La statistique souvent citée selon laquelle « 75 % des CV n'atteignent jamais un humain » provient d'un argumentaire commercial de 2012, émanant d'une entreprise qui n'existe plus. Ce chiffre n'est étayé par aucune méthodologie publiée. Pourtant, le problème sous-jacent qu'il tentait de décrire est bien réel : la majorité des CV sont filtrés avant même d'être lus par une personne, et ce filtrage est si mécanique que de bons candidats sont écartés pour de mauvaises raisons. Les fondateurs qui élaborent un processus de recrutement doivent en comprendre les mécanismes, plutôt que de simplement débattre du pourcentage.
Ce qui arrive réellement à un CV lorsqu'il entre dans un ATS
Un CV soumis via un système de suivi des candidatures traverse trois étapes avant d'être vu par un humain : l'extraction, la correspondance et le classement. Chaque étape peut échouer pour des raisons totalement indépendantes de l'adéquation réelle du profil. L'analyse du Harvard Business Review sur le recrutement algorithmique évalue à environ 72 % la part des CV filtrés avant examen humain par les systèmes basés sur des mots-clés. Des recherches indépendantes plus récentes remettent en cause l'affirmation populaire des « 75 % de rejet » : une étude de 2025 menée auprès de 25 recruteurs de divers secteurs révèle que seulement 8 % activent le rejet automatique basé sur le contenu ; les autres s'appuient sur une revue humaine guidée par des critères éliminatoires et des scores optionnels. La conclusion objective : la plupart des CV ne sont pas rejetés automatiquement par des algorithmes muets, mais la majorité est filtrée par une combinaison d'échecs d'extraction, de correspondances de mots-clés faibles et de systèmes de classement qui enfouissent les candidats qualifiés sous des profils plus bruyants. Pour le candidat, le résultat est identique : le silence. Le mécanisme compte, car les solutions diffèrent à chaque étape.
Étape 1 : l'extraction — là où la mise en forme élimine les bons profils
L'extraction (ou parsing) consiste à convertir un document de CV en données structurées que le système peut rechercher et classer. L'analyseur extrait les coordonnées, l'expérience professionnelle, la formation, les compétences et la structure des sections. Il échoue de manière prévisible sur plusieurs points :
- Les mises en page multicolonnes. L'analyseur lit de haut en bas et de gauche à droite. Un CV sur deux colonnes avec une barre latérale se retrouve transformé en un charabia incompréhensible.
- Le texte intégré dans des images. Les analyseurs n'utilisent pas l'OCR par défaut. Un nom ou une section de compétences enregistré sous forme d'image est tout simplement invisible.
- Les zones de texte et les tableaux intégrés. Les modèles Word/Pages standards les utilisent pour la mise en page visuelle. Ils bloquent l'extraction des données.
- Les en-têtes, pieds de page et barres latérales. Les coordonnées placées dans un en-tête sont souvent ignorées par l'analyseur, ce qui signifie que l'e-mail du candidat n'arrive jamais dans le système.
- Les caractères spéciaux et les polices inhabituelles. Les symboles personnalisés et les polices décoratives se retrouvent déformés.
Une analyse indépendante de 1 000 CV rejetés menée par EDLIGO a révélé que 43 % des rejets étaient dus à des problèmes de formatage, d'extraction ou à des filtres arbitraires, plutôt qu'à un manque de qualifications. C'est le taux d'erreurs évitables. Un candidat qui corrige sa mise en forme avant de postuler améliore ses chances sans modifier ses compétences.
Étape 2 : la correspondance — là où les différences de vocabulaire deviennent exclusives
Une fois l'analyseur doté de données structurées, le système les compare à la description de poste. La plupart des systèmes traditionnels utilisent une combinaison de ces éléments :
Correspondance stricte sur les mots-clés — recherche de termes exacts. Une fiche de poste exigeant « Kubernetes » rejettera un CV mentionnant « K8s ». C'est ce que font les anciens systèmes. Les plus récents intègrent des dictionnaires de synonymes, mais leur couverture reste inégale.
Correspondance sémantique — intégrations (embeddings) qui associent des concepts similaires dans un espace vectoriel proche. Plus performante que la correspondance stricte, elle reste toutefois vulnérable à la dérive du vocabulaire dans les domaines où les titres de poste et le nom des outils évoluent rapidement.
Scoring pondéré — les compétences requises ont un poids supérieur à celles qui sont simplement « souhaitables ». C'est ici que s'effectue la majeure partie du classement : un candidat manquant un seul mot-clé « requis » se classe souvent plus bas qu'un candidat possédant ce mot-clé, mais dépourvu de la compétence sous-jacente.
Le problème de l'écart lexical frappe le plus fort aux frontières entre disciplines voisines. « Conception de services backend avec une architecture événementielle » pourrait ne pas correspondre à « développement d'API REST » dans un système qui ne comprend pas cette équivalence. « Diriger une équipe produit de 5 personnes » pourrait ne pas correspondre à « product manager » si le titre du candidat était « Founding PM ». Cette dérive du vocabulaire est corrélée aux parcours professionnels non traditionnels, ce qui signifie que la correspondance par mots-clés filtre de manière disproportionnée les candidats dont la carrière n'a pas été linéaire — soit exactement le profil de candidats qu'une jeune pousse cherche souvent.
Étape 3 : le classement — là où la qualité se fait ou se défait
Après la correspondance, les candidats sont classés. Les recruteurs ne lisent généralement que les 10 à 20 % premiers de la liste classée. Le mécanisme qui détermine qui se trouve dans ces 10 à 20 % constitue la décision la plus déterminante de tout le processus, et c'est précisément la partie de l'ATS que les fondateurs auditent rarement.
Un classement basé sur la superposition de mots-clés est rapide et facile à expliquer en code, mais il est inefficace pour distinguer le signal réel du blabla rempli de mots à la mode. Un candidat qui copie-colle tous les mots de la fiche de poste dans son CV peut être mieux classé qu'un candidat qui a réellement effectué le travail. Le classement basé sur les résultats — ce que nous avons intégré au CurriculoATS Impact Scoring — renverse cette tendance. Chaque candidat est évalué sur des réalisations quantifiées, la pertinence de l'expérience, la trajectoire de carrière et l'alignement des compétences. Il reçoit ensuite un score composite de 0–100, accompagné d'un paragraphe écrit justifiant le raisonnement. Cette explication textuelle fait toute la différence. Un responsable du recrutement qui lit 30 paragraphes d'explication en 30 minutes repère rapidement les erreurs du modèle et accorde sa confiance au reste. Un responsable qui lit 200 CV non classés ne repère presque rien et n'accorde sa confiance à aucun.
La leçon est calquée sur les systèmes de classement que Dev a développés chez Amazon : un score en boîte noire ne peut pas inspirer confiance, et un système dépourvu de cette confiance ne peut être déployé à grande échelle. C'est la raison pour laquelle les fondateurs finissent par relire chaque CV, bien qu'ils paient pour un ATS. L'ATS a généré un résultat, mais pas un résultat que l'on puisse vérifier.
Ce que nous avons appris chez Amazon sur les défaillances du classement
Avant de fonder CurriculoATS, notre fondateur, Dev, a passé plusieurs années au sein de l'équipe de recherche et de recommandations d'Amazon. La leçon la plus transposable de cette expérience à la conception d'ATS est la suivante : lorsqu'un système de classement échoue silencieusement, l'utilisateur blâme l'inventaire. Chez Amazon, les vendeurs pointent du doigt la plateforme lorsque de bons produits ne ressortent pas bien classés ; dans le recrutement, les recruteurs blâment le vivier de candidats lorsque les bons CV n'apparaissent pas. Dans les deux cas, la véritable défaillance se trouve en amont, dans l'algorithme de classement. La solution qui a fonctionné chez Amazon n'a pas été d'empiler des règles sur un classeur défectueux, mais de le reconstruire autour de signaux que l'entrée ne pouvait pas directement falsifier. De vraies données d'achat. De véritables taux de retour. Des modèles d'avis vérifiés. Ce même principe guide le recrutement basé sur les résultats : classer en fonction de signaux (chiffre d'affaires généré, équipes structurées, systèmes livrés, problèmes résolus) qu'un candidat ne peut pas fabriquer sans commettre de fraude, plutôt que sur des mots-clés que n'importe quel candidat peut artificiellement bourrer dans son CV. La seconde leçon, qui s'applique presque mot pour mot, est la suivante : un système de classement sans explicabilité finit par être piraté par ses utilisateurs. Chez Amazon, les vendeurs ont appris à manipuler les titres truffés de mots-clés en quelques semaines. Dans le recrutement, les candidats ont mis quelques années pour comprendre comment contourner les filtres de mots-clés, mais la pratique est aujourd'hui répandue. La seule défense structurelle consiste à disposer d'un classeur qui recherche le fond et expose son raisonnement. Les fondateurs qui considèrent le tri des ATS comme un problème de classement, plutôt que comme une simple saisie de données, obtiennent des listes restreintes plus pertinentes que ceux qui le perçoivent comme un logiciel de flux de travail sur lequel on a plaqué de l'IA.
Comment corriger chaque type de défaillance en tant que fondateur
Si vous gérez le recrutement au sein d'une startup de 10 à 200 personnes, voici la marche à suivre pratique pour combler chaque faille :
- Auditez votre extraction. Soumettez cinq CV de candidats bien mis en forme via votre propre formulaire de candidature. Ouvrez-les ensuite dans votre ATS et vérifiez les champs extraits. Si 30 % présentent des données manquantes ou mélangées, votre analyseur échoue silencieusement — et certains de vos candidats en pâtissent tout autant.
- Auditez votre correspondance de mots-clés. Prenez un CV solide qui utilise un vocabulaire différent de votre fiche de poste, et un CV faible qui recopie l'offre mot pour mot. Soumettez les deux. Si le CV le plus faible est mieux classé, vous évaluez le bruit. La plupart des systèmes traditionnels échouent à ce test.
- Exigez des explications, pas seulement des scores. Si votre ATS fournit un chiffre sans explication, l'équipe relira tous les profils, ce qui signifie que vous payez pour une présélection que vous n'utilisez pas réellement. Le coût moyen de 5 475 $ par recrutement du SHRM inclut une bonne part de ce temps gaspillé.
- Suivez votre taux d'abandon par étape. Mesurez le pourcentage de candidatures qui passent du statut « reçu » à « premier contact avec un recruteur ». S'il est inférieur à 60 %, le début de votre entonnoir fuit, et cette fuite est généralement due à l'extraction associée à un classement de faible confiance.
- Effectuez un test de signal d'une semaine. Migrez un poste ouvert vers un outil de présélection basé sur les résultats et comparez la liste restreinte avec celle générée par votre système actuel. Le test est gratuit sur l'offre Starter et vous indique en sept jours si le goulot d'étranglement provient de l'outil ou du processus.
Que faire ensuite
Le problème de la boîte noire peut être résolu, mais uniquement par des outils conçus autour de la transparence dès le premier jour. Si vous souhaitez voir à quoi ressemble un scoring basé sur les résultats avec des explications textuelles sur vos propres candidatures entrantes, l'offre gratuite CurriculoATS Starter gère un poste actif avec un nombre illimité de membres d'équipe — consultez les fonctionnalités ou les tarifs. Pour une vision plus globale sur les algorithmes d'embauche et les biais, l'analyse du Harvard Business Review sur le recrutement algorithmique constitue la meilleure lecture pour commencer.
Ancien ingénieur en machine learning chez Amazon (recherche et recommandations) et chez Synopsys. A fondé CurriculoATS pour remplacer la sélection par mots-clés dans le recrutement par une évaluation par IA basée sur les résultats. Diplômé de Penn State. Ec sur l'IA dans le recrutement, l'économie des ATS et ce qui prédit réellement la performance au travail.