Plus que pro : des milliers de CV passés au crible selon des critères sexistes et xénophobes
Des milliers de candidatures auraient été évaluées à l’aide d’un outil de recrutement conçu pour repérer des profils commerciaux, mais aussi pour écarter certaines personnes selon leur sexe, leur âge ou leur origine supposée. Trois anciens salariés de Plus que pro décrivent un tri automatisé impliquant l’intelligence artificielle ; l’entreprise conteste les accusations et met en cause un ancien employé. Au-delà de ce dossier, l’affaire interroge les effets concrets des biais algorithmiques : lorsqu’un logiciel transforme des critères discriminatoires en consignes opérationnelles, l’automatisation peut donner à une sélection injuste l’apparence d’une méthode objective.
En bref : les éléments clés de l’affaire Plus que pro
Trois anciens salariés accusent Plus que pro d’avoir utilisé un outil de recrutement pour filtrer des CV selon le sexe, l’âge et l’origine supposée des candidats.
Selon l’un d’eux, environ 740 000 CV auraient été collectés au printemps 2025 à partir de plateformes d’emploi, dans le cadre d’une recherche de profils commerciaux.
Les postes visés concernaient des agents commerciaux franchisés, et non nécessairement des salariés de l’entreprise.
La société se défend en attribuant la mise en place du dispositif à un ancien employé ; les accusations rapportées ne constituent pas, à elles seules, une décision de justice.
L’affaire soulève des questions de discrimination à l’embauche, de contrôle humain et de responsabilité dans l’usage de l’intelligence artificielle.
Dans la même thématique
Plus que pro : des accusations sur le tri de milliers de CV
Plus que pro, société fondée en Alsace et spécialisée dans des services destinés notamment aux professionnels du bâtiment, aurait mis au point un outil pour identifier des candidats à des fonctions commerciales. Le dispositif aurait été développé à la fin de 2024, avant une campagne de collecte de candidatures évoquée par d’anciens salariés. D’après l’un de ces témoignages, près de 740 000 CV auraient été récupérés au printemps 2025 sur des plateformes d’emploi comme Hellowork.
Les personnes interrogées par l’Agence France-Presse décrivent un système qui ne se serait pas limité à comparer l’expérience, les compétences ou la disponibilité. Il aurait aussi contribué à exclure des femmes, des candidats âgés et des personnes dont le nom était perçu comme africain. Les expressions rapportées, notamment « profils exotiques », traduisent une catégorisation fondée sur des représentations de l’origine plutôt que sur l’aptitude à exercer un emploi.
Ces éléments sont des accusations attribuées à d’anciens salariés, et non des faits judiciairement établis dans les informations disponibles. Plus que pro aurait contesté sa responsabilité en renvoyant la faute sur un ancien employé. Cette réponse pose une question centrale : qui décide réellement des critères d’un logiciel, qui les valide et qui répond de leurs conséquences lorsqu’ils sont intégrés à un processus de recrutement ?
Des postes commerciaux dans un réseau de franchisés
Le contexte de l’embauche compte également. Les commerciaux recherchés auraient été des franchisés, et non des salariés classiques de l’entreprise. Ce modèle suppose de recruter un grand nombre de personnes susceptibles de développer l’activité auprès de clients professionnels. La pression opérationnelle peut inciter à traiter rapidement beaucoup de candidatures, mais elle ne rend pas licite un tri fondé sur le sexe, l’âge ou l’origine.
Les premiers comptes rendus de l’affaire, comme celui consacré à la mise en cause de Plus que pro à Strasbourg, permettent de situer les témoignages dans le contexte local. D’autres médias francophones ont également relayé les accusations, notamment une enquête sur l’IA et le recrutement discriminatoire. Leur traitement rappelle l’importance de distinguer les déclarations des ex-salariés, la réponse de l’entreprise et les faits qui pourraient être établis ultérieurement.
Dans la même thématique
Comment le tri automatisé peut reproduire le sexisme et la xénophobie
Un outil de tri automatisé peut sembler neutre parce qu’il traite rapidement des milliers de dossiers et applique une procédure constante. Pourtant, la vitesse et la régularité ne garantissent pas l’équité. Si le logiciel reçoit des instructions discriminatoires, ou si ses critères servent indirectement à écarter des groupes protégés, il peut reproduire ces exclusions à grande échelle.
Le sexe et l’origine ne sont pas toujours déclarés explicitement dans un CV. Un système peut toutefois exploiter des indices indirects : prénom, nom, parcours, date de diplôme ou formulation d’une expérience. Si une consigne demande de privilégier des profils masculins ou d’écarter des noms associés à une origine, le tri n’a alors rien d’une simple analyse de compétences. Le sexisme et la xénophobie deviennent des règles de sélection traduites en opérations informatiques.
Les biais algorithmiques ne naissent pas seuls
Les biais algorithmiques peuvent provenir des données utilisées, des objectifs fixés par les concepteurs ou des décisions prises par les personnes qui déploient un outil. Un logiciel entraîné sur des recrutements passés peut aussi reproduire des habitudes inégalitaires si celles-ci sont présentes dans les données. Dans le cas évoqué par les anciens salariés, les témoignages décrivent toutefois des critères explicites allégués : c’est une distinction importante avec un biais indirect découvert après audit.
Un exemple simple permet de comprendre l’enjeu. Une entreprise cherche des commerciaux capables de convaincre des artisans et demande à un outil de classer les CV. Si l’outil valorise l’expérience de vente et la connaissance du secteur, il peut aider à organiser les candidatures. S’il reçoit aussi l’instruction de défavoriser les femmes ou certains noms, il franchit une frontière fondamentale : l’automatisation ne rationalise plus la sélection, elle accélère une discrimination.
Les médias ont présenté l’affaire comme un possible usage de l’IA pour exclure des candidatures. Un article de 24 heures sur les accusations visant une start-up française expose cet enjeu au-delà du seul fonctionnement technique. Un algorithme n’agit pas isolément : son rôle dépend des instructions, du contrôle exercé et des décisions humaines prises avant et après le classement.
Dans la même thématique
Discrimination à l’embauche : les responsabilités derrière l’outil
En France, le recrutement doit s’appuyer sur des critères liés au poste et aux aptitudes professionnelles. L’origine, le sexe et l’âge figurent parmi les motifs protégés contre les discriminations. Un employeur ne peut donc pas contourner ces règles en confiant le premier tri à un logiciel, à un prestataire ou à un outil d’intelligence artificielle. L’automatisation change le moyen de sélection, pas les exigences de légalité.
Il faut distinguer plusieurs niveaux de responsabilité : l’entreprise qui définit le besoin, les personnes qui rédigent les consignes, les développeurs qui configurent le système et les responsables qui valident ses résultats. Une défense consistant à attribuer le dispositif à un ancien salarié ne suffit pas, à elle seule, à éclaircir ces questions. Il faudrait notamment établir qui avait accès aux candidatures, qui pouvait modifier les critères et si des contrôles internes existaient.
La protection des candidatures ne se limite pas à leur classement
La collecte de centaines de milliers de CV soulève aussi une question de traitement des données personnelles. Les candidats doivent savoir dans quel cadre leurs informations sont utilisées et à quelles fins elles sont collectées. Le fait qu’un CV soit accessible sur une plateforme d’emploi ne signifie pas automatiquement qu’il peut être réutilisé sans limites pour constituer une base massive ou alimenter un système de sélection.
Dans une procédure rigoureuse, les critères sont définis à partir des tâches réelles du poste, documentés et vérifiables. Un contrôle humain doit permettre de repérer des résultats incohérents, plutôt que de valider mécaniquement le classement proposé par la machine. Par exemple, si des candidatures présentant une expérience comparable sont systématiquement écartées selon des indices liés au nom ou au genre, l’entreprise doit pouvoir détecter et corriger cette disparité.
La responsabilité ne se résume donc pas à trouver la personne qui a saisi une consigne. Elle porte aussi sur la gouvernance du recrutement : accès aux données, validation des critères, possibilité de contestation et traçabilité des décisions. Pour garantir l’égalité des chances, il faut pouvoir expliquer pourquoi une candidature a été retenue ou rejetée, et démontrer que la réponse repose sur des exigences professionnelles pertinentes.
| Étape du recrutement | Risque à surveiller | Contrôle nécessaire |
|---|---|---|
| Collecte des CV | Réutilisation ou conservation injustifiée des données | Définir la finalité et limiter les informations collectées |
| Configuration de l’outil | Critères explicites ou indirects discriminatoires | Vérifier que les critères correspondent au poste |
| Classement des candidatures | Élimination automatique de profils pertinents | Auditer les résultats et maintenir une vérification humaine |
| Décision finale | Validation aveugle d’une recommandation algorithmique | Motiver la décision et permettre un recours |
Dans la même thématique
Recrutement par intelligence artificielle : comment prévenir les exclusions
Pour une entreprise qui reçoit beaucoup de candidatures, l’IA peut faciliter certaines tâches : repérer une compétence mentionnée, regrouper des dossiers ou aider à organiser les entretiens. Mais ces fonctions doivent rester clairement encadrées. Un système qui classe les personnes selon des caractéristiques protégées ne devient pas acceptable parce qu’il est présenté comme un outil de productivité.
La première précaution consiste à décrire précisément les exigences du poste avant de choisir une technologie. Pour un commercial, cela peut inclure l’expérience de vente, la capacité à prospecter, la connaissance d’un secteur ou la disponibilité nécessaire. Chaque critère doit être justifié par une tâche réelle ; l’âge, le genre ou une origine supposée n’ont pas leur place dans cette grille.
Des vérifications concrètes avant et pendant l’utilisation
Un audit doit examiner non seulement le code, mais aussi les résultats obtenus. Il peut comparer les taux de sélection entre différents groupes, repérer des écarts inexpliqués et tester si des changements de nom ou de genre dans un dossier modifient son classement à compétences égales. Cette démarche ne garantit pas à elle seule l’absence de biais, mais elle rend les anomalies plus visibles et oblige l’organisation à les traiter.
Les candidats doivent également pouvoir comprendre qu’un outil intervient dans le processus et disposer d’un interlocuteur humain. Si une personne est rejetée sans explication, elle ne peut pas facilement identifier une erreur ou contester un critère inapproprié. La traçabilité des consignes et des décisions permet, à l’inverse, de reconstituer le parcours d’une candidature et de déterminer à quel moment une exclusion s’est produite.
Le fil conducteur est simple : l’outil peut assister une décision, mais il ne doit ni définir seul la valeur d’un candidat ni rendre invisibles les choix de l’employeur. Dans une campagne de recrutement de grande ampleur, ce principe est particulièrement important, car un défaut de conception peut se répéter des milliers de fois avant d’être repéré.
Dans la même thématique
Transparence et égalité des chances dans les outils de recrutement
L’affaire rapportée autour de Plus que pro met en évidence un décalage entre la promesse d’efficacité des logiciels et leur impact possible sur les candidats. Les plateformes et outils de tri peuvent traiter rapidement de grands volumes de dossiers, mais leur performance ne se mesure pas seulement au nombre de CV examinés ou au temps gagné. Elle dépend aussi de la pertinence des critères et de la capacité à éviter les exclusions injustifiées.
Pour les candidats, le problème est souvent difficile à détecter. Une candidature écartée ne révèle pas nécessairement si le CV a été lu, si un filtre automatique a été appliqué ou si une caractéristique personnelle a pesé dans la décision. Cette asymétrie renforce l’importance de règles internes documentées, d’un suivi des résultats et d’un canal de contact permettant de demander des explications.
Ne pas confondre efficacité et neutralité
Une sélection peut sembler efficace tout en réduisant artificiellement le nombre de profils considérés. Si un algorithme élimine des candidatures sur des critères sans lien avec l’emploi, le recruteur risque de passer à côté de personnes qualifiées. L’entreprise perd alors des compétences et contribue à renforcer des inégalités déjà présentes sur le marché du travail. L’égalité des chances n’est donc pas seulement une exigence juridique : elle améliore aussi la qualité du recrutement en élargissant réellement le vivier de talents.
La vigilance doit se prolonger après le déploiement. Une mise à jour du logiciel, une modification des consignes ou un changement de sources de données peuvent transformer les résultats. Les organisations ont intérêt à conserver des traces des versions utilisées et à réexaminer périodiquement les critères, surtout lorsque l’outil contribue à écarter des candidats plutôt qu’à les aider à préparer une candidature.
Les accusations concernant Plus que pro restent à distinguer de toute conclusion judiciaire, mais elles rappellent une règle essentielle : aucune technologie ne neutralise automatiquement les choix humains qui l’ont précédée. Dans un recrutement automatisé, la transparence et le contrôle sont les conditions minimales pour que la rapidité ne se fasse pas au détriment des droits des candidats.
Dans la même thématique
Questions sur Plus que pro et le tri automatisé des CV
Qu’est-il reproché à Plus que pro ?
Trois anciens salariés accusent l’entreprise d’avoir utilisé un outil de recrutement qui aurait écarté des candidatures selon le sexe, l’âge et l’origine supposée. Plus que pro conteste sa responsabilité et met en cause un ancien employé.
Combien de CV auraient été concernés ?
Selon le témoignage rapporté d’un ancien salarié, environ 740 000 CV auraient été collectés au printemps 2025 sur des plateformes d’emploi. Ce chiffre est lié aux déclarations rapportées et ne constitue pas, à lui seul, une conclusion judiciaire.
Un logiciel de recrutement peut-il écarter automatiquement des candidats ?
Un outil peut aider à organiser ou analyser des candidatures, mais les critères appliqués doivent être pertinents pour le poste et conformes au droit. L’automatisation ne rend pas licite une sélection discriminatoire.
Comment repérer des biais algorithmiques dans un recrutement ?
Il faut examiner les critères de tri, comparer les résultats entre groupes, tester des candidatures équivalentes et conserver une vérification humaine. La traçabilité des consignes et des décisions aide à détecter des exclusions injustifiées.