L’intelligence artificielle, la télésurveillance et l’exploitation des données cliniques redessinent le quotidien des hôpitaux, des groupes pharmaceutiques, des medtech et des jeunes pousses de la HealthTech. Dans le même temps, l’IA a envahi le recrutement. Elle est capable (avec des limitations qualitatives certaines) de rédiger les annonces, trier les candidatures, présélectionner les profils en quelques secondes. Pourtant, dans le secteur de la santé, les postes les plus stratégiques n’ont jamais été aussi longs à pourvoir. Ce paradoxe mérite qu’on s’y arrête.
La santé numérique en offre l’illustration la plus nette. Prenons un mandat récent: la recherche d’un Clinical Data Scientist pour une entreprise développant des solutions fondées sur les données cliniques et l’IA. Le poste exigeait trois compétences qui cohabitent rarement chez une même personne: une solide expertise en machine learning, une expérience concrète des données cliniques ou biomédicales, et une compréhension fine des contraintes d’un environnement réglementé. Le candidat idéal devait maîtriser les modèles statistiques, juger la qualité d’une donnée clinique, intégrer les enjeux de confidentialité et produire des analyses assez robustes pour servir dans un contexte médical.
La tech regorge de data scientists brillants, la recherche clinique de spécialistes aguerris. Les personnes capables de relier les deux mondes se comptent sur les doigts des deux mains. Dans une recherche ciblée, cinq à dix candidats réellement qualifiés après approche et qualification représentent un résultat réaliste. Encore faut-il les convaincre, car ces profils rares sont aussi les plus sollicités du marché.
Ce constat vaut bien au-delà des start-up. Les groupes pharmaceutiques cherchent les mêmes profils pour exploiter les données de vie réelle, les fabricants de dispositifs médicaux pour intégrer l’IA à leurs produits, les hôpitaux pour piloter leurs projets de données. Les directions médicales doivent intégrer l’IA dans leurs pratiques. Les équipes qualité et affaires réglementaires doivent maîtriser les exigences propres aux logiciels médicaux. Toutes les fonctions sont concernées.
On entend souvent que les entreprises de santé peinent à recruter faute de data scientists en nombre suffisant. Ce diagnostic passe à côté de l’essentiel. La pénurie la plus aiguë touche les profils hybrides: ceux qui savent appliquer leurs compétences techniques à des données cliniques, comprennent les contraintes médicales et réglementaires, et dialoguent aussi bien avec des médecins qu’avec des chercheurs, des ingénieurs, et des algorithmes. Les candidats les plus précieux se situent donc à l’intersection de plusieurs métiers. C’est précisément là que les algorithmes de sourcing perdent pied, car un CV ne dit presque rien de la capacité d’une personne à faire dialoguer trois cultures professionnelles.
L’IA restera un formidable outil de productivité pour le recrutement de volume. Dans la santé, où chaque poste clé engage la crédibilité scientifique et réglementaire de l’organisation, l’évaluation demeure un travail stratégique profondément humain. Il s’agit de comprendre le besoin réel derrière la fiche de poste, de repérer un potentiel chez un candidat venu d’une industrie voisine, puis de l’embarquer dans un projet alors que plusieurs concurrents le courtisent déjà. C’est là toute la complexité (et la beauté) de la chasse de tête moderne.
Pour les acteurs du secteur, recruter ces profils d’intersection est devenu un levier de compétitivité au même titre que la R&D. Ceux qui l’auront compris prendront une longueur d’avance. Les autres continueront de chercher un mouton à cinq pattes avec un scanner de CV.
