Contexte actuel

Depuis 2022, plus de 30 % des grandes entreprises américaines utilisent des systèmes d’entretien automatisés basés sur des modèles de langage large (LLM) tels que GPT‑4 ou Claude 2. Des plateformes comme HireVue ou Mya intègrent ces LLM dans leurs pipelines de recrutement, facturant en moyenne 0,02 $ par 1 000 tokens générés. Le processus typique consiste à poser des questions, analyser les réponses textuelles ou vocales, puis attribuer un score de pertinence.

Architecture technique des bots d'entretien

Le flux repose sur trois couches : une interface frontale (WebRTC ou API REST) qui capture l’audio, un moteur de transcription (ex. Whisper 1) convertissant la parole en texte, puis un LLM qui génère les questions et évalue les réponses. Le score final est calculé à l’aide d’un modèle de classification fine‑tuned sur des jeux de données internes (environ 200 k entretiens annotés). Le système conserve les embeddings des réponses dans une base vectorielle (FAISS) pour la comparaison sémantique. Le diagramme suivant illustre le pipeline :

client → API (audio) → Whisper → texte → LLM (question) → réponse → embedder → FAISS → score

Chaque composant impose des contraintes : Whisper consomme ~3 ms par seconde d’audio, GPT‑4 limite les requêtes à 8 k tokens, et la base FAISS doit être rafraîchie toutes les 24 h pour éviter la dérive des vecteurs.

Analyse des limites et risques

Les biais inhérents aux jeux de données d’entraînement se répercutent dans les scores ; une étude interne de HireVue a montré une variance de ±5 % entre candidats de même profil mais issus de milieux différents. De plus, la latence totale (audio → transcription → LLM → scoring) atteint en moyenne 2,3 s, ce qui peut perturber le rythme de l’entretien et affecter la performance du candidat. Sur le plan juridique, le stockage des enregistrements vocaux en Europe doit respecter le RGPD, imposant un chiffrement AES‑256 et une durée de conservation maximale de 30 jours, ce qui augmente la charge opérationnelle.

Perspectives d'évolution

Les chercheurs explorent le remplacement du modèle de scoring par des réseaux de neurones à attention multimodale capables d’intégrer le ton, le débit et les micro‑expressions faciales via des caméras RGB‑D. Une preuve de concept publiée en juillet 2024 utilise le modèle Gemini 1.5‑Pro avec 32 k tokens de contexte, réduisant la variance de score de 12 % mais doublant le coût d’inférence à 0,04 $ par entretien. En parallèle, les régulateurs envisagent d’obliger les fournisseurs à publier les métriques de biais et à offrir une option d’interview humaine en cas de score inférieur à un seuil prédéfini.