Si vous vous êtes déjà demandé pourquoi un candidat manifestement qualifié disparaissait dans votre ATS sans même un entretien téléphonique, la réponse se trouve presque toujours au niveau de l'analyse syntaxique, pas du scoring. Le candidat avait un CV sur deux colonnes. Son nom figurait dans un en-tête. Ses dates étaient dans des zones de texte. Le système a reçu le document, a restitué une analyse correcte pour 80 % du contenu, et a silencieusement écarté les parties qu'il ne parvenait pas à lire. Le candidat semblait faible à l'écran parce que l'écran n'affichait que la moitié du CV. Cela arrive plus souvent que ne le pensent les fondateurs, et c'est la principale raison pour laquelle le scoring des ATS est tenu responsable de problèmes qui relèvent en fait de l'analyse syntaxique.
Ce que fait réellement un ATS, en un paragraphe
Un système de suivi des candidatures est un logiciel qui collecte, analyse, organise, évalue et stocke les candidatures. La plupart des plateformes ATS modernes fonctionnent selon un pipeline en trois étapes : analyser le document pour en extraire des données structurées, évaluer ces données par rapport aux exigences du poste, et classer les candidats afin qu'un humain puisse examiner les plus pertinents en premier. L'implémentation a significativement évolué depuis 2020. Les premières plateformes ATS reposaient presque entièrement sur la correspondance stricte de mots-clés, où une description de poste mentionnant « Python » ne reconnaissait que les CV contenant ce terme exact. Les systèmes actuels, dont CurriculoATS, combinent la correspondance sémantique, le scoring multi-signaux et le raisonnement par les grands modèles de langage pour évaluer le contexte, pas seulement les mots-clés.
Pourquoi l'architecture compte plus que la marque
Deux plateformes ATS avec la même liste de fonctionnalités peuvent produire des résultats radicalement différents selon la conception de leurs couches d'analyse et de scoring. La marque sur l'emballage ne prédit pas la qualité du tri ; c'est l'architecture sous le capot qui le fait. Un fondateur qui évalue des options ATS devrait se soucier moins des logos que de trois questions précises : comment l'analyseur gère-t-il les mises en page non standard, quels signaux la couche de scoring évalue-t-elle, et le système expose-t-il son raisonnement de manière auditable.
Étape 1 : l'analyse syntaxique, là où surviennent la plupart des défaillances
Le moteur d'analyse extrait les données structurées du CV : nom, coordonnées, expériences professionnelles avec dates et intitulés de poste, formation et compétences. Les analyses de l'industrie suggèrent qu'environ 30 % de toutes les rejets par les ATS trouvent leur origine au stade de l'analyse syntaxique, avant même que le scoring ne soit exécuté. Les défaillances d'analyse les plus courantes sont prévisibles. Les mises en page multi-colonnes sont linéarisées de manière incorrecte, si bien que la troisième réalisation d'un candidat sous son poste actuel semble appartenir au rôle précédent. Les zones de texte sont purement et simplement ignorées par les analyseurs plus anciens parce qu'elles se trouvent en dehors du flux de contenu principal du document. Les en-têtes et pieds de page, où de nombreux designers placent les coordonnées, sont parfois ignorés. Les bandeaux de nom sous forme d'image sont invisibles. Les titres de section originaux (« Aventures » au lieu de « Expérience ») désorientent le classifieur. Chacun de ces cas donne l'impression qu'un candidat est moins qualifié qu'il ne l'est en réalité. CurriculoATS utilise un pipeline d'analyse moderne qui gère robustement les mises en page standard mais, comme tout analyseur, peine face aux mises en page créatives extrêmes. Le conseil valable depuis une décennie reste vrai : un CV épuré sur une seule colonne avec des sections standard est analysé correctement par tous les ATS majeurs.
Ce que voit l'analyseur vs. ce que voit l'humain
Un exercice utile : copiez et collez votre CV dans un éditeur de texte brut. Ce que vous voyez correspond à peu près à ce que voit l'analyseur. Si vos coordonnées sont manquantes, si vos dates sont dans le désordre ou si vos puces sont entrelacées avec des rôles précédents, c'est ce que la couche de scoring évaluera. La plupart des défaillances de l'analyseur sont immédiatement visibles à cette étape.
Étape 2 : le scoring, là où les plateformes ATS divergent
Une fois le CV analysé, le système évalue les données structurées par rapport aux exigences du poste. C'est ici que les plateformes ATS diffèrent le plus. Trois approches dominent le marché en 2026. Premièrement, la correspondance stricte de mots-clés, l'approche historique : les mots-clés de la description de poste sont recherchés littéralement dans le texte du CV et un score de fréquence est produit. C'est rapide et explicable, mais fragile. Un candidat qui décrit son expérience AWS comme « exécution de services en production sur le cloud d'Amazon » obtient un score faible pour un poste exigeant « AWS » parce que le terme exact est absent. Deuxièmement, la correspondance sémantique par NLP : le système comprend que « AWS », « Amazon Web Services » et « exécution de services sur le cloud d'Amazon » sont équivalents. Cela repère correctement plus de candidats, mais évalue toujours au niveau des mots-clés, simplement avec un dictionnaire plus riche. Troisièmement, le scoring multi-signaux avec raisonnement : le système évalue le CV sur plusieurs dimensions (réalisations chiffrées, pertinence de l'expérience, trajectoire de carrière, adéquation des compétences) et produit un score composite accompagné d'un paragraphe de raisonnement rédigé. CurriculoATS utilise cette troisième approche, que nous appelons Impact Scoring, parce que l'évaluation au niveau des mots-clés, même enrichie sémantiquement, manque le signal le plus fort d'un CV : les résultats attachés à des rôles spécifiques.
Comment CurriculoATS évalue-t-il les candidats différemment ?
Le score composite est calculé à partir de quatre signaux pondérés vers les résultats : les réalisations chiffrées (des nombres associés à des résultats), la pertinence de l'expérience (le candidat a-t-il résolu des problèmes proches du poste ouvert), la trajectoire de carrière (les responsabilités augmentent-elles d'un poste à l'autre) et l'adéquation des compétences (les compétences revendiquées correspondent-elles aux preuves du CV). Le résultat est un score de 0-100 et un paragraphe rédigé expliquant pourquoi le score est ce qu'il est, afin qu'un fondateur puisse auditer la décision de scoring en quelques secondes. C'est la différence entre « densité de mots-clés 0,78 » et « excellente adéquation parce que les trois derniers rôles du candidat ont chacun généré un impact mesurable sur le chiffre d'affaires dans le même domaine que votre poste à pourvoir ».
Étape 3 : le classement et la transmission à l'humain
La troisième étape est la présentation : ordonner les candidats pour qu'un évaluateur humain lise les plus pertinents en premier. C'est plus important que ne le pensent les fondateurs. Un pipeline qui livre 200 candidats triés par date de candidature oblige le fondateur à lire les 200 pour trouver les 8 meilleurs. Un pipeline qui livre les mêmes 200 candidats classés par score composite permet au fondateur de lire les 8 meilleurs et de prendre une décision de tri confiante en 30 minutes. Le classement est aussi le moment où les biais du système deviennent visibles opérationnellement. La NYC Local Law 144 exige des audits de biais pour les outils d'aide à la décision automatisée utilisés dans le recrutement à New York, et l'annexe III de l'EU AI Act classe l'IA de recrutement comme à haut risque, exigeant documentation, supervision humaine et surveillance continue. Les plateformes ATS modernes conçues pour un scoring assisté par IA devraient publier leur raisonnement afin que les audits de biais puissent être menés de manière significative et que les équipes de recrutement puissent vérifier le classement avant de prendre des décisions d'entretien.
Comment se présente l'expérience candidat dans tout cela ?
Le candidat voit un formulaire de candidature, un e-mail de confirmation, puis soit une invitation à un entretien téléphonique, soit un refus poli. Derrière cette apparence simple, un analyseur, un système de scoring et un classeur ont fonctionné ; le CV du candidat a été comparé à plusieurs centaines d'autres ; et une décision structurée a été prise quant à sa suite. Les plateformes ATS modernes offrent également de la transparence côté candidat : informer les postulants de l'utilisation d'outils automatisés dans leur évaluation est désormais une obligation légale à New York, de plus en plus requise dans l'UE sous l'AI Act, et largement considéré comme une bonne pratique ailleurs.
Ce que nous avons appris chez Amazon sur les systèmes de classement
Avant CurriculoATS, notre fondateur Dev a travaillé sur les systèmes de recherche et de recommandation d'Amazon. La leçon la plus directement transposable : un système de classement n'est jamais meilleur que sa boucle de rétroaction. Les classements de produits d'Amazon s'améliorent parce que chaque clic, achat et retour alimente le modèle en signaux. La plupart des plateformes ATS sont conçues sans cette boucle ; elles évaluent un candidat, le candidat est recruté ou rejeté, et rien du résultat ne revient recalibrer le score. Il en résulte un système qui se pétrifie. CurriculoATS est conçu avec une boucle fermée : lorsque la performance à 90 jours d'un candidat recruté est enregistrée, le système apprend quels schémas de signaux ont prédit le succès dans votre entreprise spécifique. Le modèle de scoring général est un point de départ ; c'est la calibration spécifique à l'équipe qui rend le score fiable dans le temps.
Pourquoi un scoring explicable bat un scoring black-box
Si un système vous donne un score de 0-100 sans explication, vous ne pouvez pas dire s'il est correct. S'il vous donne le même score avec un paragraphe de raisonnement rédigé, vous pouvez l'auditer en quelques secondes. L'audit repère les cas où le modèle a mal interprété un parcours professionnel non traditionnel ou surévalué un mot-clé à tort. L'explicabilité est aussi ce qui rend la conformité réglementaire sous la NYC Local Law 144 et l'EU AI Act gérable ; les audits de biais sur des modèles opaques sont surtout cosmétiques.