Article optimisé avec l’IA
Près d’un cinquième des profils LinkedIn américains, 19,7% précisément, a réécrit le passé. Pas mis à jour. Réécrit. Le chiffre vient d’une étude du National Bureau of Economic Research publiée en juillet 2026. Décryptage.
C’est l’histoire éternelle de candidat.e.s qui trichent, de profils LinkedIn qui tentent de tromper les algorithmes. Mais si vous dirigez la communication ou les ressources humaines d’une organisation, c’est aussi et surtout l’histoire de votre entreprise ou de votre institution… qui vous échappe. Ces profils réécrits sont revendus à des tiers, et ils sont lus par des machines, par des IA qui à leur tour modifient votre réputation.
Ce que le fichier américain mesure
Sur LinkedIn, le « time travel », ou voyage dans le temps, est la modification du titre ou de la description d’un poste après l’avoir quitté.
Les auteur.e.s imposent soixante jours entre la fin du poste et la modification, pour écarter les changements de responsabilités réels. La raison est simple : une fois le poste terminé, les responsabilités ne bougent plus. Seule bouge la façon de les raconter.
Les chiffres, tous issus de cette étude publiée en juillet 2026 par Bloom, Moore, Simon et Wilkie-Rogers, sur base d’un échantillon de 29.448.462 profils américains de plus de 100 relations observés entre août 2020 et janvier 2026 :
19,7% des profils ont réécrit au moins un poste déjà quitté. Les auteur.e.s donnent ce chiffre comme un plancher.
Médiane de 4,5 ans entre le départ du poste et la modification, avec une queue de distribution au-delà de vingt ans.
31,6% dans la technologie et l’information, 15,6% dans la construction, 13,9% dans l’immobilier.
38,1% chez les moins de 30 ans, 9,8% chez les plus de 60 ans.
70,6% chez les AI product managers, sur 1.321 profils observés. 2,4% chez les chirurgien.ne.s dentistes.
Ce fichier ne mesure pas les dates. Il s’en sert pour savoir quand un poste s’est terminé, il n’étudie pas leur modification. Retenez-le pour la suite.
Ce que des organisations belges me demandent déjà
Je n’ai pas découvert le taux d’inexactitude des profils LinkedIn dans ce papier. Je savais qu’il existait, mais à quelle hauteur ? Notamment parce que des sociétés privées et des institutions publiques me demandent régulièrement ce qu’elles peuvent faire pour corriger d’éventuels mensonges sur le profil d’ancien.ne.s collaborateur/rices.
Le plus souvent, ces mensonges portent sur les dates de fin, surtout de profils remerciés, et ils ne sont pas nécessairement volontaires de la part des personnes concernées.
En revanche, j’ai découvert l’ampleur des mensonges sur le périmètre exact d’une fonction et d’un rôle. Cette dernière catégorie est nouvelle dans ma pratique… et sans doute dans celle des dircoms et des DRH que j’accompagne.
Ce que le fichier américain montre : les réécritures rétroactives portent sur les titres et les descriptions de poste, pas sur les dates.
Ce que j’en déduis, et qui reste à confirmer : la catégorie de plainte qui apparaît chez mes interlocuteur/rices belges est précisément celle que cette étude mesure, pendant que leur premier motif de plainte reste hors de son champ.
Qui regarde ça, chez vous ?
Quand je demande qui, dans une organisation, regarde ce que les ancien.ne.s collaborateur/rices modifient dans leur profil, on entend les mouches voler.
Aucune fiche de fonction ne porte cette tâche. Aucun outil du marché ne la remonte. Et rien ne prévient une organisation quand quelqu’un requalifie, six ans plus tard, son passage chez elle. Le mandat n’existe pas (encore ?), ce qui explique le reste.
Trois machines qui se parlent
Ce qui m’a fait ouvrir ce working paper, c’est une fois encore la question de la machine.
L’offre d’emploi est rédigée par une IA. Le profil est réécrit avec une IA pour mieux y répondre. Et le tri des candidatures commence, dans bien des cas, par une grille d’acceptation ou de refus définie avec une IA. Trois machines qui se parlent, influencées par des fonctions que des personnes ont exercées des années plus tôt.
Le fichier documente les deux bouts de la boucle. Côté profils, il compte les mots signature des grands modèles de langage repérés par Kobak et al., Science Advances, juillet 2025 : ils passent d’environ 0,33% des réécritures avant ChatGPT à près de 3% en août 2023. Un facteur dix en huit mois. Côté offres d’emploi, les auteur.e.s renvoient à Liang et al. 2025 et écrivent que leurs propres mesures « complètent leurs estimations côté demande ». Les deux moitiés existent. Personne ne les a encore posées l’une à côté de l’autre.
Ce que ça change pour une direction des ressources humaines
Pas grand-chose au rayon notoriété. Beaucoup au rayon délai et coût par recrutement.
Les auteur.e.s renvoient à Wiles, Munyikwa et Horton, Management Science, décembre 2025, qui établissent que l’assistance rédactionnelle améliore les résultats en recherche d’emploi. La retouche fonctionne, donc. Les descriptions de poste que vos recruteur/euses lisent sont mieux écrites qu’il y a trois ans, sans que les fonctions décrites aient bougé d’un millimètre. Le tri par mots-clés y perd son pouvoir de discrimination, et le coût se déplace vers l’entretien.
Deuxième chose, utile en veille. La réécriture n’arrive pas n’importe quand : elle culmine dans les mois qui précèdent un changement d’employeur, où elle passe de 1,1% à 2,4%, puis retombe dans les trois mois qui suivent. Un historique qui bouge signale une personne en mouvement.
Troisième chose, sur le vivier. Les profils de plus de 500 relations réécrivent près de trois fois plus que ceux de 100 à 200 relations. Les personnes les plus visibles de votre marché sont aussi celles dont l’historique bouge le plus.
Dans le secteur public, une contrainte s’ajoute. Un agent reste tenu par son statut et par le devoir de réserve, y compris sur ce qu’il écrit d’un poste quitté. Ce que d’ancien.ne.s agent.e.s ont le droit de dire de leurs missions se règle en concertation, pas au service communication.
Qui achète cette donnée
Revelio Labs, le fournisseur qui a co-signé l’étude, annonce 1,1 milliard de profils, plus de 20 millions d’entreprises, 247 pays et quinze régions dont l’Europe occidentale, un fichier « Position » qui conserve l’ordre chronologique des postes de chaque personne, et une mise à jour quotidienne des profils individuels. Ces chiffres sont ceux du vendeur et je n’ai aucun moyen de les vérifier. La donnée est par ailleurs distribuée aux chercheur/euses par WRDS, la plateforme de la Wharton School.
Les organisations belges sont donc dans la base. Elles n’ont simplement pas encore été étudiées.
Ce qu’écrivent vos collaborateur/rices et vos ancien.ne.s collaborateur/rices pèse sur la réputation en ligne de votre organisation, et sur ce que les IA génératives comprennent de l’ensemble de ces signaux. Une maison dont les compétences se déduisent de déclarations individuelles rétroactives est décrite par des gens qui n’y travaillent plus, à des interlocuteurs qu’elle ne connaît pas.
Ce que ces chiffres ne permettent pas de conclure
Ils sont américains. Ils ne sont donc pas nécessairement adaptés à la situation belge, et rien ici ne mesure la Belgique. J’y vois une tendance, et cette tendance n’a rien de spécifiquement américain.
L’étude ne dit rien de la sincérité des personnes. Elle ne dit rien non plus de l’efficacité de ces réécritures en recherche d’emploi, et les auteur.e.s l’écrivent noir sur blanc : ils n’ont « rien à dire sur l’efficacité de ces révisions ». La lecture morale qu’en a tirée la presse ne figure pas dans le texte.
Le document n’a pas été relu par les pairs, le NBER l’indique en page de garde. Deux des quatre auteur.e.s sont salarié.e.s de Revelio Labs, qui vend la donnée, et l’étude porte une déclaration de relation d’intérêt. Ce sont des faits déclarés par les auteur.e.s, à lire comme tels.
Reste un point qui me coûte. Restreindre un échantillon aux profils les plus connectés est la manœuvre habituelle pour améliorer la qualité d’un jeu de données. Puisque ces profils réécrivent près de trois fois plus, la restriction augmente l’exposition au biais au lieu de la réduire. Sur les compétences en intelligence artificielle, l’écart atteint environ 30% de surestimation avant ChatGPT quand on lit les profils de 2026 comme s’ils décrivaient 2022.
Je construis des benchmarks de pairs à partir de données de profil. Ce biais s’applique à mes propres livrables avant de s’appliquer à ceux des autres, et la seule réponse que j’y apporte aujourd’hui consiste à prendre ces résultats avec des pincettes et à le dire.
Ce que je réponds quand on me demande de faire corriger
D’abord, ne pas agir sous le coup de l’émotion. Un profil d’ancien.ne collaborateur/rice qui déplaît donne envie d’intervenir dans l’heure, et c’est le pire moment pour décider.
Ensuite, prendre le temps d’une stratégie, en trois temps.
- Mesurer l’ampleur, ou l’absence d’ampleur, du phénomène chez vous. Les 19,7% américains ne sont pas votre chiffre.
- Déterminer quels profils sont prioritaires à screener. Tous ne se valent pas.
- Décider à partir de quel moment on engage du temps, de l’énergie et donc de l’argent pour tenter de faire modifier ces profils.
Le seul recours formel existe déjà
Le troisième temps débouche sur un formulaire. LinkedIn ouvre aux administrateur/rices de pages le TS-NFPI, pour Notice of Inaccurate Profile Information, seul mécanisme officiel permettant de forcer une dissociation. Ce n’est pas un ticket de support, mais une notification formelle qui engage votre responsabilité. La personne signalée dispose de quatorze jours pour contester et, si elle le fait, LinkedIn se déclare parfois incompétent pour trancher. Le dossier bascule alors sur le terrain juridique.
Un point reste ouvert, et autant le dire. J’ai documenté ce formulaire en janvier 2026 pour les affiliations mensongères, ces personnes qui se déclarent chez vous sans y avoir jamais travaillé. Le cas que mesure l’étude américaine est différent : un.e ancien.ne collaborateur/rice bien réel.le qui gonfle après coup le périmètre de sa fonction. Le formulaire vise une information de profil inexacte, ce qui devrait le couvrir. Mais je n’ai pas vérifié que LinkedIn traite les deux situations de la même manière, et la page d’aide ne le précise pas.
>>> Le mode d’emploi du formulaire, avec l’argumentaire factuel à écrire et le piège de la contre-notification : Gouvernance LinkedIn : comment protéger votre page entreprise contre les « employés fantômes » et les usurpations
Ce que je ne recommande pas : la campagne de mise au point auprès d’ancien.ne.s collaborateur/rices. Un profil appartient à la personne qui le signe, y compris quand elle décrit mal ce qu’elle a fait chez vous.
Depuis dix ans que j’audite des pages et des profils, je n’avais jamais eu à écrire qu’un historique professionnel est un objet mouvant. C’est fait.
Reste une question que ces chiffres ne tranchent pas : à partir de combien d’ancien.ne.s collaborateur/rices une organisation devrait-elle considérer que son histoire publique lui échappe ?
Xavier Degraux ► Consultant, formateur et conférencier ► Prise de parole et réputation des organisations ► Je transforme marque, CEO, Comex & ambassadeurs en médias d’autorité (Thought Leadership) ► Expert LinkedIn™, Data & IA ► Ex- Journaliste éco
