration compétences, missions, critères. Peut aussi aider à limiter certains biais de formulation (offres trop “codées”).

Gain réaliste. Vous publiez plus vite, et vous alignez RH et manager sur un référentiel plus clair.

Où ça casse. Copié-collé d’exigences surdimensionnées (la “fiche licorne”), ou formulations maladroites qui peuvent devenir discriminatoires. L’IA peut amplifier vos mauvaises habitudes si vous lui donnez un mauvais prompt ou une vieille fiche datée.

Garde-fou. Gardez un passage humain systématique: “est-ce que ces critères sont indispensables?” et “est-ce qu’on recrute une personne ou une liste de buzzwords?”.

5) Pré-qualification via chatbot RH (FAQ, collecte structurée, disponibilité)

Ce que ça fait. Répond 24/7 sur le process, le salaire, la localisation, les prérequis, et collecte des infos structurées (dispo, mobilité, permis, contraintes horaires).

Gain réaliste. Moins d’allers-retours email, meilleur délai de réponse, et donc meilleure expérience candidat si c’est bien écrit.

Où ça casse. Deux erreurs fréquentes: le candidat ne sait pas que c’est un bot, et le bot collecte trop (voire des données sensibles). Exemple typique: questions “santé” ou “situation familiale” déguisées en questions d’organisation. Mauvaise idée.

Garde-fou. Transparence immédiate (“vous échangez avec un assistant”) + minimisation stricte des champs. Si ce n’est pas utile à l’évaluation du poste, ne demandez pas.

6) Entretien assisté (guides de questions, prise de notes, synthèse)

Ce que ça fait. Génère un guide d’entretien par compétence, propose des questions, aide à prendre des notes, produit une synthèse homogène pour partager en interne.

Gain réaliste. Vous gagnez du temps sur la formalisation et vous réduisez la variabilité entre interviewers. Utile en PME quand plusieurs managers recrutent “à leur façon”.

Où ça casse. Enregistrement ou transcription sans base claire, conservation trop longue, accès trop large aux comptes rendus. Et si vous laissez une IA “évaluer” la personne sur la base d’une transcription, vous basculez vers un usage très sensible.

Garde-fou. Si vous enregistrez: informez, justifiez, limitez l’accès, et fixez une durée de conservation. Et gardez la synthèse comme aide, pas comme verdict.

7) Simulation et évaluation (tests, mises en situation, scoring)

Ce que ça fait. Tests de logique, exercices techniques, mises en situation, parfois analyse automatisée des réponses. L’intérêt, c’est l’objectivation si la méthode est bien construite.

Gain réaliste. Meilleure comparabilité entre candidats, moins de “feeling” pur, surtout sur des postes techniques où Lyon et Grenoble ont un vivier concurrentiel.

Où ça casse. Opacité (candidat et recruteur ne savent pas ce qui est évalué), biais (données d’entraînement, critères indirects), et confusion entre aide à la décision et décision automatisée. La CNIL insiste sur les risques de profilage et d’exclusion injustifiée si vous ne maîtrisez pas la logique et les impacts.

Garde-fou. Expliquer le principe du test, donner un droit au contexte (un score sans explication ne vaut pas grand-chose), et prévoir un recours humain.

8) Automatisation de la communication candidat (accusés réception, relances, planification)

Ce que ça fait. Accusés réception automatiques, relances, messages de prise de rendez-vous, suivi d’étapes, parfois rejet “automatique” basé sur statut.

Gain réaliste. Réactivité, réduction du ghosting côté entreprise, et moins de charge administrative.

Où ça casse. Le ghosting automatisé: messages secs, génériques, envoyés trop tard, ou rejets sans explication. C’est pire que de ne rien envoyer. Vous industrialisez la frustration.

Garde-fou. Des templates courts mais humains, des délais clairs, et un point de contact pour les questions. Automatiser la logistique, pas l’empathie.

Garde-fous RGPD et conformité: ce que vous devez verrouiller avant d’industrialiser

1) Transparence (et pas une ligne planquée en bas de page)

Vous devez informer clairement les candidats de l’usage d’outils d’IA, de la logique générale, et de leurs droits. Exemple de bonne direction: Emploi Lyon affiche explicitement qu’il n’y a pas de décision automatisée au sens de l’article 22 RGPD et que le matching est expliqué. Inspirez-vous du niveau de clarté, pas forcément du wording.

2) Minimisation des données (stop à la collecte “au cas où”)

Collectez uniquement ce qui sert à évaluer l’adéquation au poste. Définissez:

• les champs requis et facultatifs,
• les données interdites (santé, opinions, éléments non pertinents),
• les durées de conservation, y compris dans les sauvegardes et exports.

Si vous cherchez un levier simple: réduisez le nombre de champs de formulaire. Vous réduisez le risque et vous augmentez le taux de candidature.

3) Biais et équité (contrôler les effets, pas les intentions)

Le sujet n’est pas “notre outil n’est pas biaisé”. Le sujet, c’est: quels écarts produit-il sur vos candidats réels? Surveillez des signaux simples: taux de passage d’étape selon source, école, années d’expérience, reconversions, interruptions. Et gardez une porte de sortie: revue humaine des rejets “borderline”.

4) Audit fournisseur (questions à poser avant d’acheter)

• Qu’est-ce qui est automatisé exactement? Scoring, ranking, résumé, recommandation, rejet?
• Quelles données entrent dans le modèle? CV, lettre, réponses chatbot, historique?
• Où sont traitées et stockées les données? Et qui y accède côté éditeur?
• Explicabilité: pouvez-vous expliquer un résultat à un candidat et à la CNIL?
• Logs: avez-vous des traces des décisions prises avec aide de l’IA?

Sur Lyon IA, vous pouvez aussi vous appuyer sur des briques méthodes déjà publiées: la logique de traçabilité (Tracer les décisions prises avec l'aide d'une IA) et la documentation des usages (AI Act : documenter vos usages d’IA en entreprise).

5) Sécurité des accès (le point sous-estimé en RH)

Un recrutement, c’est des données personnelles sensibles au sens “impact”, même si pas “données sensibles” RGPD. CV, évaluations, notes d’entretien: c’est explosif si ça fuit.

• Accès au moindre privilège: un manager voit ses recrutements, pas toute la CVthèque.
• Comptes partagés interdits: vous perdez toute traçabilité.
• Exports contrôlés: qui peut télécharger des CV en masse?
• Durées de conservation maîtrisées: supprimez, vraiment, pas “archiver au cas où”.

Pour le volet sécurité “données + IA” en PME, un rappel utile existe déjà sur le site: 10 contrôles données + IA pour une PME lyonnaise.

Check-list: à automatiser vs à garder humain (décision rapide pour PME/ETI)

Automatiser en priorité (faible risque, gros gain de temps)

• Accusés réception et informations de process.
• Planification (créneaux, confirmations, rappels).
• FAQ candidat (horaires, localisation, étapes, fourchette si assumée).
• Rédaction de brouillons d’offres et d’emails, avec relecture.
• Résumé de CV et extraction de compétences, comme aide de lecture.

Automatiser avec contrôle strict (utile, mais à encadrer)

• Sourcing assisté si vous limitez la collecte et documentez la finalité.
• Matching et ranking uniquement si vous avez des explications et une revue humaine.
• Tests et simulations scorées si vous maîtrisez la méthode, expliquez, et prévoyez un recours.

Garder humain (ou au minimum, “humain décisionnaire”)

• Rejets sur critères qualitatifs ou “zone grise”.
• Entretiens et appréciation finale, surtout sur soft skills et contexte.
• Négociation et gestion des attentes (salaire, missions, trajectoire).
• Feedback candidat quand il est demandé: l’IA peut aider à rédiger, pas à esquiver.

Ce que vous pouvez mettre en place en 30 jours (sans projet usine à gaz)

Si vous visez un résultat concret sur “IA recrutement Lyon” et “outils IA RH PME”, sans vous exposer:

• Semaine 1: cartographiez votre process (étapes, outils, points de friction, délais). Identifiez 2 tâches répétitives maximum à automatiser (souvent: planification + accusés réception).
• Semaine 2: écrivez vos règles de minimisation: champs collectés, durées de conservation, accès. Faites valider par votre DPO si vous en avez un, sinon par la personne responsable RGPD.
• Semaine 3: activez l’automatisation “safe” (communication et planning). Mesurez: délai de réponse, taux de no-show, satisfaction candidat (même un micro-sondage).
• Semaine 4: testez un usage “encadré” (résumé de CV ou matching explicable) sur un seul recrutement, avec revue humaine systématique et traçabilité.

Gardez une règle simple: si vous ne pouvez pas expliquer à un candidat pourquoi il a été écarté, votre automatisation est trop opaque ou trop agressive. Et si votre outil score, classe ou influence l’accès à l’emploi, traitez-le comme un usage sensible: documentation, transparence, contrôle humain.

Sources

• Apec via ANDRH: marché de l’emploi cadre, repli 2024 et projection 2025: https://www.andrh.fr/article/marche-de-lemploi-cadre-les-recrutements-poursuivent-leur-repli-en-2025-selon-lapec
• Apec: Baromètre T1 2025, intentions de recrutement de cadres dans les PME: https://corporate.apec.fr/home/nos-etudes/toutes-nos-etudes/barometre-apec-1-er-trimestre-2025.html
• Apec: évolutions des pratiques de recrutement, IA comme levier émergent: https://www.apec.fr/tendances-emploi-cadre/recrutement-et-pratiques-rh/quelles-evolutions-des-pratiques-de-recrutement-dans-un-contexte-de-retournement-de-l-emploi-cadre-.html
• AI Act Service Desk: systèmes IA de recrutement potentiellement à haut risque: https://ai-act-service-desk.ec.europa.eu/pl/node/464
• Emploi Lyon: page Transparence IA (explicabilité, pas de décision automatisée au sens article 22 RGPD): https://emploi-lyon.fr/transparence-ia
• Région AURA: “Nos Talents, nos Emplois”: https://campusnumerique.auvergnerhonealpes.fr/article/nos-talents-nos-emplois/
• CNIL: Guide du recrutement: https://www.cnil.fr/fr/le-guide-du-recrutement
• CNIL: Référentiel/guide recrutement (profilage, risques, bonnes pratiques): https://www.cnil.fr/sites/cnil/files/atoms/files/guide_referentiel_-_recrutement.pdf?v=1694096531