Presque tous les systèmes de suivi des candidatures sur le marché affirment aujourd'hui intégrer l'IA. Ce n'est pas le cas de la plupart d'entre eux, du moins dans un sens qui aurait de l'importance pour un ingénieur. Ils s'appuient sur de l'automatisation basée sur des règles, de l'extraction de mots-clés, et parfois un modèle d'embeddings de phrases posé sur du code datant de 2014. La page marketing dit IA. Le modèle derrière le rideau est la même expression régulière en place depuis une décennie.
C'est là que se creuse l'écart entre le battage médiatique autour de l'IA et sa réalité dans le recrutement. Cela compte, car les résultats de recrutement sont radicalement différents selon celui que vous choisissez.
À quoi ressemble une véritable IA dans le recrutement
Une véritable IA dans le recrutement implique un modèle capable de lire un CV, d'en extraire des résultats mesurables (chiffre d'affaires généré, équipes gérées, systèmes livrés, problèmes résolus), et de classer les candidats selon leur adéquation au poste. Le modèle génère un score accompagné d'un paragraphe d'explication écrit, que l'humain peut lire et contester. Il ne se contente pas de compter les occurrences. Il ne se contente pas de calculer une distance vectorielle. Il interprète concrètement ce que le candidat a accompli, à la manière d'un ingénieur senior ou d'un opérationnel. Les recherches de McKinsey sur les pratiques de talents, synthétisées dans « The shape of talent » en 2023 et 2024, montrent que l'adoption du recrutement basé sur les compétences est passée de 40 % en 2020 à environ 60 % en 2024 — précisément ce pour quoi un modèle axé sur l'analyse des résultats est conçu. Les fausses IA ne peuvent pas performir sur le recrutement axé sur les compétences car elles ignorent le concept de compétence ; elles ne connaissent que la présence de mots. La véritable IA, si.
Le test le plus simple consiste à demander au fournisseur le paragraphe explicatif qui justifie un score. S'il ne peut pas le produire, ce score est une boîte noire et l'IA n'est que marketing.
L'IA de pacotille : les schémas qui reviennent sans cesse
Après avoir passé en revue la plupart des démos d'ATS sur ce marché, on remarque que les mêmes schémas sont systématiquement vendus comme de l'IA alors qu'ils sont tout autre.
- La fréquence des mots déguisée en correspondance sémantique. Le modèle compte le nombre d'occurrences de Python et AWS et qualifie le résultat de « score de correspondance ». Ajoutez un filtre anti-mots vides et un dictionnaire de synonymes, et l'on appelle cela du “traitement du langage naturel.” L'expérience du candidat reste la même : bourrez votre CV de mots-clés et vous gagnez.
- Les embeddings de phrases sous forme d'enrobage superficiel. Une version plus sophistiquée utilise des modèles pré-entraînés d'embeddings de phrases pour calculer la similarité cosinus entre le CV et l'offre d'emploi. Cela capte les synonymes, mais il s'agit toujours d'une correspondance texte-à-texte. Un candidat qui copie-colle l'offre d'emploi dans son résumé de CV obtiendra un score très élevé sans aucune expérience réelle.
- Les chatbots d'entretien. Un formulaire scripté avec une interface LLM. Utile pour la planification et le tri. Mais ce n'est pas du filtrage intelligent.
- Les résumés générés par IA. Le modèle résume le CV sous forme de points, ce qui relève de la productivité et non d'une décision de classement. L'algorithme de tri en dessous reste basé sur les mots-clés.
Rien de tout cela n'est de la fraude. C'est simplement un étiquetage généreux. C'est d'ailleurs la raison pour laquelle les candidats ont appris à tromper les ATS avec autant d'efficacité. Jobscan documente la prévalence du bourrage de mots-clés sur les vrais CV, une pratique qui ne fonctionne que parce que les systèmes de filtrage la récompensent.
Pourquoi ce battage médiatique est si tenace
Trois forces maintiennent un gouffre béant entre le marketing IA et la réalité de l'IA dans les logiciels de recrutement. Il convient de les nommer afin que vous puissiez les ignorer.
La première est que l'acheteur n'est généralement pas un évaluateur technique. Les achats sont gérés par les RH, la démo se fait devant un directeur des talents, et la question “quelle est l'architecture réelle du modèle” est rarement posée. Les fournisseurs ont compris qu'ils pouvaient livrer les mêmes expressions régulières qu'en 2018 et les qualifier d'IA, tant que la démo paraît irréprochable. Le marketing n'est jamais sanctionné.
La deuxième est que les ATS traditionnels sont des solutions de plateforme. Greenhouse, Lever et Workable tirent leurs revenus des flux de travail, pas de la précision du filtrage. Intégrer une véritable IA de classement nécessite un effort d'ingénierie coûteux pour une fonctionnalité qui n'apparaîtra pas clairement dans une grille de comparaison d'achat. Ils livrent donc la version bon marché.
La troisième est que le recrutement est tributaire de nombreux autres facteurs tels que la qualité de l'offre d'emploi, les canaux de sourcing, les conditions du marché et la notoriété de l'équipe, ce qui permet au mauvais filtrage de passer inaperçu dans le bruit ambiant. Une équipe qui embauche douze bons ingénieurs par an en crédite son processus. Cette même équipe aurait embauché ces douze personnes avec un simple fichier Google Sheets, car le filtrage n'a pas fait le travail que l'équipe pense qu'il a fait. Le filtrage par une véritable IA est mesurable, ce qui aide un fondateur à faire la part des choses entre une véritable valeur ajoutée et le bruit : vous pouvez comparer le top 10 des candidats du modèle avec votre propre top 10 et constater s'ils se recoupent. Les fausses IA échouent presque systématiquement à ce test.
Ce que les systèmes de recommandation d'Amazon nous ont appris sur le recrutement
Avant CurriculoATS, notre fondateur Dev a passé plusieurs années chez Amazon à travailler sur les systèmes de recherche et de recommandation. Il en tire un enseignement qui s'applique directement à l'IA de recrutement : le seul modèle qui mérite d'être lancé est celui dont les meilleurs résultats (top-K) sont pertinents. Tout le reste n'est que poudre aux yeux.
Le système de recommandation d'Amazon ne met jamais en production un modèle qui offre une précision moyenne légèrement supérieure mais qui classe le mauvais article à la position 1. La position 1 détermine si l'utilisateur va cliquer. Il en va de même pour le classement des CV. Le recruteur ne regarde que le top 10 ou 15, un point c'est tout. Si le top 10 du modèle est erroné, le reste du système ne vous sauvera pas.
C'est pourquoi CurriculoATS est conçu autour d'une évaluation multi-signaux — réalisations chiffrées, adéquation de l'expérience, trajectoire de carrière, alignement des compétences — qui génère un score composite de 0–100 accompagné d'un paragraphe explicatif détaillé. Ce paragraphe est l'élément qui transforme un classeur opaque en un outil de confiance pour un fondateur. Vous pouvez le lire, le contester et passer outre. C'est toute la différence entre l'IA comme aide à la décision et l'IA comme outil de remplacement de la décision — une nuance plus importante que n'importe quel détail d'architecture de modèle. Consultez la page sur l'évaluation de l'impact pour une analyse complète.
Pourquoi la question de l'acheteur compte plus que le marketing du fournisseur
La manière dont un fondateur questionne l'IA lors d'une démo détermine s'il se retrouvera avec une véritable intelligence de classement ou avec du pur marketing déguisé. Les fournisseurs qui remportent les appels d'offres ne sont pas toujours ceux qui ont les meilleurs modèles ; ce sont ceux dont les démos répondent aux véritables questions des acheteurs. Or, la plupart des acheteurs posent les mauvaises questions. “Est-ce qu'il y a de l'IA ?” est la mauvaise question, car tous les fournisseurs répondront oui. “Que modélise le score de cette IA ?” s'en rapproche, car cela oblige le fournisseur à détailler les entrées du modèle. “Montrez-moi l'explication qui justifie un candidat bien classé” est la bonne question, car elle contraint le fournisseur à produire le résultat. Un fournisseur doté d'une véritable IA de classement peut le montrer en 90 secondes. Un fournisseur avec une IA de pacotille en est incapable. C'est le moment le plus révélateur de n'importe quelle démo d'ATS, et la plupart des fondateurs le passent sous silence car le déroulé de la démo est conçu pour les maintenir sur les fonctionnalités de flux de travail. Nous avons vu des fondateurs assister à des présentations de 40 minutes sur les tableaux Kanban et les modèles de lettres d'embauche, puis signer des contrats annuels sans jamais demander au modèle de produire une analyse pour un candidat spécifique. Le gouffre lors de l'achat n'est pas une méconnaissance de l'IA ; c'est la réticence à interrompre la démo. Un fondateur qui demande le paragraphe explicatif dans les dix premières minutes élimine 70 % du marché des ATS traditionnels sans avoir à lire le moindre benchmark.
Comment évaluer les fournisseurs d'IA de recrutement en une seule démo
Inutile d'avoir recours à un processus d'achat complexe. Vous n'avez besoin que de trois questions.
- Montrez-moi l'explication derrière le candidat le mieux classé. Si la réponse est un chiffre sans explication, le modèle est basé sur des mots-clés. Passez votre chemin.
- Faites passer le CV de ma dernière recrue dans le système avant mon intégration. Si le modèle l'avait classée dans le top 10, le système est pertinent. Si elle avait été rejetée, le modèle est défectueux.
- Combien cela coûte-t-il si j'ai dix postes ouverts au lieu de trois ? La tarification au siège pénalise les équipes en croissance. Une tarification forfaitaire évolue avec le volume d'embauches, ce qui est la véritable préoccupation d'une startup.
C'est tout l'objet de la démo. Trente minutes suffisent.
Que faire ensuite
Si vous avez une présélection d'ATS sur votre bureau et que vous ne savez pas si leur IA est réelle, soumettez chacun d'eux à cette démo en trois questions. Lisez ensuite notre page dédiée à l'IA ATS pour les fondateurs ainsi que la page de comparaison pour voir comment les principaux fournisseurs se mesurent à un modèle basé sur l'évaluation des résultats. L'offre Starter de CurriculoATS est gratuite pour un poste actif, ce qui est suffisant pour tester l'algorithme de classement sur un poste que vous recouvrez actuellement, sans engagement contractuel.
Ancien ingénieur en apprentissage automatique chez Amazon (recherche et recommandations) et Synopsys. A créé CurriculoATS pour remplacer la correspondance par mots-clés dans le recrutement par une évaluation IA basée sur les résultats. Diplômé de Penn State. Écrit sur l'IA dans le recrutement, l'économie des ATS, et ce qui prédit véritablement la performance au travail.