Pourquoi tu es rejeté de chaque emploi (et c'est souvent la même IA à chaque fois)

Le goulet caché derrière tes candidatures sans réponse

Si tu as postulé à 30, 50 ou 100 emplois et que le silence est uniforme, la supposition habituelle — « mon CV doit être faible » — n'est souvent pas la bonne. La cause structurelle est plus simple et plus inconfortable : tu n'es pas lu par 50 recruteurs différents. Tu es noté par une poignée d'algorithmes, et probablement le même, encore et encore.

Plus de 90% des employeurs US utilisent maintenant le filtrage algorithmique pour filtrer les candidats avant qu'un humain ne soit impliqué. L'adoption en UE augmente rapidement et est maintenant formellement régulée par l'EU AI Act, qui classe l'IA d'embauche au travail comme « à haut risque » (Annexe III). Ce que la plupart des candidats ne réalisent pas, c'est à quel point le marché des fournisseurs est concentré. Plus de 60% du Fortune 100 et 8 des 10 plus grandes agences fédérales US utilisent les algorithmes de HireVue. Pymetrics — le fournisseur étudié dans l'article de Stanford de 2026 — médie le filtrage chez 156 employeurs représentant 225 milliards $ de revenu annuel, dans la finance, la fabrication, la logistique et 8 autres industries.

La conséquence est un point de défaillance unique sur le marché du travail. Quand l'algorithme d'un fournisseur décide que tu ne corresponds pas, ce verdict se propage à chaque employeur utilisant ce fournisseur. Postuler à plus de rôles dans plus d'entreprises — le conseil classique — ne fonctionne que partiellement si ces entreprises utilisent des fournisseurs différents. Sinon, la même machine te dit non en 47 uniformes différents.

Ce que veut vraiment dire « monoculture algorithmique »

Les chercheurs appellent ce schéma monoculture algorithmique — défini formellement comme « l'état dans lequel de nombreux décideurs s'appuient sur le même algorithme ou des algorithmes similaires ». Le terme vient de la science agricole, où cultiver une seule variété sur de vastes zones amplifie l'impact d'un seul parasite. La logique économique se transfère : quand de nombreux employeurs achètent le même outil de filtrage, ses préférences et angles morts s'ancrent dans le marché du travail entier.

L'article de Stanford de 2026 par Bommasani, Bana, Creel, Jurafsky et Liang (Stanford, Chapman, Northeastern) est la première étude à observer de vraies décisions d'embauche algorithmiques chez plusieurs employeurs utilisant un seul fournisseur. Ils ont obtenu accès à 4 197 168 candidatures soumises par 3 372 132 candidats sur 1 746 postes, toutes notées par des modèles pymetrics entre décembre 2018 et décembre 2022. Chaque candidature est notée et binarisée en « recommandé » ou « non recommandé ». En moyenne, 58,2% des candidats par poste sont recommandés ; le reste est marqué pour rejet probable, et la plupart des employeurs rejettent les non-recommandés sans examen humain.

Ce que vivent la plupart des candidats sans le voir : 42 des modèles pymetrics du jeu de données sont utilisés simultanément par plusieurs entreprises. Si tu postules à deux entreprises utilisant le même modèle, un rejet par A est mécaniquement un rejet par B. Pas évalué deux fois ; évalué une fois et la réponse copiée.

La règle des 4% : candidats rejetés partout

Le résultat principal est ce que les auteurs appellent rejet systémique — le taux auquel un candidat est rejeté par chaque poste auquel il postule. Parmi les candidats ayant soumis exactement 10 candidatures, 4% ont été rejetés des 10. À mesure que les candidats postulent à plus de postes, le taux diminue — mais plus lentement que l'indépendance statistique ne le prédirait.

Pourquoi cet écart compte-t-il ? Si les décisions étaient vraiment indépendantes — chaque employeur jugeant à neuf — les taux décliraient exponentiellement de façon calculable. Les auteurs ont vérifié avec un autre grand jeu de données (études de correspondance de 83 000 candidatures à 108 entreprises du Fortune 500) et ces taux déclinent bien indépendamment. L'embauche algorithmique non. Le déclin est corrélé : rejeté une fois, les chances de l'être à nouveau sont plus élevées que le hasard.

Voilà ce à quoi ressemble « la même IA 50× » dans les vraies données. Pas une métaphore. Un schéma statistique mesuré qui s'écarte de l'indépendance.

« Postuler à plus » marche en partie — mais il en faut 25

Habilement, les chercheurs ont exploité le fait que les algorithmes d'embauche sont déterministes : même input, même output. Ils ont simulé contrefactuellement le résultat que chaque candidat aurait reçu en postulant aux 1 746 postes. Résultat : chaque candidat aurait été recommandé par au moins un modèle pymetrics. Personne n'est fondamentalement verrouillé par le système — à condition de postuler partout.

Les vrais candidats ne postulent pas partout. Sous comportement plus réaliste — postuler largement mais pas universellement — certains restent systématiquement rejetés. Les auteurs quantifient le volume nécessaire : pour garantir un taux de rejet systémique sous 0,1%, il faut 25 candidatures au lieu de 10 sous indépendance. La monoculture algorithmique force ~2,5× le volume juste pour atteindre la même base d'équité qu'un marché non algorithmique offrirait gratuitement.

Deux préjudices spécifiques documentés par l'étude

Au-delà du rejet systémique, l'article documente un adverse impact selon des lignes raciales atteignant le seuil du droit anti-discrimination US. La « règle des 4/5 » signale un poste comme à adverse impact si le taux de sélection d'un groupe démographique est inférieur à 80% du groupe le plus sélectionné, et l'écart est statistiquement significatif.

Par poste (le niveau exigé par la loi), les auteurs ont trouvé :

• 10,62% des 1 746 postes montrent un adverse impact contre les candidats Noirs.
• 30,70% des candidats Noirs ont postulé à au moins un poste qui désavantage les candidats Noirs.
• 25,87% des candidatures soumises par des candidats Noirs sont allées à des postes qui les désavantagent.
• 14,74% des candidatures soumises par des candidats Asiatiques sont allées à des postes qui les désavantagent.

Crucial : pymetrics filtre sur la performance dans des jeux d'évaluation en ligne, pas sur les noms, photos ou données démographiques déclarées. Le biais émerge sans que l'algorithme voie les proxies démographiques traditionnels. C'est ce que les chercheurs appellent discrimination par proxy — le modèle trouve des corrélations avec la race dans des caractéristiques apparemment neutres, puis propage le biais malgré l'entraînement explicite anti-biais (que pymetrics applique, selon les auteurs).

Pour les candidats individuels : même si ton groupe démographique n'est pas affecté par un modèle donné, l'existence de ces schémas signifie que le verdict de l'algorithme n'est pas une mesure propre de « fit » — c'est un signal bruité et statistiquement biaisé qu'il ne faut pas intérioriser comme jugement de tes compétences.

Ce qui change vraiment le verdict de l'algorithme

Une partie de ce que ces algorithmes notent est déterministe et réparable. Une partie non. Connaître la différence, c'est la différence entre effort productif et semaines perdues.

Ce que tu peux changer, et que l'algorithme notera à la prochaine candidature :

• Format lisible par ATS. Mises en page sur une colonne, texte réel (pas dans des images), libellés de section standards (« Expérience », « Formation »), pas de colonnes décoratives ni de tableaux. La plupart des échecs de parser viennent de la mise en page, pas du contenu.
• Dates complètes sur chaque rôle. L'expérience non datée est un signal de premier ordre soit d'une candidature bâclée, soit d'un trou caché ; les algorithmes pénalisent fort.
• Bullets quantifiés là où c'est véridique. « Augmenté le chiffre d'affaires » est invisible. « Augmenté le chiffre d'affaires de 32% » accroche. N'invente pas — mais n'omets pas ceux que tu as.
• Verbes forts en début de bullet. « Mené / construit / livré / piloté » pèsent ; « responsable de / travaillé sur / aidé à » non.
• Pas de placeholders inachevés. Crochets comme [X], [nombre] ou « TBD » sont auto-rejets dans tout pipeline ATS. Les algorithmes les voient comme un brouillon.
• Mots-clés de compétences correspondant au vocabulaire du rôle. Pas bourrés, mais présents. Si l'offre dit « Postgres » et tu écris « SQL », tu peux ne pas matcher.

Ce que tu ne peux pas changer dans l'algorithme — mais contourner :

• Diversifie les types de rôles. Différents métiers passent souvent par différents modèles. Postuler à la fois « analyste data » et « analyste business » si les deux correspondent fait regarder deux algorithmes au lieu d'un.
• Diversifie la taille des employeurs. Les grandes entreprises utilisent massivement les gros fournisseurs (HireVue, Workday, pymetrics, Greenhouse). Le mid-market et les startups ont un éventail bien plus large ; certains ne filtrent pas automatiquement.
• Postule via des canaux qui incluent une relecture humaine. Recommandations internes, réseaux alumni, services carrière universitaires, et démarchage direct via recruteurs contournent le filtre automatique initial chez la plupart des entreprises. L'article de Stanford note : sous indépendance, 10 candidatures suffiraient — le réseautage est une voie directe pour récupérer cette indépendance.
• Note les offres auxquelles tu postules et la plateforme utilisée. Si 18 de tes 25 candidatures sont passées par le même portail, tu as identifié une monoculture que tu peux briser ensuite.

La politique évolue — mais lentement, et pas partout

L'article de Stanford se situe à l'intersection d'un moment politique chaud. Trois régimes touchent à l'embauche algorithmique :

• Title VII du Civil Rights Act US de 1964 — base de la règle des 4/5. Les algorithmes d'embauche ne doivent pas produire d'adverse impact sur les groupes protégés, mesuré par poste.
• EU AI Act (2024, en vigueur 2026–2027). L'Annexe III classe formellement l'IA pour « emploi, gestion des travailleurs et accès au travail indépendant » comme à haut risque. À partir du 2 août 2026, les fournisseurs de ces systèmes sur le marché EU font face à des exigences de conformité, transparence et audits de biais.
• NYC Local Law 144 (2021, appliquée depuis 2023). Exige des audits annuels de biais des outils de décision d'emploi automatisés utilisés par les employeurs NYC, plus notification aux candidats.

La direction est claire — plus de transparence, plus d'audits, plus de droits des candidats — mais la chronologie est en années. Le jeu de données pymetrics documente des systèmes opérés quatre ans sans divulgation d'adverse impact par poste aux candidats ou régulateurs. Les auteurs appellent à de nouvelles voies d'accès indépendant à la recherche. En attendant, les candidats individuels naviguent un système opaque de l'extérieur.

Que faire cette semaine

Concret, par impact :

1. Lance un audit ATS sur ton CV actuel. Les vérifications déterministes (format, dates, placeholders, verbes faibles) sont les gains les moins chers. Corrige d'abord les findings de haute sévérité.
2. Cartographie les fournisseurs. Pour tes 10 dernières candidatures, note la plateforme (Workday, Greenhouse, Lever, etc.). Si la plupart sont passées par un seul, tes 10 prochaines doivent délibérément viser d'autres plateformes.
3. Ajoute 2–3 métiers adjacents à ta liste cible. Les métiers adjacents sont généralement filtrés par d'autres modèles — et tes compétences se transfèrent.
4. Atteins 25 candidatures avec une diversité délibérée. La simulation Stanford dit : volume + variété ferment l'écart de rejet systémique. Évite le spray ; choisis 25 rôles soigneusement entre employeurs, tailles et fournisseurs.
5. Active au moins 3 canaux à relecture humaine. Une demande de recommandation interne, une relation de recruteur, un démarchage direct. Ils contournent le filtre automatique.
6. Suis les résultats 6 semaines. Quel canal produit des entretiens, lequel produit le silence. Réalloue vers les canaux à signal.