Déployer un chatbot RH ou support client reposant sur un LLM impose presque toujours une analyse d'impact. Voici une méthode concrète, calée sur les recommandations CNIL, pour la construire et éviter les écueils qui transforment un contrôle en procédure.
La question revient dans tous les comités de pilotage : faut-il vraiment une analyse d'impact relative à la protection des données (AIPD) pour « un simple chatbot » ? La réponse tient en deux textes. D'une part, le RGPD imposant aux autorités de contrôle d'établir et de publier une liste des 14 types d'opérations de traitement pour lesquelles une analyse d'impact relative à la protection des données est requise, la CNIL a établi cette liste par délibération du 11 octobre 2018. D'autre part, la doctrine CNIL sur l'IA générative, construite depuis 2023 et complétée en 2025. Pour un chatbot RH, le rattachement à la liste CNIL est direct : les traitements établissant des profils de personnes physiques à des fins de gestion des ressources humaines figurent explicitement parmi les catégories soumises à AIPD, avec des exemples comme un traitement visant à faciliter le recrutement, notamment grâce à un algorithme de sélection ou un traitement visant à proposer des actions de formations personnalisées grâce à un algorithme. Un agent conversationnel qui oriente un salarié vers une formation, pré-qualifie une demande de mobilité ou influence une décision RH entre dans ce périmètre. Pour un chatbot support client, le raisonnement passe par les neuf critères du G29 repris par la CNIL plutôt que par la liste nominative. L'utilisation de nouvelles technologies comme l'intelligence artificielle, la reconnaissance faciale, l'Internet des objets ou la blockchain pour traiter des données personnelles déclenche ce critère d'usage innovant. Si ce critère se cumule avec un second — traitement à grande échelle, décision automatisée, personnes vulnérables parmi les usagers —, l'AIPD devient obligatoire. En pratique, un chatbot alimenté par un LLM tiers, consultant l'historique client et pouvant déclencher une action (remboursement, résiliation, escalade), franchit quasi systématiquement ce seuil. Le cadre réglementaire s'est par ailleurs durci sur le fond. La CNIL a publié sa quatrième recommandation IA-RGPD le 5 juin 2025 (délibération n° 2025-047), confirmant que les systèmes d'IA relèvent pleinement de la protection des données personnelles. Cette délibération précise aussi la répartition des responsabilités : cette opération constitue un traitement de données personnelles au sens du RGPD, et l'entreprise — non le salarié — en est juridiquement responsable.
La CNIL ne réinvente pas sa méthodologie pour l'IA générative : elle l'adapte. La méthode de la CNIL décompose l'AIPD en 4 phases : la description du traitement (finalités, données, destinataires, durées de conservation), l'évaluation de la nécessité et de la proportionnalité, l'évaluation des risques pour les personnes, et la définition des mesures pour traiter ces risques. Voici comment remplir chaque étape sur un cas réel de chatbot RH interne.
C'est l'étape où la plupart des AIPD de chatbot échouent dès la première lecture par un contrôleur CNIL. La description doit couvrir non seulement les finalités métier (répondre aux questions RH, orienter vers un interlocuteur, pré-remplir une demande de congé), mais aussi l'architecture technique du système d'IA générative lui-même. Un guide récent sur le registre des traitements rappelle que la fiche doit préciser le système d'IA mobilisé, avec son fournisseur, la version du modèle de langage, le mode d'hébergement et la localisation des serveurs, ainsi que le traitement ou non des prompts et des historiques de conversation à des fins d'amélioration du modèle, point central de la négociation contractuelle. Pour un chatbot RH connecté à un LLM externe (OpenAI, Mistral, Anthropic via API), cela signifie documenter noir sur blanc si les échanges salariés sont réutilisés pour l'entraînement, où sont hébergées les conversations, et pendant combien de temps elles sont conservées côté fournisseur — pas seulement côté entreprise. Si le modèle est affiné (fine-tuning) sur des données internes, il faut ajouter l'origine et la nature des données d'entraînement lorsque vous entraînez ou affinez un modèle en interne.
La CNIL a été très concrète sur ce point lors de son accompagnement de France Travail dans son bac à sable IA : afin d'assurer la minimisation des données d'une IA générative, un travail d'identification des données personnelles pouvant être utilisées par l'outil et les différentes sources de ces données est nécessaire. Concrètement, pour un chatbot RH, cela implique de lister chaque champ du dossier salarié auquel l'agent conversationnel a accès (ancienneté, poste, historique de formation, évaluations) et de justifier pourquoi il est nécessaire à la finalité déclarée — répondre à une question sur les congés ne nécessite pas d'accès à l'historique disciplinaire. La CNIL insiste également sur la frontière entre finalités : si le chatbot RH commence à alimenter un second usage (détection de désengagement, scoring de performance), le responsable de traitement devrait alors se fonder sur une base légale adéquate, mener une analyse de la compatibilité de cette finalité de traitement avec la finalité initiale et, le cas échéant, fixer des durées de conservation adaptées. C'est précisément le type de dérive fonctionnelle qu'un contrôle sanctionne : un chatbot RH qui finit par nourrir des décisions de gestion sans que cette finalité ait été anticipée dans l'AIPD initiale.
C'est la partie la plus spécifique à l'IA générative, et celle où les modèles d'AIPD génériques sont les plus faibles. Au-delà des trois événements redoutés classiques (accès illégitime, modification non désirée, disparition de données), un chatbot métier appelle une analyse de risques élargie : les hallucinations, le biais algorithmique, la réidentification et les fuites de données, avec les mesures de mitigation associées. Sur le volet biais, le retour d'expérience de la CNIL sur les projets publics est instructif. Dans le cas France Travail, l'équipe a conclu qu'après analyse des données personnelles traitées par « Conseils Personnalisés », les équipes n'ont pas identifié de risques particuliers de discriminations liés à l'usage prévu pour l'outil — mais cette conclusion n'a été possible qu'après un audit documenté du corpus et des logiques de recommandation, pas par simple déclaration d'intention. Un contrôle CNIL attend la même rigueur : un paragraphe affirmant « le modèle ne présente pas de biais » sans méthode de test est un signal d'alerte immédiat. Sur le volet mémorisation, l'exigence s'est renforcée début 2026 : la CNIL et l'EDPB imposent de tester la mémorisation du modèle par des attaques ciblées avant de conclure qu'il ne contient plus de données personnelles, et les résultats de ces tests doivent être documentés dans l'AIPD et dans le registre des traitements. Pour un chatbot RH fine-tuné sur des échanges internes, ignorer ce test est l'une des lacunes les plus fréquemment relevées.
La CNIL a formalisé deux exigences de transparence qui s'appliquent frontalement aux chatbots : l'obligation d'identification de l'IA et le filtrage des sorties. D'abord, lorsqu'un utilisateur interagit avec un agent conversationnel, celui-ci doit indiquer qu'il s'agit d'une IA et non d'un humain. Ensuite, les recommandations formulent des obligations opérationnelles : obligation de filtrer les données en sortie (prévention des fuites) et interdiction de collecter des données personnelles via des prompts sans base légale. Sur l'intervention humaine, le retour d'expérience CNIL-France Travail fixe un standard élevé pour tout chatbot qui influence une décision RH : la Cnil recommande d'assurer une intervention humaine « significative » pour éviter les décisions individuelles automatisées, ce qui suppose que des agents qui doivent comprendre le fonctionnement de l'outil mis à leur disposition, ce qui suppose qu'ils soient formés et que les systèmes d'IA soient documentés. Un chatbot RH qui pré-valide des demandes sans qu'aucun RH ne puisse en pratique contester la suggestion ne satisfait pas ce critère — même si une case « validation humaine » existe sur le papier. Enfin, la CNIL introduit une logique de suivi dans le temps plutôt qu'un document figé à la mise en production. Les évolutions 2025 vont vers une AIPD dynamique : le système doit être réévalué après chaque mise à jour majeure du modèle, logique particulièrement pertinente pour un chatbot dont le LLM sous-jacent change de version plusieurs fois par an. Notre accompagnement méthodologique sur ces projets intègre systématiquement ce jalon de réévaluation dans le planning du projet, pas seulement dans sa phase de cadrage.
Au-delà de la méthode, certaines erreurs reviennent de façon récurrente dans les dossiers examinés lors d'un contrôle ou d'un audit préalable. Elles ne relèvent pas d'un oubli technique mais d'une mauvaise compréhension du périmètre de l'AIPD appliquée à l'IA générative.
Une AIPD de chatbot IA générative n'est pas un livrable de conformité isolé : c'est un document vivant qui doit suivre le rythme des mises à jour de modèle, des extensions fonctionnelles et des retours d'usage. La check-list CNIL reste simple à énoncer mais exigeante à tenir : description du système, finalités, données utilisées, mesures techniques, analyse des risques, avis du DPO — à quoi s'ajoute, pour tout projet reposant sur un LLM, la traçabilité du fournisseur et des tests de mémorisation. Les équipes qui réussissent ce travail sont celles qui l'intègrent dès le cadrage du projet, avant le choix technique du modèle, plutôt que de le traiter comme une formalité juridique a posteriori. C'est l'approche que nous retenons dans nos missions de conseil et formation auprès des équipes data et RH : documenter l'AIPD en parallèle de la conception technique, pas après. Pour un diagnostic de votre projet de chatbot métier, notre équipe reste disponible via la page contact.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus