Les détecteurs de texte IA appliqués au recrutement reposent sur des modèles statistiques de perplexité et de régularité syntaxique. Leur fiabilité chute dès que le texte est court, édité manuellement ou rédigé par un locuteur non natif. Nous observons que la plupart des articles sur le sujet esquivent ce point technique pour se concentrer sur des listes de « mots suspects ».
Perplexité et entropie : ce que mesurent réellement les détecteurs de texte IA
Les outils de détection IA calculent deux métriques principales : la perplexité (degré d’imprévisibilité du mot suivant) et l’entropie (variation de cette imprévisibilité sur l’ensemble du texte). Un texte généré par un modèle de langage affiche typiquement une perplexité basse et une entropie régulière, parce que le modèle choisit systématiquement les tokens les plus probables.
A voir aussi : C'est quoi la DFS ?
Le problème survient avec les candidatures. Un CV ou une lettre de motivation est un texte court, fortement normé, où le vocabulaire est volontairement restreint au champ lexical du poste visé. Un texte court et normé ressemble statistiquement à un texte généré, même rédigé sans aucune assistance.
Les résultats varient parfois fortement d’un outil à l’autre sur un même document. Cette incohérence entre détecteurs est documentée dans la littérature récente et devrait alerter tout recruteur qui baserait une décision d’embauche sur un score unique.
A lire en complément : Quels sont les outils technologiques pour la traduction ?
Faux positifs en recrutement : le biais contre les candidats non anglophones
Le risque de faux positifs touche davantage les candidats non anglophones. Un francophone rédigeant en anglais produit des phrases plus courtes, un vocabulaire moins idiomatique et des structures grammaticales plus régulières, trois caractéristiques que les détecteurs associent à une génération automatique.
Ce biais n’est pas marginal. Nous recommandons aux équipes recrutement de ne jamais utiliser un score de détection comme critère éliminatoire sur des candidatures internationales.
Correction IA partielle et zone grise de la détection
Un candidat qui rédige lui-même sa lettre de motivation puis la fait relire par ChatGPT pour corriger la grammaire ou fluidifier une phrase se retrouve dans une zone grise. Les performances des détecteurs se dégradent après paraphrase, correction humaine ou usage partiel de l’IA.
Aucun outil disponible ne distingue un texte entièrement généré d’un texte humain retouché par une IA. Le recruteur reçoit un score global sans granularité sur le degré d’intervention. Baser un rejet sur ce score revient à sanctionner l’utilisation d’un correcteur, ce qui poserait un problème juridique dans plusieurs cadres réglementaires européens.
Démontrer l’authenticité de son parcours après un faux positif
Quand un détecteur signale un texte comme « probablement généré par IA », le candidat n’a généralement aucune voie de recours formalisée. C’est la question que les articles concurrents n’abordent pas : comment prouver qu’on a rédigé soi-même sa candidature ?
- Fournir un portfolio de travaux antérieurs (articles, rapports, présentations) qui attestent d’un style d’écriture cohérent avec la candidature signalée
- Proposer un exercice de rédaction en direct lors de l’entretien, sur un sujet lié au poste, pour confirmer le niveau rédactionnel
- Conserver les brouillons et l’historique de modifications du document (captures d’écran Google Docs, versioning) comme preuve de processus d’écriture
Un candidat accusé à tort n’a souvent aucun recours formalisé. Les pratiques de vérification évoluent vers l’évaluation des compétences plutôt que vers la preuve technique : un entretien structuré, une mise en situation ou une demande d’explication détaillée sur les expériences mentionnées restent plus fiables qu’un score automatique.
Ce que les recruteurs repèrent sans outil de détection IA
L’expérience terrain montre que les signaux les plus discriminants ne viennent pas des logiciels mais de la lecture attentive. Un recruteur expérimenté identifie rapidement un texte généré à trois indices convergents :
- L’absence d’exemples concrets rattachés à l’entreprise ou au secteur visé (le texte reste applicable à n’importe quel poste)
- Une structure argumentative parfaitement équilibrée, où chaque paragraphe fait la même longueur et suit le même schéma
- Un décalage entre le registre de la candidature écrite et le niveau d’expression du candidat en entretien téléphonique
Le décalage entre l’écrit et l’oral reste le signal le plus fiable pour un recruteur. Un candidat dont la lettre emploie un vocabulaire soutenu et des tournures complexes, mais qui peine à reformuler ses compétences à l’oral, déclenche un doute légitime, détecteur ou non.
Quand ChatGPT améliore réellement une candidature
Utiliser ChatGPT pour structurer ses idées, corriger des fautes ou adapter le registre à un secteur précis ne pose pas de problème éthique pour la majorité des responsables recrutement. La ligne de démarcation se situe dans la fabrication d’expériences ou de compétences inexistantes.
Nous observons que les recruteurs sanctionnent le mensonge, pas l’outil. Un candidat qui utilise l’IA pour mieux formuler des expériences réelles n’encourt pas le même jugement que celui qui génère une candidature entière sans aucun vécu correspondant.
La fiabilité des détecteurs de texte IA reste trop faible sur des documents courts et multilingues pour justifier leur usage comme filtre en recrutement. Les équipes qui intègrent ces outils dans leur processus de sélection s’exposent à écarter des candidats compétents sur la base d’un score statistique contestable. L’entretien structuré et la mise en situation restent, à ce stade, les seuls moyens robustes de vérifier qu’un candidat maîtrise ce qu’il affirme dans sa candidature.
