91 % des professionnels RH déclarent utiliser l’intelligence artificielle dans leur travail quotidien, selon le Baromètre IA & RH 2026 publié par Unow auprès de plusieurs centaines de professionnels RH français. Dans la même enquête, 43 % des salariés n’ont reçu aucune formation ni sensibilisation sur le sujet. Le décalage est frappant : les outils entrent dans les services RH plus vite que le vocabulaire qui permet d’en parler. Résultat, on signe des contrats dont on ne décode pas les termes techniques, on répond aux questions des candidats sans certitude, et on peine à distinguer une vraie innovation d’un argument commercial. Chez CamSha, nous constatons cette difficulté à chaque échange avec un service RH. Ce glossaire de l’IA en recrutement rassemble 45 termes classés par usage, expliqués sans jargon, avec ce qu’ils changent concrètement dans un processus d’embauche.

Pourquoi le vocabulaire de l’IA en RH est devenu un sujet stratégique

Le sujet a cessé d’être purement technique le jour où il est devenu réglementaire. Le règlement (UE) 2026/1744, dit « Digital Omnibus IA », entré en vigueur le 27 juillet 2026, a reporté au 2 décembre 2027 les obligations applicables aux systèmes d’IA à haut risque de l’annexe III, catégorie qui inclut explicitement le recrutement et l’évaluation des travailleurs. Ce report ne supprime rien : les obligations de transparence de l’article 50 s’appliquent depuis le 2 août 2026, et le devoir de littératie IA de l’article 4 est déjà contraignant pour tout déployeur.

La confiance, elle, ne suit pas l’adoption. Le 3^e baromètre OpinionWay pour Kelio, publié en 2026, montre que 33 % des responsables RH utilisent l’IA (contre 9 % en 2024 et 28 % en 2025), mais que 53 % déclarent ne pas lui faire confiance pour rendre un travail de qualité et 51 % expriment une crainte face à son usage dans les processus de recrutement. Côté candidats, Gartner relève que seuls 26 % estiment qu’une évaluation par IA peut être juste. Comprendre les mots, c’est la première étape pour poser les bonnes questions à un éditeur, cadrer un usage en interne et l’expliquer aux candidats.

Ce glossaire du recrutement IA suit donc l’ordre d’un processus réel : les fondamentaux, le vocabulaire des modèles de langage, le sourcing et le matching, l’entretien, l’automatisation, puis la conformité. Chaque définition tient en deux phrases et précise ce que le terme implique concrètement pour une équipe de recrutement.

Les fondamentaux de l’intelligence artificielle (7 termes)

Ces sept notions constituent la base sur laquelle repose tout le reste. Sans elles, les discussions techniques avec un éditeur restent floues.

• Intelligence artificielle (IA) : ensemble de techniques permettant à un système informatique d’accomplir des tâches qui demandaient jusqu’ici une intervention humaine, comme lire un document, classer une information ou produire un texte.
• Algorithme : suite d’instructions logiques appliquée à des données pour produire un résultat. Un algorithme de tri de candidatures applique des règles, il ne « décide » pas au sens humain du terme.
• Machine learning (apprentissage automatique) : méthode où le système déduit ses propres règles à partir d’exemples, au lieu de se voir dicter chaque règle par un développeur. C’est ce qui permet à un outil de s’améliorer avec l’usage.
• Deep learning (apprentissage profond) : sous-catégorie du machine learning fondée sur des réseaux de neurones à plusieurs couches. Elle excelle sur les données non structurées comme le texte libre d’un CV ou l’audio d’un entretien.
• Données d’entraînement : corpus d’exemples utilisé pour construire un modèle. En recrutement, c’est le point de vigilance numéro un : un historique d’embauches déséquilibré produit un modèle déséquilibré.
• Modèle : résultat de l’entraînement, autrement dit le « moteur » qui produit une prédiction ou un texte. Deux outils peuvent utiliser le même modèle et donner des résultats très différents selon la façon dont ils l’exploitent.
• IA générative : famille de modèles qui produisent du contenu original (texte, image, audio) plutôt que de simplement classer des données existantes. C’est la technologie derrière la rédaction assistée d’annonces.

Le vocabulaire des modèles de langage (8 termes)

Ce sont les termes que vous croiserez dans toute documentation d’outil d’IA générative, y compris pour la rédaction d’offres d’emploi.

• LLM (Large Language Model, grand modèle de langage) : modèle entraîné sur d’immenses volumes de texte pour prédire les mots suivants dans une séquence. ChatGPT, Claude ou Mistral en sont des exemples.
• Prompt : instruction en langage naturel adressée au modèle. Sa précision détermine directement la qualité du résultat obtenu.
• Prompt engineering : art de formuler et structurer ces instructions (contexte, rôle, contraintes, format attendu) pour obtenir un résultat exploitable dès la première tentative. Nous détaillons cette méthode dans notre guide pour rédiger une fiche de poste avec l’IA.
• Token : unité élémentaire de découpage du texte, à peu près trois quarts d’un mot en français. Les tarifs des API et les limites de longueur se calculent en tokens.
• Fenêtre de contexte : quantité maximale de texte qu’un modèle peut traiter en une seule fois. Elle détermine, par exemple, s’il peut analyser vingt CV simultanément ou seulement trois.
• Hallucination : réponse formulée avec assurance mais factuellement fausse. En recrutement, une synthèse automatique peut attribuer à un candidat une compétence absente de son CV, d’où la relecture humaine obligatoire.
• Fine-tuning (affinage) : réentraînement d’un modèle existant sur des données spécifiques à un métier ou à une entreprise, pour l’adapter à un vocabulaire sectoriel précis.
• RAG (Retrieval Augmented Generation) : technique consistant à faire consulter au modèle une base documentaire fiable avant de répondre. Elle réduit fortement les hallucinations en ancrant les réponses dans vos propres données.

Sourcing, matching et tri des candidatures (9 termes)

C’est le cœur technique du recrutement IA et le domaine où les écarts entre solutions sont les plus importants.

• NLP ou TAL (traitement automatique du langage naturel) : discipline permettant à une machine de lire et d’interpréter du texte écrit par un humain. Elle rend exploitable le contenu libre d’une lettre de motivation.
• Parsing de CV : extraction automatique des informations structurées d’un CV (expériences, diplômes, compétences, coordonnées) pour les injecter dans une base de données exploitable.
• Matching algorithmique : rapprochement entre un poste et des profils selon des critères déclarés et des règles définies à l’avance, comme l’intitulé, les années d’expérience ou la zone géographique.
• Matching sémantique : rapprochement fondé sur le sens et non sur les mots exacts. Un profil décrivant un « pilotage de projets transverses » ressort pour un poste de « chef de projet », même sans correspondance littérale. C’est la brique propriétaire au cœur de notre plateforme.
• Embedding (plongement vectoriel) : représentation numérique d’un texte sous forme de coordonnées mathématiques. Deux compétences proches en sens ont des coordonnées proches, ce qui rend le sens calculable.
• Base de données vectorielle : base spécialisée dans le stockage et la recherche de ces embeddings. Elle permet d’interroger un vivier de milliers de profils en quelques millisecondes.
• Scoring : attribution d’une note de pertinence à une candidature. Point de vigilance juridique majeur : un score ne doit jamais valoir décision automatique, seulement aide à la priorisation.
• Recherche booléenne : méthode classique combinant des mots-clés avec des opérateurs (ET, OU, SAUF). Efficace mais rigide, elle passe à côté des synonymes et des formulations non standard.
• Sourcing automatisé : identification proactive de profils correspondant à un besoin, sans attendre qu’ils postulent. Nous expliquons cette approche dans notre article sur la façon de trouver des candidats avant qu’ils postulent.

Ces neuf termes suffisent à évaluer sérieusement une solution de sourcing. Si vous souhaitez voir à quoi ressemble un matching sémantique appliqué à un poste réel, l’essai est ouvert.

Lancer une première campagne de recrutement

Évaluation, entretien et expérience candidat (8 termes)

Cette famille de termes concerne la phase où le candidat interagit directement avec la technologie, et donc celle où la transparence compte le plus.

• Préqualification : première étape de filtrage vérifiant les critères éliminatoires (disponibilité, mobilité, prétentions, prérequis réglementaires) avant tout entretien approfondi.
• Chatbot de recrutement : agent conversationnel répondant aux questions des candidats et collectant des informations de préqualification, souvent en moins de vingt secondes, à toute heure.
• Avatar IA : interlocuteur virtuel animé menant un premier entretien structuré en vidéo. Chez CamSha, Mike remplit ce rôle : il pose les mêmes questions à tous les candidats, ce qui homogénéise la base de comparaison avant l’intervention du recruteur.
• Entretien asynchrone (vidéo différée) : format où le candidat enregistre ses réponses à des questions préenregistrées, quand il le souhaite. Il supprime la contrainte de créneaux communs et fluidifie l’expérience candidat.
• Transcription automatique (speech-to-text) : conversion de la parole en texte, permettant de générer un compte rendu d’entretien exploitable et recherchable sans prise de notes manuelle.
• Analyse de sentiment : détection automatique de la tonalité d’un message. Usage recommandé sur les retours d’expérience candidat, usage fortement déconseillé sur l’évaluation d’une personne en entretien.
• Deepfake : contenu vidéo ou audio synthétique imitant une personne réelle. Un risque désormais concret en entretien à distance, que nous traitons dans notre sélection d’outils IA pour un sourcing sans fraude.
• Recrutement par compétences (skills-based hiring) : approche évaluant ce qu’un candidat sait faire plutôt que son diplôme ou son parcours. L’IA facilite ce changement en rendant les compétences comparables à grande échelle.

Automatisation, agents et écosystème technique (6 termes)

Ces termes décrivent la plomberie qui relie vos outils entre eux, et l’évolution la plus rapide du secteur en 2026.

• ATS (Applicant Tracking System) : logiciel de suivi des candidatures servant de colonne vertébrale au processus (réception, statuts, historique, communication). L’IA vient s’y greffer, elle ne le remplace pas.
• SIRH : système d’information des ressources humaines, qui centralise les données du personnel (paie, absences, formation). Sa connexion aux outils de recrutement conditionne la fluidité de l’onboarding.
• API : interface technique permettant à deux logiciels d’échanger des données automatiquement. C’est la question à poser en premier à tout éditeur : « votre solution expose-t-elle une API ouverte ? »
• Automatisation de workflow : enchaînement de tâches déclenché par un événement, par exemple l’envoi automatique d’une invitation à un entretien dès qu’une candidature dépasse un seuil de pertinence.
• Agent IA : programme capable d’exécuter une suite d’actions vers un objectif, en utilisant plusieurs outils et en s’adaptant aux résultats intermédiaires, sans validation à chaque étape.
• IA agentique : architecture où plusieurs agents coopèrent pour mener un processus complet, du sourcing à la planification d’entretien. Nous décryptons ce basculement dans notre analyse des agents IA appliqués au sourcing de talents.

Éthique, conformité et cadre réglementaire (7 termes)

Sept termes qui relèvent aujourd’hui de la responsabilité directe de l’employeur, quelle que soit la solution retenue.

• AI Act (règlement UE 2024/1689) : cadre européen classant les systèmes d’IA par niveau de risque et imposant des obligations proportionnées. Nous en détaillons l’application RH dans notre guide de conformité à l’EU AI Act.
• Système d’IA à haut risque : catégorie de l’annexe III incluant le recrutement, la sélection, la promotion et l’évaluation des travailleurs. Obligations reportées au 2 décembre 2027 par le règlement (UE) 2026/1744.
• Fournisseur et déployeur : le fournisseur conçoit et met le système sur le marché, le déployeur l’utilise sous sa propre autorité. Une entreprise qui recrute est déployeur, avec ses obligations propres.
• Littératie IA (AI literacy) : niveau de compréhension que les utilisateurs d’un système doivent posséder. L’article 4 de l’AI Act en fait une obligation de moyens pour tout déployeur, déjà applicable.
• Biais algorithmique : reproduction ou amplification par un modèle d’un déséquilibre présent dans ses données. Il peut être flagrant (genre, origine) ou plus discret, comme un biais de style pénalisant certaines formulations. Sujet que nous approfondissons sur la gouvernance responsable de l’IA en RH.
• Explicabilité (XAI) : capacité à justifier un résultat en termes compréhensibles par un humain. Sans elle, impossible de répondre à un candidat qui demande pourquoi sa candidature a été écartée.
• Supervision humaine (human in the loop) : principe selon lequel un professionnel valide, corrige ou infirme les propositions du système. C’est la traduction opérationnelle de l’approche hybride que nous défendons chez CamSha.

Questions fréquentes sur le vocabulaire de l’IA en recrutement

Quelle est la différence entre matching algorithmique et matching sémantique ?

Le matching algorithmique compare des critères déclarés selon des règles fixées à l’avance. Le matching sémantique compare le sens des compétences décrites, ce qui lui permet de rapprocher deux formulations différentes désignant la même réalité. Le second élargit le vivier là où le premier a tendance à le réduire.

Tous les outils d’IA en RH sont-ils des systèmes à haut risque ?

Non. La distinction est essentielle : un assistant de rédaction d’annonce ne relève pas de l’annexe III. Un outil qui évalue, note ou classe des candidats, en revanche, entre dans la catégorie haut risque, avec les obligations correspondantes à échéance du 2 décembre 2027.

Faut-il informer les candidats de l’usage de l’IA ?

Oui, et c’est déjà en vigueur. Les obligations de transparence de l’article 50 de l’AI Act s’appliquent depuis le 2 août 2026 : un candidat doit savoir qu’il interagit avec un système d’IA. Au-delà de l’obligation, cette transparence est un atout de marque employeur dans un contexte où la défiance reste forte.

Par où commencer quand on ne maîtrise aucun de ces termes ?

Par les six termes qui déterminent une décision d’achat : matching sémantique, scoring, API, biais algorithmique, explicabilité et supervision humaine. Ils suffisent à mener un premier échange sérieux avec n’importe quel éditeur du marché.

Ce que ce vocabulaire change concrètement pour vos recrutements

Maîtriser les 45 termes de ce glossaire de l’IA en recrutement n’a rien d’un exercice académique. C’est ce qui vous permet de démonter un argumentaire commercial en trois questions, de repérer qu’un outil vendu comme « intelligent » se contente en réalité d’une recherche par mots-clés, ou d’identifier qu’une solution ne propose aucun mécanisme d’explicabilité alors qu’elle produit des scores de candidature.

C’est aussi ce qui vous protège. Avec des obligations de transparence déjà applicables et un cadre haut risque qui entrera en application le 2 décembre 2027, l’employeur ne pourra pas se retrancher derrière la technicité de son fournisseur. La littératie IA est devenue une compétence RH à part entière, au même titre que la connaissance du droit du travail.

Et pour les candidats, l’enjeu est symétrique. Quand 51 % des responsables RH expriment eux-mêmes une crainte face à l’IA dans le recrutement, expliquer clairement ce que fait un outil, ce qu’il ne fait pas et qui prend la décision finale devient un argument d’attractivité. Un processus compris est un processus accepté.

Chez CamSha, nous concevons nos campagnes de recrutement autonomes selon cette logique : l’IA prend en charge le volume, la répétition et la première mise en relation, le recruteur garde la décision, l’arbitrage et la relation humaine. Notre matching sémantique propriétaire et notre avatar Mike servent cet équilibre, pas l’inverse. Pour aller plus loin sur le sujet, consultez également nos tendances recrutement 2026.

Vous souhaitez voir comment ces technologies s’appliquent à vos propres besoins de recrutement ? Créez votre compte et lancez une première campagne en quelques minutes.

Tester CamSha gratuitement

Sources et références

• Unow – Baromètre IA & RH 2026 : où en sont vraiment les entreprises ?
• Kelio – 3e baromètre OpinionWay sur l’IA et les RH en 2026
• Quantic Avocats – AI Act : le calendrier des obligations haut risque officiellement reporté
• EUR-Lex – Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle
• Tool4Staffing – 20 chiffres clés pour comprendre le marché du recrutement en 2026