Chaque fondateur à qui nous parlons dessine le même schéma sur un tableau blanc. Candidature, présélection, entretien, offre. Quatre cases, une flèche entre chacune. Le tableau blanc ne ment jamais sur ce que les gens pensent que le travail est. Il ne montre jamais non plus où le travail casse réellement. Dans neuf tunnels de recrutement sur dix dans les startups, le goulot d'étranglement est la présélection, et de loin.
Cet essai explique pourquoi la présélection est la seule étape qui contrôle les résultats, pourquoi les systèmes de suivi des candidatures classiques optimisent tout sauf la présélection, et ce qu'il faut changer pour qu'une équipe de cinq personnes puisse gérer un tunnel de recrutement qui surpasse celui d'une entreprise Series C avec un directeur des talents.
Le tunnel de recrutement n'est pas quatre cases égales
Le tunnel de recrutement paraît symétrique sur le tableau blanc. Il ne l'est pas en pratique. Une étape décide presque toutes les métriques en aval : la présélection. Ceux que vous laissez passer la présélection constituent le vivier que vous interviewez. Ceux que vous interviewez constituent le vivier à qui vous faites une offre. Ceux à qui vous faites une offre sont ceux qui rejoignent l'équipe. Si la présélection est mauvaise, vous lancez des cycles d'entretiens coûteux sur des candidats qui n'allaient jamais être embauchés. Selon le SHRM 2025 Recruiting Benchmarking Report, le time-to-fill moyen aux États-Unis est d'environ 44 jours, dont la majeure partie correspond à la fenêtre de présélection et de short-list, et non à la fenêtre d'offre ou d'onboarding. La chose avec le plus de levier qu'une startup puisse faire pour la vitesse de recrutement est de corriger la couche de présélection, pas d'acheter un outil de planification plus rapide ou une page carrières plus reluisante.
Si la plupart des équipes passent à côté de cela, c'est parce que la présélection semble ennuyeuse. Les outils de calendrier et l'automatisation des lettres d'offre font « produit ». La présélection ressemble à de la lecture. Les outils se concentrent donc sur les parties faciles à démontrer, et la partie qui décide des résultats est laissée comme travail manuel pour celui qui a le moins de prestige dans la salle cette semaine.
Pourquoi la plupart des ATS optimisent la mauvaise couche
La plupart des systèmes de suivi des candidatures ont été conçus entre 2008 et 2016 pour des équipes RH d'entreprise dont le problème n'était pas la qualité de la présélection. C'était la visibilité du flux de travail. Une entreprise de 5 000 personnes avec vingt recruteurs a besoin d'une piste d'audit, d'étapes structurées, de rapports EEO et d'une source de vérité unique pour chaque candidat. Les ATS hérités ont donc optimisé ces aspects, et la présélection a été traitée avec un filtre booléen par mots-clés ajouté par-dessus. Ce filtre est la couche où presque tous les tunnels de recrutement des startups fuient réellement.
Greenhouse, Lever, Workable et Ashby sont de bons produits pour ce pour quoi ils ont été conçus. Ce sont des gestionnaires de pipeline. La tarification le reflète. Workable démarre à $149/mois pour les équipes de moins de 20 salariés et évolue avec les effectifs, pas avec le nombre de recrutements. Greenhouse, selon les données acheteurs de PriceLevel, coûte environ $50–$150 par siège et par mois, plus des frais d'implémentation à quatre chiffres. Vous payez pour un produit de flux de travail dont le différenciateur n'est pas la qualité de la présélection. Et par-dessus ce prix, vous devez toujours lire chaque CV vous-même.
Le projet de la Harvard Business School sur Managing the Future of Work a un nom pour ce que cela produit : les travailleurs invisibles. L'étude de Joseph Fuller publiée en 2021 estimait que 27 millions d'Américains qualifiés sont éliminés par des filtres automatisés par mots-clés pour des raisons sans rapport avec leur capacité à faire le travail. C'est le coût de l'optimisation de la mauvaise couche.
Ce que nous avons appris chez Amazon sur les systèmes de classement
Avant CurriculoATS, notre fondateur Dev a passé plusieurs années chez Amazon à travailler sur la recherche et les recommandations. La leçon de ces systèmes s'applique presque directement au recrutement. Quand l'entrée est désordonnée et l'utilisateur occupé, la seule chose qui compte est la fonction de classement. Si les dix premiers résultats sont bons, l'utilisateur est satisfait et la conversion est élevée. Si les dix premiers sont mauvais, aucune quantité de peaufinage d'interface ne sauve l'expérience. Vous pouvez avoir les filtres à facettes les plus propres du e-commerce et perdre quand même parce que le classement est mauvais.
Le recrutement a la même structure. Le recruteur ou le fondateur examinera les dix ou quinze premiers CV pour un poste. Les 200 autres pourraient tout aussi bien ne pas exister. La seule question qui compte est donc de savoir si les bons candidats figurent dans ce top dix. Toutes les autres fonctionnalités — les modèles d'e-mails, les intégrations Slack, les PDF de lettres d'offre — se situent en aval de cette seule décision. Si le classement est basé sur les mots-clés, le top dix sera composé de ceux qui ont écrit leur CV de la manière la plus stratégique. Si le classement lit les résultats (chiffre d'affaires, équipes, systèmes livrés, problèmes résolus), le top dix sera composé de ceux qui ont fait le travail le plus pertinent.
C'est pourquoi nous avons conçu CurriculoATS autour d'une évaluation multi-signaux qui produit un score composite de 0–100 accompagné d'un paragraphe écrit expliquant le raisonnement pour chaque candidat. Le paragraphe est la partie qui intéresse les fondateurs. Il vous permet de faire confiance au classement sans confiance aveugle. En savoir plus sur le fonctionnement du scoring sur notre page Impact Scoring.
Les métriques que chaque fondateur devrait suivre sur le tunnel
La plupart des fondateurs de startup suivent le time-to-fill et s'arrêtent là. Le time-to-fill est un indicateur retardé qui vous dit que le tunnel était mauvais il y a trois semaines. Les indicateurs avancés qui prédisent réellement la santé du tunnel sont plus faciles à instrumenter et rarement mesurés. Suivez-en quatre : le ratio candidats-premier-tour (moins de 5 % signifie que la présélection jette du signal, plus de 12 % signifie qu'elle est trop laxiste), la conversion premier-deuxième tour (moins de 30 % signifie que la short-list contient les mauvaises personnes), le temps de relecture du paragraphe de raisonnement par candidat (plus de 90 secondes signifie que le modèle n'apporte pas de levier), et le chevauchement de short-list entre l'IA et l'humain (moins de 60 % signifie que l'IA ou l'humain se trompe, et le fondateur doit déterminer lequel). Les recherches de McKinsey résumées dans The shape of talent en 2023 et 2024 montrent que l'adoption du recrutement basé sur les compétences est passée d'environ 40 % en 2020 à environ 60 % en 2024, et le signal opérationnel qui distingue les équipes qui le font bien de celles qui le font de manière nominale est la deuxième métrique : la conversion premier-deuxième tour. Les équipes qui pratiquent la présélection basée sur les résultats tendent à atteindre 40-55 % ; celles qui pratiquent la présélection par mots-clés tendent à plafonner à 18-28 %. L'écart, c'est le modèle, pas les recruteurs. Examiner ces quatre chiffres chaque semaine permet de détecter les fuites du tunnel assez rapidement pour les corriger au cours du même cycle de recrutement, plutôt que d'attendre que le time-to-fill déclenche une alarme un mois après les dégâts.
Comment un fondateur de startup peut corriger la présélection cette semaine
Si vous êtes un fondateur qui recrute sans recruteur et que votre tunnel fuit, les changements qui font la différence sont plus petits que vous ne le pensez.
- Arrêtez de classer par densité de mots-clés. Si votre ATS actuel trie par correspondance de tokens, chaque candidat qui a postulé à plus de cinq offres l'a trompé. Passez à un système qui classe par résultats (chiffre d'affaires généré, équipes dirigées, systèmes livrés) ou lisez chaque CV manuellement. Il n'y a pas de juste milieu qui fonctionne.
- Rédigez la fiche de poste en termes de résultats, pas de responsabilités. Remplacez « responsable de X » par « dans les six premiers mois, cette personne livrera Y ». Ce document est ce sur quoi votre présélection devrait s'aligner. La correspondance résultats-résultats est grossièrement un ordre de grandeur plus utile que la correspondance responsabilités-mots-clés.
- Plafonnez la short-list à douze. Douze, c'est assez restreint pour que vous puissiez lire chaque paragraphe de raisonnement en une seule fois. Au-delà de douze, l'attention chute et les décisions deviennent aléatoires.
- Gardez visible un seul seuil de rejet. Notez les deux choses précises qui disqualifient un candidat. « Pas d'expérience en ML en production » ou « pas d'expérience 0–1 en tant que fondateur ». Si vous ne pouvez pas écrire deux choses, vous ne connaissez pas encore le poste.
- Examinez le tunnel chaque semaine, pas chaque trimestre. Le time-to-fill au rythme d'une startup se compte en jours, pas en semaines. Un suivi mensuel est trop lent pour repérer une fuite.
Rien de tout cela n'est nouveau. Ce qui est nouveau, c'est que presque aucune équipe ne fait réellement les cinq à la fois.