L’intelligence artificielle s’est déjà invitée dans le quotidien des équipes RH.
Rédaction d’annonces, synthèse de documents, recherche d’informations, contrôle de données… Mais entre les usages réellement utiles et les promesses qui vont trop loin, toutes les applications de l’IA RH ne se valent pas. Ni en matière de gains, ni en matière de risques.
En 2026, la vraie question n’est donc plus « faut-il utiliser l’IA en ressources humaines ? », mais plutôt : où apporte-t-elle réellement de la valeur, avec quelles données et sous quels garde-fous ?
quarksUp édite un logiciel SIRH. Nous voyons donc à la fois ce que l’IA peut apporter aux processus RH et les conditions concrètes qui permettent, ou empêchent, d’en tirer parti. Ce guide traite les deux.
Sous l’expression « IA RH », on mélange souvent des technologies qui n’ont pourtant ni le même fonctionnement ni les mêmes risques.
La première famille est celle de l’automatisation à base de règles. Un workflow qui déclenche une relance après sept jours, transmet automatiquement un document au bon interlocuteur ou alerte lorsqu’une donnée manque peut considérablement fluidifier les processus RH. Mais ce n’est pas nécessairement de l’intelligence artificielle.
Vient ensuite l’apprentissage automatique, ou machine learning. Le système analyse des données pour repérer des régularités et produire un score, une recommandation ou une prédiction. Le matching entre un CV et une offre, par exemple, peut relever de cette logique.
Enfin, l’IA générative produit ou reformule du contenu : rédaction d’une annonce, résumé d’un entretien, création d’un support de formation, réponse à une question formulée en langage naturel. Cette distinction est essentielle. Demander à une IA générative de proposer une première version d’une fiche de poste n’a rien à voir, juridiquement ou humainement, avec lui demander de classer 300 candidatures.
L’IA n’est ni un DRH automatique, ni un manager numérique, ni une machine capable de transformer une mauvaise donnée en bonne décision. Elle peut accélérer une recherche, préparer une synthèse, repérer une anomalie ou faire émerger une recommandation.
Mais elle travaille toujours à partir d’un matériau existant : données, documents, règles, historiques.
Prenons un exemple très simple. Demandez à un système de matching d’identifier les meilleurs profils pour un poste à partir d’une fiche vieille de quatre ans, d’un référentiel de compétences jamais actualisé et d’historiques de recrutement très homogènes.
La technologie pourra produire un classement extrêmement précis en apparence. Cela ne rendra pas le résultat pertinent pour autant. C’est l’un des paradoxes de l’IA RH : plus l'interface semble simple, plus on risque d’oublier la complexité de ce qu’il y a derrière.
L’IA progresse dans les services RH, mais elle est encore loin d’être généralisée.
Le baromètre OpinionWay réalisé pour Kelio en 2026 auprès de 306 responsables RH d’entreprises privées de 20 salariés et plus montre que 33 % utilisent désormais des outils d’IA dans leur fonction, contre 9 % en 2024.² La progression est nette, mais ralentit : elle n’a gagné que cinq points entre 2025 et 2026.²
Surtout, l’adoption ne signifie pas encore confiance. 53 % des responsables RH interrogés déclarent ne pas faire confiance à l’IA pour produire un travail de qualité, et la confidentialité et la sécurité des données restent leur premier frein.²
Le recrutement concentre particulièrement les réserves : 51 % des professionnels RH interrogés disent craindre son utilisation dans ce domaine.² Le marché n’est donc plus dans la découverte pure, mais pas encore dans l’industrialisation généralisée. Les équipes testent, apprennent et commencent à distinguer ce qui leur fait réellement gagner du temps de ce qui demande encore trop de prudence.
Le recrutement est probablement le cas d’usage de l’IA RH le plus médiatisé. C’est aussi celui où il faut éviter de tout mettre dans le même panier. Utiliser l’IA pour préparer une annonce à partir d’une fiche de poste constitue essentiellement une aide à la rédaction. Elle peut proposer une structure, reformuler un passage ou suggérer des variantes. Un recruteur relit, corrige et publie.
Le tri ou le scoring automatisé de candidatures, en revanche, touche directement à l’accès à l’emploi.
L’AI Act identifie certains systèmes utilisés pour analyser, filtrer ou évaluer des candidats parmi les cas d’usage potentiellement à haut risque de son annexe III.¹
Des exceptions existent lorsque le système n’influence pas significativement la décision ; la qualification doit donc être faite au cas par cas. Le principe pratique reste simple : plus l’IA influence la décision, plus le niveau d’exigence monte. Elle peut aider à piloter vos campagnes de recrutement, mais la responsabilité du choix doit rester clairement identifiée.
À l’arrivée d’un salarié, les questions sont souvent nombreuses… et prévisibles : où trouver tel document ? Comment demander une absence ? À qui transmettre une information ? Quelle procédure suivre ? Un assistant peut faciliter l’accès à ces réponses à partir d’une documentation interne maîtrisée.
L’IA générative peut également aider à préparer certains contenus d’onboarding ou à synthétiser des informations. Le bénéfice est ici moins spectaculaire qu’un système de matching, mais souvent plus facile à obtenir : moins de recherches, moins d’allers-retours, une information plus accessible.
À une condition : savoir précisément quelles sources l’assistant consulte et empêcher qu’il invente une règle RH qui n’existe pas.
C’est probablement l’un des usages les moins médiatisés. Pourtant, il présente un intérêt très concret pour les équipes RH : concentrer les contrôles humains là où une anomalie mérite réellement d’être vérifiée.
Un système peut aider à détecter des écarts inhabituels, des données manquantes ou certaines incohérences avant la préparation de la paie. Il ne gère pas la paie à la place du gestionnaire : il l’aide à concentrer son attention sur les lignes qui méritent une vérification.
Pour une équipe RH, le gain est concret : réduire le temps passé sur des contrôles répétitifs tout en conservant une validation humaine. L’IA ou l’automatisation peuvent ainsi contribuer à fiabiliser la préparation de la paie sans commencer par un cas d’usage fortement exposé.
Quels collaborateurs ont besoin de développer telle compétence ? Quels contenus pourraient répondre à cet écart ? Quels parcours proposer selon le métier ou les objectifs définis ?
L’IA peut faciliter le rapprochement entre compétences disponibles, compétences attendues et ressources de formation. Elle peut aussi accélérer la création ou l’adaptation de certains supports.
Mais ici encore, la qualité du référentiel est déterminante. Si les compétences sont mal définies ou jamais mises à jour, la recommandation automatisée ne fait qu’habiller le problème. L’enjeu reste donc d’abord de construire des parcours de formation cohérents et de disposer de données suffisamment structurées pour les personnaliser.
Après une campagne de plusieurs centaines d’entretiens, la quantité d’informations à exploiter peut devenir considérable. L’IA générative peut aider à synthétiser des comptes rendus, faire ressortir des thèmes récurrents ou préparer la prochaine étape. Elle peut également assister un manager avant un entretien en retrouvant certains éléments utiles dans l’historique du collaborateur.
En revanche, synthétiser n’est pas évaluer. Décider qu’une personne est « à haut potentiel », mérite une promotion ou présente un niveau de performance insuffisant ne peut pas être abandonné à un résumé automatisé. L’IA aide à préparer. L’entreprise continue à évaluer les compétences et piloter les entretiens.
L’analyse de données RH à l’échelle d’une population peut être utile pour identifier une évolution de l’absentéisme, une tension sur une catégorie de métiers ou un risque de pénurie de compétences.
La promesse devient beaucoup plus fragile lorsqu’elle se transforme en : « cette personne a 78 % de risque de partir dans les six prochains mois ». À l’échelle individuelle, une telle prédiction dépend d’un nombre considérable de facteurs, dont beaucoup ne figurent dans aucune base RH. Elle pose en outre d’importantes questions de profilage, de transparence et d’usage managérial.
Mieux vaut donc utiliser la donnée pour identifier des tendances et des populations à investiguer que pour coller une probabilité de démission sur le dossier d’un collaborateur.
L’analyse de verbatims ou de tendances collectives peut aider les RH à faire émerger des sujets récurrents dans les enquêtes internes : surcharge, manque de reconnaissance, difficultés organisationnelles. Mais il faut être particulièrement prudent dès que l’on cherche à inférer la santé, l’état psychologique ou le risque d’épuisement d’une personne. Les données concernant la santé font partie des catégories particulières de données personnelles bénéficiant d’une protection renforcée au titre du RGPD.³
Un algorithme ne doit jamais se substituer au dialogue, à l’expertise médicale ou à l’intervention humaine. L’IA peut contribuer à la détection des signaux de stress à un niveau adapté et encadré. Elle ne diagnostique pas un collaborateur.
| Cas d’usage | Gain attendu | Risque réglementaire à examiner | Effort de mise en œuvre | Maturité |
| Rédaction d’annonces | Temps de rédaction | Faible | Faible | Élevée |
| Synthèse de documents RH | Temps administratif | Faible à modéré selon les données | Faible | Élevée |
| Assistant documentaire RH | Accès à l’information | Faible à modéré | Moyen | Élevée |
| Pré-contrôle de paie | Réduction des contrôles manuels | Faible à modéré | Moyen | Bonne |
| Création de contenus de formation | Production plus rapide | Faible | Faible | Élevée |
| Recommandation de formations | Personnalisation | À qualifier selon l’impact | Moyen | Bonne |
| Matching CV/offre | Gain de présélection | Potentiellement élevé | Moyen à élevé | Bonne techniquement |
| Scoring de candidats | Rapidité de tri | Potentiellement haut risque AI Act | Élevé | À encadrer fortement |
| Synthèse d’entretiens | Temps de traitement | Modéré | Moyen | Bonne |
| Évaluation automatisée de salariés | Aide au pilotage | Potentiellement haut risque | Élevé | À encadrer fortement |
| Prédiction individuelle du turnover | Anticipation supposée | Élevé | Élevé | Faible / contestable |
Les niveaux de risque, d’effort et de maturité indiqués dans ce tableau constituent une appréciation éditoriale indicative. La qualification réglementaire d’un système d’IA dépend de son fonctionnement concret, de sa finalité et de son influence sur les décisions.
À retenir : « techniquement possible » n’est pas synonyme de « pertinent à déployer ». Pour arbitrer, il faut regarder simultanément la valeur attendue, le risque, la qualité des données disponibles et l’effort réel de mise en œuvre.
C’est aujourd’hui le bénéfice le plus tangible. Préparer un premier brouillon, synthétiser dix pages, retrouver une information dans une documentation longue, pré-contrôler des données : quelques minutes économisées sur une tâche répétée plusieurs centaines de fois finissent par représenter un vrai gain.
Surtout, ce temps peut être réalloué là où l’équipe RH apporte davantage de valeur : accompagner un manager, traiter une situation individuelle, travailler sur les compétences ou préparer une transformation.
Lorsqu’un volume important de données doit être vérifié, les systèmes automatiques sont particulièrement utiles pour repérer les anomalies et attirer l’attention d’un humain. Le bon modèle n’est donc pas « machine ou RH », mais machine puis RH : l’outil filtre ou signale, le professionnel contrôle et décide.
Une politique RH utile est une politique que les collaborateurs et les managers arrivent à comprendre et à utiliser. Les assistants conversationnels et moteurs de recherche en langage naturel peuvent rendre une documentation complexe beaucoup plus accessible. Là encore, le défi n’est pas uniquement technologique : la base documentaire doit être exacte, actualisée et organisée.
Déduire de manière fiable la personnalité, les qualités futures ou l’adéquation culturelle d’une personne à partir d’une vidéo, de micro-expressions ou de paramètres comportementaux est beaucoup plus contestable que ne le suggèrent certaines démonstrations commerciales.
Ce qui fonctionne mieux : utiliser des critères professionnels explicites, documentés et reliés au poste.
Un modèle peut faire apparaître des tendances à l’échelle d’une population. Il ne connaît pas la conversation qu’un collaborateur a eue hier avec son conjoint, l’appel d’un recruteur concurrent ou un projet personnel encore inconnu de l’entreprise.
Ce qui fonctionne mieux : croiser des indicateurs collectifs et dialoguer avec les équipes au lieu de transformer une probabilité en vérité individuelle.
Un système apprend à partir de données et de choix humains. Si les décisions passées contiennent des biais, l’algorithme peut les reproduire, parfois de manière beaucoup moins visible.
Ce qui fonctionne mieux : tester les résultats, documenter les critères et maintenir une supervision humaine réelle.
C’est probablement la promesse la plus trompeuse.
Si trois fichiers Excel donnent trois intitulés différents au même métier, si les fiches de poste ne correspondent plus à la réalité et si la moitié des compétences n’est pas renseignée, l’IA ne remettra pas spontanément de l’ordre.
Ce qui fonctionne mieux : commencer par structurer les données et les processus.
Les usages les plus solides racontent plutôt l’inverse : ils automatisent ou accélèrent ce qui prend du temps afin de laisser davantage de place aux décisions, aux échanges et aux situations complexes. Une IA peut résumer un entretien. Elle ne gère pas la conversation difficile qui suivra.
Important : la qualification juridique d’un système dépend de son fonctionnement et de son usage réel. Les éléments qui suivent donnent des repères, mais un projet sensible doit être validé avec le DPO et, lorsque nécessaire, un juriste spécialisé.
L’annexe III de l’AI Act vise notamment certains systèmes utilisés dans l’emploi : recrutement ou sélection de candidats, décisions affectant les conditions de travail, promotion ou rupture de la relation contractuelle, attribution de tâches fondée sur des caractéristiques personnelles ou suivi et évaluation des performances.¹
Cela ne signifie pas que tout logiciel utilisé par une DRH est automatiquement « haut risque ».
Le règlement prévoit notamment des exceptions pour certaines tâches procédurales ou préparatoires qui n’influencent pas significativement la décision. La qualification exacte compte donc beaucoup.
Le règlement européen sur l’IA est largement applicable depuis le 2 août 2026, avec notamment l’entrée en application de nouvelles obligations de transparence.⁴
En revanche, le calendrier des systèmes à haut risque a été modifié par l’AI Omnibus.
Pour les usages de l’annexe III, notamment dans le domaine de l’emploi, les règles correspondantes doivent désormais s’appliquer à compter du 2 décembre 2027.⁴
Ce délai supplémentaire ne doit pas être interprété comme une invitation à attendre : cartographier les systèmes utilisés, clarifier les rôles entre fournisseur et entreprise utilisatrice, documenter les données et organiser la supervision humaine prend du temps.
L’AI Act ne remplace pas le RGPD. Les données de candidats et de salariés restent des données personnelles : leur collecte doit avoir une finalité déterminée, être proportionnée, sécurisée et accompagnée d’une information appropriée des personnes.
L’article 22 du RGPD encadre en particulier les décisions fondées exclusivement sur un traitement automatisé lorsqu’elles produisent un effet juridique ou affectent significativement une personne.
En principe, une personne a le droit de ne pas faire l’objet d’une telle décision, sous réserve d’exceptions prévues par le texte ; des garanties, dont l’intervention humaine, sont alors requises.⁵
La CNIL a fait du recrutement l’un de ses thèmes prioritaires de contrôle en 2026.⁶
Elle indique notamment vouloir examiner les systèmes de prise de décision automatisée, l’information des candidats et les durées de conservation, en ciblant prioritairement les grandes entreprises et les cabinets de recrutement.⁶
Raison de plus pour ne pas traiter le choix d’un outil de scoring comme une simple décision logicielle.
C’est une question simple, mais elle devrait apparaître très tôt dans tout projet : quelles données sont transmises ? À qui ? Où sont-elles hébergées ? Sont-elles réutilisées pour entraîner un modèle ? Comment les accès sont-ils gérés ?
quarksUp appartient au groupe européen Visma. Cet ancrage peut faire partie des éléments examinés lors du choix d’un fournisseur, mais il ne préjuge ni du lieu d’hébergement des données ni des garanties applicables à chaque fonctionnalité. Ces points doivent être vérifiés au cas par cas.
Les biais peuvent venir des données historiques, des variables choisies, de la manière dont un objectif est défini ou simplement du contexte dans lequel le système est utilisé.
Imaginez que les recrutements réussis des dix dernières années concernent majoritairement un profil homogène. Si le modèle apprend à reproduire ce passé sans garde-fou, il peut transformer une habitude historique en critère apparemment objectif.
La supervision humaine n’est utile que si l’humain dispose réellement de la capacité de comprendre, questionner et modifier le résultat.
Un recruteur à qui l’on présente uniquement une fraction des candidatures après un classement algorithmique n’exerce pas nécessairement un contrôle réel sur les profils écartés.
La CNIL donne justement l’exemple d’un algorithme de tri qui placerait certains CV si bas dans une file qu’un humain ne pourrait matériellement plus vérifier la pertinence du classement.⁷
Avant d’étendre un usage, il faut pouvoir répondre à quelques questions simples : quels résultats obtient le système ? Sur quelles données ? Observe-t-on des écarts selon certaines populations ? Un humain peut-il comprendre et contester le résultat ? Que se passe-t-il lorsqu’il n’est pas d’accord ? La confiance ne se décrète pas. Elle se documente.
Dans les entreprises d’au moins 50 salariés, le Code du travail prévoit l’information et la consultation du CSE sur différentes questions relatives à l’organisation et aux conditions de travail, notamment lors de l’introduction de nouvelles technologies.⁸ Selon la nature et les effets du projet IA, cette disposition peut donc entrer en jeu.
Il ne faut pas attendre la veille du déploiement pour se poser la question. Un outil qui modifie la façon dont on recrute, contrôle, évalue ou répartit le travail n’est pas seulement un projet IT.
Les personnes concernées doivent comprendre quelles données sont utilisées et pourquoi. Dans le cas d’une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou affectant significativement la personne, le RGPD prévoit, dans les situations concernées, des garanties telles que l’intervention humaine et la possibilité de contester la décision.⁵
Commencer par « nous allons déployer de l’IA pour optimiser les RH » est rarement la meilleure approche.
Mieux vaut expliquer le problème concret que l’on cherche à résoudre : 500 demandes identiques auxquelles l’équipe répond chaque mois, plusieurs heures de vérification avant chaque paie, une documentation que les managers ne retrouvent pas.
Puis préciser ce que l’outil fera, et ce qu’il ne fera pas. Dire par exemple : « l’outil signalera les anomalies, mais un gestionnaire validera toujours la paie » est beaucoup plus rassurant et beaucoup plus précis que « l’humain restera au centre ».
L’IA remet en lumière un sujet que les RH connaissent depuis longtemps : la qualité de la donnée. Un référentiel de compétences à moitié rempli n’est pas simplement un problème de reporting. Il devient un mauvais matériau pour recommander des formations ou identifier des passerelles de mobilité.
Une fiche de poste obsolète ne gêne plus uniquement le recrutement. Elle fausse le matching que l’on vient de brancher dessus. Des historiques d’entretien dispersés dans des fichiers locaux empêchent aussi bien l’analyse traditionnelle que l’utilisation pertinente d’un assistant.
Avant de penser « modèle », il faut donc penser architecture : où se trouve la donnée ? Qui la met à jour ? Quels systèmes la produisent ? Quel est son niveau de qualité ? Qui peut y accéder ?
C’est précisément le rôle d’un logiciel SIRH cohérent : créer une base suffisamment fiable pour relier dossier collaborateur, compétences, entretiens, formation et autres processus RH.
La première étape d’un projet IA est parfois beaucoup moins spectaculaire qu’un chatbot : centraliser et sécuriser vos données RH. Et c’est souvent elle qui conditionne tout le reste.
Le recrutement est spectaculaire. Ce n’est pas nécessairement le meilleur point de départ. Pour une ETI qui veut apprendre sans ajouter immédiatement un risque juridique important à son projet, mieux vaut commencer par un usage à forte valeur administrative et faible influence sur les décisions individuelles.
Pas « faire de l’IA ». Résoudre quelque chose. Par exemple : réduire le temps passé à retrouver une information RH, automatiser un pré-contrôle ou accélérer la création d’un type de document.
Quelles données seront utilisées ? Contiennent-elles des informations personnelles ? Sont-elles fiables ? Le système influence-t-il une décision concernant une personne ? Faut-il associer le DPO, le juridique ou consulter le CSE ? Cette étape peut conduire à abandonner un cas d’usage. C’est aussi une bonne décision.
Une équipe, un processus, quelques semaines. Définissez un avant/après : temps passé, taux d’erreur, nombre de sollicitations, satisfaction des utilisateurs. Le but n’est pas de démontrer que l’IA fonctionne. Il est de déterminer si ce cas d’usage précis fonctionne chez vous.
À 90 jours, il faut pouvoir trancher : le bénéfice est-il réel ? Les utilisateurs ont-ils adopté l’outil ? Les risques sont-ils maîtrisés ? La qualité des résultats justifie-t-elle l’effort ? Un pilote que l’on arrête après avoir appris quelque chose vaut mieux qu’un projet moyen déployé dans toute l’entreprise parce qu’il « faut faire de l’IA ».
Les usages de l’IA en ressources humaines couvrent aujourd’hui plusieurs étapes des processus RH : rédaction et synthèse de contenus, recrutement, recherche documentaire, formation, analyse de données, préparation des entretiens ou encore contrôle de certaines informations administratives.
Ces outils peuvent aider les équipes RH à automatiser des tâches répétitives et à accéder plus rapidement aux informations utiles. Leur niveau de maturité et de risque varie toutefois fortement selon leur influence réelle sur les décisions.
C’est un domaine très encadré. Le RGPD limite les décisions exclusivement automatisées produisant des effets juridiques ou significatifs, et certains systèmes utilisés pour analyser, filtrer ou évaluer des candidats figurent parmi les usages à haut risque identifiés par l’AI Act.¹ ⁵
L’IA peut donc soutenir la fonction recrutement, par exemple en facilitant certaines étapes du processus ou l’analyse d’informations, mais elle ne doit pas transformer le recruteur en simple valideur d’une décision algorithmique. Une supervision humaine réelle reste essentielle.
Les principaux risques concernent la confidentialité des données, les biais, les décisions insuffisamment explicables, la mauvaise qualité des informations utilisées et une dépendance excessive aux recommandations produites par les outils d’intelligence artificielle.
Pour la fonction RH, l’enjeu consiste donc à choisir des usages proportionnés, à sécuriser les données, à contrôler les résultats et à conserver une intervention humaine dès qu’une décision affecte un collaborateur ou un candidat.
Pas pour chaque expérimentation. Mais dès que l’IA doit exploiter des données RH à grande échelle, une gestion structurée de l’information devient un prérequis important.
Un SIRH permet notamment de centraliser les données collaborateurs, les référentiels de compétences, les entretiens, la formation ou les parcours de développement.
Sans cette base commune et régulièrement mise à jour, même des outils d’intelligence artificielle performants risquent de travailler à partir d’informations incomplètes ou contradictoires.
Mieux vaut commencer par un besoin simple, mesurable et peu exposé juridiquement : génération de contenus, recherche documentaire ou pré-contrôle administratif, par exemple. Le bon point de départ dépend surtout des irritants rencontrés par les équipes.
Quels processus consomment beaucoup de temps ? Quelles informations sont difficiles à retrouver ? Quelles tâches répétitives mobilisent les ressources humaines sans nécessiter une forte expertise décisionnelle ? Ces questions permettent d’identifier les cas d’usage les plus utiles avant de chercher un outil.
L’IA peut faciliter le rapprochement entre les compétences détenues par les collaborateurs, celles attendues pour un métier et les ressources disponibles pour les développer. Elle peut par exemple aider à identifier des écarts, rechercher des contenus de formation ou suggérer des parcours adaptés.
Mais la technologie ne dispense pas l’entreprise de définir ses compétences clés et de maintenir ses référentiels à jour. Pour être pertinente, l’analyse doit partir d’une vision claire des besoins actuels et futurs de l’organisation.
Il n’existe pas un seul type d’outil IA RH.
Selon les besoins, une équipe peut utiliser des assistants génératifs pour rédiger ou synthétiser, des moteurs de recherche intelligents pour interroger une documentation interne, des outils d’analyse pour exploiter des données, ou encore certaines fonctionnalités intégrées à un logiciel de gestion des ressources humaines.
Le critère de choix ne devrait pas être le nombre de fonctionnalités d’intelligence artificielle proposées, mais leur utilité pour les équipes, la qualité des données utilisées, leur intégration aux processus existants et le niveau de contrôle humain prévu.
L’intégration de l’intelligence artificielle dans la fonction RH commence rarement par la technologie elle-même. Il faut d’abord identifier un problème concret, vérifier la qualité des données disponibles, évaluer les risques et déterminer qui reste responsable de la décision.
Une approche progressive permet ensuite de tester l’outil sur un périmètre limité, de mesurer les résultats et d’accompagner les équipes dans son utilisation. L’objectif n’est pas d’ajouter de l’IA à chaque processus, mais de l’utiliser là où elle améliore réellement le fonctionnement de la gestion RH.
Les usages les plus matures automatisent surtout une partie de la préparation, de la recherche, de l’analyse et du contrôle.
Ils peuvent ainsi libérer du temps sur certaines tâches, mais les situations RH complexes continuent de nécessiter compréhension du contexte, arbitrage, dialogue et responsabilité humaine. Le développement de l’IA transforme donc davantage la manière de travailler des équipes RH qu’il ne supprime leur rôle.
La valeur de la fonction ressources humaines se déplace vers ce qu’un outil automatise difficilement : accompagner, décider, expliquer et gérer des situations humaines complexes.
Vous voulez construire cette base et mieux relier vos processus RH ?
1. Parlement européen et Conseil de l’Union européenne, Règlement (UE) 2024/1689 sur l’intelligence artificielle, annexe III.
Le texte classe notamment parmi les usages à haut risque certains systèmes d’IA utilisés pour le recrutement, la sélection, la promotion, la rupture de la relation de travail, l’attribution de tâches et le suivi ou l’évaluation des travailleurs.
Consulter le règlement européen sur EUR-Lex
2. OpinionWay pour Kelio, « L’IA et les RH en entreprise en 2026 », 3ᵉ baromètre, mars 2026.
Enquête réalisée auprès de 306 responsables RH d’entreprises privées de 20 salariés et plus, du 16 février au 11 mars 2026. Source des données sur l’adoption de l’IA par les RH, la confiance, la confidentialité et les perceptions liées au recrutement.
Consulter le baromètre Kelio / OpinionWay
3. CNIL, Règlement général sur la protection des données, article 9 : « Traitement portant sur des catégories particulières de données à caractère personnel ».
L’article 9 inclut notamment les données concernant la santé parmi les catégories particulières de données personnelles et encadre strictement leur traitement.
Consulter l’article 9 du RGPD sur le site de la CNIL
4. Commission européenne, « Législation sur l’IA », calendrier d’application mis à jour en 2026.
Le règlement est largement applicable depuis le 2 août 2026. À la suite de l’AI Omnibus entré en vigueur le 27 juillet 2026, les règles concernant les systèmes à haut risque de l’annexe III, notamment dans l’emploi, s’appliqueront à partir du 2 décembre 2027.
Consulter le calendrier officiel de l’AI Act
5. CNIL, Règlement général sur la protection des données, article 22 : « Décision individuelle automatisée, y compris le profilage ».
L’article encadre les décisions reposant exclusivement sur un traitement automatisé et prévoit, dans les cas concernés, des garanties incluant notamment l’intervention humaine et la possibilité de contester la décision.
Consulter l’article 22 du RGPD sur le site de la CNIL
6. CNIL, « Les contrôles en 2026 : recrutement, répertoire électoral unique et fédérations sportives », 3 avril 2026.
La CNIL a retenu le recrutement parmi ses thèmes prioritaires de contrôle pour 2026 et précise qu’elle examinera notamment les systèmes de décision automatisée, l’information des candidats et les durées de conservation.
Consulter les priorités de contrôle de la CNIL 2026
7. CNIL, « Permettre le bon exercice de leurs droits par les personnes », Guide d’auto-évaluation pour les systèmes d’intelligence artificielle.
La CNIL évoque notamment le cas d’un algorithme de tri de CV qui classerait certaines candidatures si bas qu’un humain ne pourrait plus matériellement vérifier la pertinence de la décision algorithmique.
8. Code du travail, article L2312-8, Légifrance.
Dans les entreprises d’au moins 50 salariés, le CSE est notamment informé et consulté sur les questions touchant à l’organisation, aux conditions de travail et à l’introduction de nouvelles technologies.
