Un même parcours professionnel, deux résumés de présentation : c’est le principe du travail de Jiannan Xu, Gujie Li et Jane Yi Jiang, révisé en juin 2026. Les chercheurs exploitent 2 245 CV et remplacent leur résumé par une version générée, en conservant les autres rubriques. Leur objectif est d’observer ce qui change lorsque l’IA intervient à la fois dans la rédaction et dans l’évaluation des candidatures. L’étude détaille ce protocole et ses résultats.
Les modèles favorisent généralement leurs propres versions face aux textes humains, y compris après des contrôles de qualité rédactionnelle. Une simulation sur 24 catégories professionnelles retrouve cette surreprésentation lorsqu’il faut sélectionner quatre dossiers sur dix. Face aux productions d’une autre IA, en revanche, la préférence pour ses propres textes varie davantage selon le modèle et la comparaison.
L’expérience porte sur des résumés et des versions précises, dont GPT-4o, DeepSeek-V3 et Llama 3.3. Elle ne mesure pas les embauches réelles et ne démontre aucun avantage universel à choisir une marque particulière pour préparer sa candidature.
Le phénomène dépasse le recrutement. Dans des travaux présentés à NeurIPS en 2024, Arjun Panickssery, Samuel Bowman et Shi Feng avaient déjà observé que certains modèles identifient leurs propres productions et tendent à les favoriser. Cette préférence apparaît aussi lorsque des évaluateurs humains considèrent les textes comparés comme équivalents. Un modèle utilisé comme juge peut donc introduire des critères qui ne coïncident pas avec ceux des personnes auxquelles son évaluation est destinée.
Il serait pourtant réducteur d’attribuer tout avantage d’un CV réécrit à ce biais. La rédaction constitue elle-même une partie du problème : une expérience professionnelle mal expliquée peut passer inaperçue. Une expérience de terrain menée auprès de près d’un demi-million de demandeurs d’emploi a ainsi constaté une hausse de 8 % de la probabilité d’embauche chez les participants ayant bénéficié d’une assistance algorithmique à l’écriture. Les chercheurs n’ont pas relevé de baisse de satisfaction des employeurs. Cette étude examinait une aide rédactionnelle, sans établir un effet de préférence d’un modèle pour ses propres textes.
La difficulté est donc de distinguer plusieurs mécanismes : une meilleure présentation des compétences, une préférence pour certaines formulations et une erreur de jugement. Un travail présenté à ICML 2026 souligne cette dernière possibilité. Sur des tâches d’évaluation, un modèle peut favoriser sa propre réponse parce qu’il partage les erreurs qui l’ont produite. Les auteurs proposent de comparer ce comportement à sa manière de juger les erreurs d’autres modèles. Leur étude ne réévalue pas directement les CV, mais elle invite à ne pas attribuer trop rapidement une intention ou un mécanisme unique à la préférence observée.
Pour une entreprise, l’enjeu commence dès la présélection. Un classement détermine quels profils bénéficieront de l’attention du recruteur. La qualité de la décision finale dépend alors aussi des dossiers que le système a laissés de côté.
La CNIL décrit précisément cette situation dans son guide du recrutement. Lorsque le volume des candidatures conduit un recruteur à consulter seulement les profils les mieux classés, les autres peuvent être exclus du processus par le seul fonctionnement du logiciel. Selon les circonstances, cette exclusion peut constituer une décision entièrement automatisée produisant un effet significatif, même si une personne conduit ensuite les entretiens et choisit le candidat retenu.
La présence d’un recruteur à la fin du processus ne suffit donc pas à démontrer que chaque candidature a bénéficié d’un examen humain. Le contrôle doit aussi porter sur les effets du classement initial. La CNIL rappelle par ailleurs que les méthodes d’aide au recrutement doivent être pertinentes au regard du poste et portées préalablement à la connaissance des candidats.
Une façon concrète d’évaluer un outil consiste à lui présenter plusieurs formulations fidèles d’un même parcours. Les expériences, les diplômes et les compétences restent identiques ; seule leur présentation change. Un écart de classement devient alors un point à examiner : quelle information le système a-t-il mieux comprise, et sur quel critère professionnel fonde-t-il sa préférence ?
Ce test ne remplace pas une validation complète du logiciel. Il permet toutefois de poser une exigence vérifiable au fournisseur. Un outil de recrutement doit aider à identifier les compétences recherchées, avec des raisons que l’employeur peut examiner. La fluidité d’un résumé ne devrait pas devenir, à son insu, un diplôme supplémentaire.