Tout système de suivi des candidatures utilise une forme d'IA pour classer les CV. Les architectures se divisent en deux catégories : le matching par mots-clés, utilisé par presque toutes les plateformes traditionnelles, et le classement basé sur les résultats, utilisé par CurriculoATS. La différence n'est pas marketing. Il s'agit d'une différence structurelle dans la façon dont le modèle lit un CV, qui produit des listes restreintes fondamentalement différentes pour un même ensemble de candidats.
Il s'agit d'une comparaison technique destinée aux fondateurs de startups qui veulent comprendre ce qui se passe réellement sous le capot lorsqu'ils achètent un logiciel ATS, et pourquoi les deux architectures ne peuvent être masquées par une meilleure expérience utilisateur ou un modèle plus astucieux sur les mêmes données d'entrée.
Comment fonctionne le matching par mots-clés
Le matching par mots-clés extrait des jetons de la description de poste (Python, AWS, Kubernetes, Django, Postgres) et scanne le CV à la recherche des mêmes jetons. Chaque jeton trouvé compte pour un score de correspondance. L'implémentation de base ressemble grossièrement à ceci : job_tokens = extract_keywords(job_description); resume_tokens = extract_keywords(resume_text); overlap = intersection(job_tokens, resume_tokens); score = len(overlap) / len(job_tokens). Les versions plus sophistiquées utilisent une pondération TF-IDF (les termes rares comptent plus que les termes courants) ou des embeddings de phrases (les CV dont le vecteur est proche du vecteur de la description de poste sont mieux classés, capturant des synonymes comme « led » pour « managed »). Ces trois variantes partagent la même propriété fondamentale : ce sont des fonctions déterministes de correspondance de texte, et le CV en est l'entrée. Les candidats qui connaissent les tactiques de bourrage de mots-clés peuvent produire de manière fiable des résultats que le modèle favorise.
Les trois vulnérabilités structurelles du matching par mots-clés
1. Empoisonnement adversarial des CV
N'importe quel algorithme déterministe de correspondance de texte peut être trompé par des candidats qui en connaissent les règles. Si le modèle récompense la présence de mots-clés spécifiques, les candidats injectent ces mots-clés dans du texte blanc caché en bas du CV, dans des listes à puces répétées, ou dans de fausses sections de compétences. Les systèmes basés sur les mots-clés y sont structurellement vulnérables ; le modèle n'a aucune notion permettant de savoir si le mot-clé est là parce que le candidat a effectué le travail ou parce qu'il a décodé le filtre. Même les modèles de similarité sémantique sont vulnérables, face à une attaque légèrement différente : copiez-collez la description de poste dans le résumé du CV et la distance cosinus s'effondre pour devenir presque nulle.
2. Faux positifs sur les candidats faibles
Un candidat dont le CV mentionne « Python » quatre fois est mieux classé qu'un candidat dont le CV décrit le déploiement d'un système de détection de fraude en temps réel. Le modèle récompense la densité de jetons, et non la profondeur. Le recruteur voit le faux positif en tête du classement et le fait avancer ; le candidat fort se trouve à la position 47 et n'est jamais lu. L'analyse de CV en sept secondes documentée par la recherche signifie que les recruteurs n'ont pas le temps de corriger manuellement le classement.
3. Faux négatifs sur les candidats forts
Les recherches sur les travailleurs invisibles estiment que 27 millions d'Américains qualifiés sont rejetés par le tri automatisé pour des raisons sans rapport avec leurs compétences. Un ingénieur senior qui a écrit « built a streaming service » au lieu de « architected a real-time data pipeline » disparaît. Un candidat avec un vocabulaire non conventionnel, une période de vide sur son CV, ou un parcours issu d'un autre secteur est filtré avant que quiconque ne l'examine.
Comment fonctionne le classement basé sur les résultats
Le classement basé sur les résultats inverse le mécanisme. Au lieu de comparer le texte du CV au texte de la description de poste, le modèle extrait les accomplissements mesurables du CV en quatre catégories et les évalue par rapport aux exigences de résultats du poste. Les quatre catégories : les revenus (transactions conclues, ARR généré, économies réalisées), les équipes (personnes gérées, organisations développées), les systèmes (construits, livrés, mis à l'échelle en production) et les problèmes (résolus, complexes, novateurs). Le modèle renvoie un score composite de 0-100 accompagné d'un paragraphe de justification rédigé qui nomme les résultats spécifiques qu'il a identifiés. Ce paragraphe est l'élément qui transforme le système d'une boîte noire en un outil qu'un humain peut auditer.
Sur le plan architectural, le modèle lit la réalisation plutôt que le mot-clé. « Shipped a real-time fraud detection pipeline that processed 2M events/sec » est enregistré comme un signal puissant de systèmes livrés, que la liste à puces utilise ou non les mots « streaming », « pipeline », « real-time », ou n'importe quel framework spécifique. « Python, Python, Python » n'enregistre rien, car il n'y a aucun résultat derrière. Les deux candidats produisent des classements inversés par rapport à un modèle de mots-clés, et cette inversion est tout le but de la démarche.
Pourquoi le classement basé sur les résultats est plus difficile à tromper
La robustesse adversarielle est le moyen le plus clair de comparer les deux architectures. Un modèle basé sur les mots-clés peut être trompé par n'importe quel candidat qui colle des jetons sur un CV ; le modèle n'a aucune défense, car l'entrée qu'il lit est l'entrée que le candidat contrôle. Un modèle basé sur les résultats ne peut être trompé que par un candidat qui fabrique de toutes pièces des accomplissements, ce qui est une attaque catégoriquement plus difficile. Inventer des chiffres de revenus fictifs ou de faux systèmes livrés relève de la fraude. Bourrer des mots-clés, non. Ce bond dans le coût de l'attaque rend le modèle basé sur les résultats résistant.
C'est le même principe que les systèmes de recommandation d'Amazon utilisaient il y a une décennie pour se protéger contre la manipulation des annonces par les vendeurs. Les vendeurs peuvent écrire ce qu'ils veulent dans un titre de produit ; ils ne peuvent pas fabriquer des données d'achat, des taux de retour ou des schémas d'avis vérifiés. Le classificateur lit le signal le plus difficile à fabriquer. Avant CurriculoATS, notre fondateur Dev a passé des années chez Amazon à travailler sur la recherche et les recommandations, et le principe a été transposé presque intact : classez à partir de signaux que l'entrée ne peut pas fabriquer à moindre coût.
Comment les deux architectures gèrent différemment la conformité
L'IA de recrutement moderne s'inscrit dans deux régimes réglementaires importants pour toute startup qui recrute à New York ou dans l'UE. NYC Local Law 144 exige des audits de biais et une notification des candidats pour les outils décisionnels automatisés d'emploi utilisés à New York, avec des audits annuels par des tiers et des rapports résumés publics. Le EU AI Act classe l'IA de recrutement comme étant à haut risque en vertu de l'Annexe III, avec des obligations applicables à partir d'août 2026, comprenant des évaluations des risques obligatoires, de la documentation technique, des tests de biais et des exigences de supervision humaine.
Ces deux régimes favorisent les modèles avec un raisonnement documenté et explicable. Un ATS basé sur les résultats qui produit un paragraphe rédigé par candidat satisfait les exigences de documentation et d'audit de manière beaucoup plus nette qu'un modèle de mots-clés en boîte noire qui renvoie un chiffre sans explication. La différence de coût de conformité entre les deux architectures est réelle : un fournisseur basé sur les résultats peut produire les pièces d'audit directement à partir du résultat du modèle, tandis qu'un fournisseur basé sur les mots-clés doit ajouter des explications a posteriori ou accepter un risque continu. Ce n'est pas la raison marketing pour laquelle CurriculoATS utilise l'architecture basée sur les résultats, mais c'est l'une des raisons pour lesquelles ce choix architectural vieillit bien.
Ce que cela signifie pour un fondateur qui choisit un ATS
La différence architecturale se reflète dans la liste restreinte. Faites passer les mêmes cent CV à travers un ATS basé sur les mots-clés et un ATS basé sur les résultats, puis comparez les dix meilleurs candidats classés de chacun. Les deux listes se chevaucheront peut-être à 30-50 % ; le reste sera constitué de personnes différentes. La liste par mots-clés inclura des candidats qui ont optimisé leur CV pour le filtre. La liste de résultats inclura des candidats qui ont réellement livré un travail pertinent. Le recruteur ou le fondateur lit l'une de ces deux listes.
La tarification reflète le positionnement plutôt qu'un écart de capacités. Workable commence à $149/mois et évolue par tranche d'employés. Greenhouse coûte environ $50-$150 par siège et par mois selon les rapports des acheteurs, avec des contrats médians autour de 12 250 $/an. CurriculoATS Pro est à $100/mois (actuellement $50/mo en offre early bird) avec un nombre illimité de membres d'équipe. La différence de prix est d'environ un ordre de grandeur sur le palier startup concerné, et l'architecture de filtrage est structurellement différente.
Que faire ensuite
Si vous évaluez actuellement des options ATS, le choix architectural est la variable la plus importante, et c'est celle que la plupart des démonstrations masquent. Lisez la page d'évaluation de l'impact pour comprendre le mécanisme technique, puis consultez la page de comparaison pour voir comment CurriculoATS se positionne face à Greenhouse, Lever, Workable, Ashby et Manatal sur la couche de filtrage. L'offre Starter est gratuite et suffit à vérifier la différence architecturale sur un poste réel.