Signal vs bruit sur un CV : la couche cachée du recrutement
Ouvrez n'importe quelle pile de 200 CV reçus en spontané et vous y verrez toujours le même schéma. Une quarantaine décrivent un travail réel, récent et pertinent pour le poste. Les 160 autres énumèrent des horaires, des titres, des outils et des tâches que le candidat a effectués, dans un certain ordre, à un moment donné, pour une certaine entreprise. Les quarante premiers sont du signal. Le reste, c'est du bruit. La plupart des équipes de recrutement ne savent pas les distinguer assez vite, et c'est précisément pour cette raison que le tri des CV donne encore en 2026 cette impression d'un processus cassé.
Ce que signal et bruit signifient vraiment sur un CV
Le signal, c'est l'information qui permet de prédire si un candidat réussira le poste que vous cherchez à pourvoir. Des résultats concrets (« réduction de la latence p95 de 800 ms à 120 ms »), un périmètre pertinent (« responsable du service de facturation pendant 18 mois ») et des accomplissements liés à des décisions (« livraison du redesign de l'onboarding qui a augmenté l'activation de 14 % »), tout cela est du signal. Le bruit, c'est tout le reste : des responsabilités génériques, des mots à la mode, des certifications que personne ne vérifie et des outils listés sans contexte. Le Harvard Business Review estime qu'environ 72 % des CV sont écartés avant qu'un humain ne les lise, et les systèmes qui effectuent ce filtrage se basent principalement sur le bruit – correspondance exacte de mots-clés, nombre d'années d'expérience et diplômes. Un candidat qui a livré exactement ce dont vous avez besoin mais qui utilise des mots différents est écarté. Un candidat qui a rédigé une salade de buzzwords calquée sur votre offre d'emploi passe le filtre. Le coût du bruit traité comme du signal n'est pas abstrait : le rapport SHRM's 2025 Benchmarking Report situe le coût moyen par recrutement à $5,475, et un mauvais recrutement produit des effets négatifs pendant des mois.
Pourquoi la correspondance de mots-clés ne peut pas séparer le signal du bruit
Les systèmes de suivi des candidatures traditionnels ont été conçus à une époque où le goulot d'étranglement était la paperasse, pas le jugement. Ils analysent un PDF, en extraient des éléments, les comparent à une offre d'emploi et classent. Cela fonctionne pour des formulaires de conformité. Mais cela ne fonctionne pas pour faire la distinction entre un ingénieur senior qui a livré de vrais systèmes et un junior qui a copié les bons mots. Trois problèmes structurels font de la correspondance de mots-clés un outil inadapté :
- Dérive du vocabulaire. Un candidat qui a conçu des « services backend event-driven sur AWS » ne correspond pas à une offre d'emploi demandant des « API REST et Lambda ». Même compétence, vocabulaire différent, score zéro.
- Cécité au contexte. L'expression « dirigé une équipe de cinq personnes » ne signifie pas la même chose dans une startup de 10 personnes en phase d'amorçage que dans une banque de 30 000 employés. Les systèmes par mots-clés les considèrent comme identiques.
- Aucune pondération des résultats. Deux CV peuvent lister les mêmes compétences. L'un a construit un produit utilisé par dix millions d'utilisateurs. L'autre a aidé à maintenir un outil utilisé en interne par douze personnes. Le scoring par mots-clés ne peut pas voir la différence.
C'est pourquoi même Greenhouse, Lever, Workable et Ashby – qui ont tous ajouté des fonctionnalités « IA » ces deux dernières années – produisent encore des sélections que les responsables du recrutement reclassent manuellement. L'IA est greffée sur la même base de mots-clés. Elle accélère une activité qui est mauvaise dès le départ.
Ce que nous avons appris de la recherche et des recommandations chez Amazon
Avant de fonder CurriculoATS en 2024, notre fondateur Dev a passé des années chez Amazon à travailler sur des systèmes de recherche et de recommandation – la même classe de problèmes que le tri des CV, simplement présentée différemment. Les leçons tirées de ce travail sont presque directement transposables. Les systèmes de classement qui gagnent ne se demandent pas « quel document contient le plus de mots-clés de la requête ? » Ils se demandent « quel document a le plus de chances de satisfaire l'intention de l'utilisateur ? » Deux principes ont guidé chaque amélioration que nous avons livrée :
Premièrement, évaluer par rapport aux résultats qui comptent vraiment pour l'utilisateur. Chez Amazon, il s'agissait de la conversion et de la satisfaction à long terme. Pour le recrutement, il s'agit de savoir si un candidat peut faire le travail et s'y investir. Cela implique d'évaluer sur la base des accomplissements chiffrés, de la pertinence de l'expérience, de la trajectoire de carrière et de l'adéquation des compétences – et non sur le fait que le mot « Python » apparaisse 4 ou 7 fois.
Deuxièmement, exposer le raisonnement. Un système de classement opaque qui dit « faites-moi confiance » perd toujours face à un système transparent, car les utilisateurs peuvent auditer, corriger et faire confiance au système transparent. Nous avons conçu CurriculoATS pour que chaque score d'adéquation de 0–100 soit accompagné d'un paragraphe de raisonnement écrit expliquant ce que le modèle a repéré et ce qu'il a pondéré. Un fondateur qui lit ce paragraphe dans notre vue Impact Scoring peut déterminer en quelques secondes si l'IA a fait le bon choix, et passer outre si nécessaire. C'est ça, un recrutement basé sur le signal, en pratique.
Comment vérifier si votre ATS actuel lit le signal ou le bruit
Le moyen le plus rapide de découvrir ce que votre ATS fait réellement est d'effectuer un test contrôlé qui prend environ 20 minutes. Choisissez trois CV que vous et votre équipe avez déjà évalués et validés ensemble : un candidat évidemment excellent (résultats chiffrés clairs, travail récent et pertinent), un candidat manifestement faible (beaucoup de buzzwords sans aucun accomplissement mesurable) et un cas limite (bon parcours mais résultats peu clairs). Soumettez les trois via votre processus de candidature standard. Regardez les classements produits par l'ATS. Si le meilleur candidat évident se trouve dans le premier quartile et que le CV truffé de buzzwords est dans la moitié inférieure, le système extrait quelque chose d'utile. Si le CV rempli de buzzwords obtient un meilleur score que le meilleur candidat – ce qui se produit dans environ 40 % des cas sur les anciens systèmes par mots-clés que nous avons testés – votre ATS filtre du bruit. La deuxième partie du test, c'est le paragraphe de raisonnement. Demandez au système : pourquoi ce candidat a-t-il obtenu ce score ? Si la réponse est « correspondance 73 % » ou « forte adéquation », vous n'avez pas d'explicabilité. Si la réponse est un paragraphe qui cite les accomplissements, les signaux d'expérience, la trajectoire et les lacunes, alors oui. La plupart des équipes qui effectuent ce test pour la première fois découvrent qu'elles reclassent silencieusement les résultats de leur ATS dans leur tête depuis des mois – elles ont simplement cessé de faire confiance au résultat sans s'en rendre compte. La discipline de l'exécution de ce test une fois par trimestre, même après un changement de système, maintient le modèle honnête. Les modèles dérivent. Les offres d'emploi dérivent. Le test de 20 minutes est l'assurance la moins coûteuse contre ces deux types de dérive qui peuvent se transformer en erreurs coûteuses.
Comment un fondateur de startup applique la logique signal vs bruit
Vous n'avez pas besoin d'une équipe de machine learning pour utiliser ce cadre. Vous avez besoin d'une offre d'emploi qui mette en avant des résultats plutôt que des tâches, et d'un processus de sélection qui les récompense. Cinq actions concrètes :
- Réécrivez vos offres d'emploi autour des résultats. Remplacez « gérer le tunnel marketing » par « piloter le CAC d'acquisition payante pour notre segment PME, cible $X d'ici le T3 ». Les candidats s'auto-sélectionnent.
- Demandez un chiffre avant/après. Dans votre formulaire de candidature, ajoutez un champ : « Choisissez un projet des 18 derniers mois. Quel était l'indicateur avant et après votre intervention ? » La plupart des candidats le laisseront vide. Ceux qui le remplissent sont présélectionnés pour leur signal.
- Lisez le raisonnement, pas seulement le score. Si votre ATS produit un score sans explication, vous faites toujours du recrutement par mots-clés. Si vous pouvez lire pourquoi un candidat est classé à tel ou tel rang, vous pouvez corriger les erreurs plus tôt.
- Arrêtez de pondérer les certifications et les diplômes comme des filtres principaux. Les recherches de McKinsey montrent que le recrutement basé sur les compétences est passé de 40 % d'entreprises en 2020 à 60 % en 2024, et plus de 15 États américains suppriment formellement les exigences de diplôme pour les postes du secteur public.
- Limitez le signal dans le temps. Les 36 derniers mois de travail d'un candidat comptent plus que les 10 années précédentes. Pondérez en conséquence.