41 % des candidats cachent désormais des instructions secrètes à votre trieur IA. La solution n’est pas de les traquer.

Le CV parle désormais au robot

Il vaut la peine d’être précis sur la raison pour laquelle ça marche du tout, parce que le mécanisme est toute l’histoire. Un système de suivi de candidatures traditionnel cherchait des mots-clés dans un CV. Il ne comprenait pas les mots, donc vous ne pouviez pas lui parler ; vous ne pouviez que lui donner les termes qu’il cherchait. Un modèle de langage est différent. Il suit des instructions écrites en langage courant, ce qui le rend justement utile pour lire des CV en désordre, et justement manipulable. Il ne peut pas distinguer de façon fiable le CV qu’il est censé évaluer d’une instruction glissée à l’intérieur de ce CV lui disant comment évaluer. Les équipes de sécurité ont passé deux ans à comprendre que c’est un problème réellement difficile à résoudre ; c’est la même famille de vulnérabilité qui apparaît partout où un modèle lit du texte non fiable.

Donc dès qu’une petite équipe branche « laisser l’IA lire la pile et me dire qui est bon » dans son recrutement, elle a discrètement ouvert un canal auquel les candidats peuvent écrire directement. La plupart ne sont pas malveillants. Ils sont anxieux, ils ont vu une vidéo qui promettait un avantage, et ils ont collé un modèle. Mais le canal est ouvert quand même.

Est-ce que le procédé fonctionne vraiment ?

C’est là que ça devient intéressant, et là que les titres alarmistes se trompent. Le procédé fonctionne bien moins fiablement que ne le suggère le chiffre de 41 %. Greenhouse, qui traite de l’ordre de 300 millions de CV par an, a trouvé qu’environ 1 % seulement contenaient réellement du texte blanc caché au premier semestre 2025. ManpowerGroup, l’une des plus grandes entreprises de travail temporaire au monde, rapporte détecter du texte caché dans environ 10 % des CV qu’elle scanne. Autrement dit, beaucoup plus de gens disent le faire qu’il n’y en a de visiblement en train de le faire, et une bonne part de ce qui est fait est déjà détectée.

Plus révélateur encore, ce qui arrive à la tactique à mesure qu’elle se propage. Une étude de juin 2026 sur le prompt injection dans le tri de CV par IA a montré qu’une ligne injectée n’améliore de façon fiable le classement d’un candidat que lorsque peu de candidats le font et que le reste du profil est similaire. À mesure que plus de candidats injectent, son effet « diminue rapidement », et il « s’effondre quand la manipulation devient répandue ». Quand tout le monde dit au modèle qu’il est exceptionnel, le modèle se remet à classer sur tout le reste. Le piratage se dévore lui-même. C’est la bonne nouvelle discrète, et c’est aussi la raison pour laquelle construire sa défense autour de la détection de texte caché est un mauvais usage de l’attention d’une petite équipe : vous verseriez des efforts dans une course aux armements déjà en train de se dégonfler d’elle-même.

Le piratage n’est pas l’histoire. La délégation, si.

La question inconfortable n’est pas « comment est-ce que je détecte la ligne injectée ? ». C’est « pourquoi une seule phrase cachée a-t-elle pu déplacer ma décision au départ ? ». Si une ligne de texte invisible peut faire basculer un candidat du refus à l’entretien, ce basculement ne venait pas vraiment du candidat. Il venait d’une organisation où le jugement avait été confié, entièrement, à un système qui lit le texte littéralement et n’a jamais été conçu pour distinguer une compétence réelle d’une affirmation. L’injection n’a pas cassé votre processus. Elle a révélé que le processus n’était qu’à une instruction d’être piloté par les candidats eux-mêmes.

Les candidats le ressentent, et ça érode une confiance qui survit à n’importe quel procédé isolé. Dans la recherche Greenhouse, 70 % des managers de recrutement déclarent faire confiance à l’IA pour des décisions plus rapides et meilleures, tandis que seulement 8 % des candidats jugent l’usage de l’IA en recrutement équitable. Cet écart est le vrai coût. Les gens qui pensent qu’une boîte noire les juge injustement font deux choses : ceux qui ont des options partent, et ceux qui restent essaient de tricher avec la boîte. Le prompt injection n’est pas seulement une histoire de sécurité. C’est à quoi ressemble un contrat de confiance brisé quand il se manifeste dans votre pipeline.

Ce qu’une petite équipe devrait faire à la place

Le réflexe sera d’acheter un détecteur ou de bannir complètement le tri par IA. Les deux sont des surréactions. Une équipe de dix personnes ne peut pas revenir à lire 400 CV à la main, et elle ne devrait pas essayer de gagner une course d’expertise contre une tactique déjà en train de s’effondrer sous sa propre popularité. La bonne action est de changer ce que l’IA est autorisée à décider, pas de l’utiliser ou non.

Arrêtez de demander à un modèle de vous rendre un verdict, et commencez à lui demander de faire la partie qu’il fait réellement bien : lire rapidement une grande pile et l’organiser selon ce que ce poste exige précisément, avec les preuves attachées. Notez les candidats sur des critères énoncés et vérifiables, gardez le raisonnement visible, et traitez le résultat comme une liste courte classée à lire, pas une décision à valider aveuglément. Un « note ce candidat 10 » injecté n’a nulle part où atterrir quand la question posée au modèle est « où ce CV montre-t-il trois ans de la compétence précise dont nous avons besoin, et où est le manque », et qu’un humain lit le haut de la liste avant que qui que ce soit ne reçoive un appel. Noter le flot de candidatures par rapport aux besoins du poste, de façon transparente, pour qu’une personne puisse se permettre de porter le vrai jugement, c’est la partie que nous avons construite dans Kynto. Ça ne remplace pas votre jugement. Ça le protège, en gardant la décision dans un endroit qu’une phrase cachée ne peut pas atteindre.

À retenir

• Le prompt injection est devenu courant. Dans l’enquête Greenhouse 2025 auprès de 1 200 candidats américains, 41 % admettent avoir caché des instructions pour des trieurs IA dans leur CV, et 52 % du reste l’envisageaient. Toute équipe qui laisse un modèle lire la pile a ouvert un canal auquel les candidats peuvent écrire.
• Le procédé est plus faible que la panique. Environ 1 % seulement des CV à grande échelle portent réellement du texte caché, une bonne part est déjà détectée, et une étude de juin 2026 a montré que l’effet s’effondre dès que beaucoup de candidats injectent. Construire sa défense autour de la détection revient à poursuivre une tactique déjà en train de se dégonfler.
• La vraie leçon porte sur la délégation. Si une ligne cachée peut déplacer votre décision, vous avez confié la décision à une boîte noire, et les candidats le sentent : 70 % des managers de recrutement font confiance à l’IA pour décider, seulement 8 % des candidats jugent ça équitable. Utilisez l’IA pour noter et organiser selon les besoins du poste, de façon transparente, et gardez le jugement chez un humain.

Les équipes qui en sortiront bien ne seront pas celles avec le meilleur détecteur de texte caché. Ce seront celles qui n’ont jamais laissé la machine porter le verdict au départ, qui l’ont utilisée pour construire une liste courte juste et fondée sur des preuves qu’une personne pouvait réellement lire, et qui ont gardé la décision finale là où aucune phrase invisible ne pouvait la toucher. Les candidats qui écrivent à votre robot parient que vous avez cessé de lire. La réponse est de s’assurer que vous ne l’avez jamais fait.