Tri de cv par ia. Un exemple illustratif, pas un résultat client : l'agence et tous les chiffres ici sont des hypothèses. Le tri de CV par l'ia est un logiciel qui lit les CV reçus, note chacun selon les critères indispensables d'un poste et remet au recruteur une présélection classée à valider. Il n'embauche personne et ne rejette personne de lui-même ; un recruteur valide avant qu'un candidat avance ou reçoive un refus.
Imaginez, pour l'exemple, une agence de recrutement dont le délai de présélection est long. Supposons que chaque poste ouvert reçoive environ 100 CV et qu'un recruteur passe environ 6 minutes sur la première lecture de chacun : repérer les faits, les confronter aux critères, les ressaisir dans l'ATS. Ce sont des hypothèses pour l'exemple, pas des mesures d'un client.
Aucune mission réelle ne se cache derrière cet article, donc aucun résultat à rapporter. Ce que nous pouvons montrer, c'est la conception. Le pipeline note et classe, mais ne rejette jamais automatiquement. Un recruteur valide chaque présélection, et chaque exécution garde un journal d'audit de ce que le modèle a noté et pourquoi.
#Qu'est-ce qui consomme le temps entre un poste ouvert et une présélection ?
Une équipe dans cette situation commencerait par mesurer, pas par construire : s'asseoir avec deux recruteurs et chronométrer la première lecture sur un échantillon de candidatures. Les décisions vont souvent vite. Ce qui est lent, c'est chercher, lire et ressaisir.
- Ouvrir chaque CV et repérer les années d'expérience, les compétences citées, la localisation ou l'autorisation de travail, multiplié par une pile de CV par poste.
- Confronter ces faits aux critères indispensables de ce poste précis, qui diffèrent pour chaque offre.
- Ressaisir une présélection dans l'ATS et rédiger la note qui explique pourquoi chaque candidat a été retenu, entre deux interruptions.
- Attendre. Une pile à moitié lue reste là jusqu'au retour du recruteur, et les bons candidats refroidissent.
Donc l'objectif n'a jamais été « lire plus vite ». C'était « arrêter de faire chasser un recruteur pour des faits déjà présents sur la page ».
#Comment le tri de CV par l'ia raccourcit-il le délai de présélection ?
Comment l'ia réduit-elle le délai de présélection en recrutement ?
Elle lit chaque CV reçu, extrait les faits qu'exige un poste, note le candidat selon les critères indispensables et rédige une présélection classée, pour que le recruteur relise au lieu de lire à froid. Le gain, c'est la première lecture à froid, qu'une équipe peut chronométrer avant et après. Un recruteur valide toujours chaque présélection avant que quiconque reçoive une réponse.
Le pipeline tourne en quatre étapes : extraire les faits d'un cv non structuré, noter le candidat par rapport aux critères indispensables du poste, classer la pile avec la raison de chaque note, puis router la présélection vers la file de validation d'un recruteur. Rien ne sort de cette file sans qu'un humain clique sur valider.
La conception reprend le schéma de traitement de documents des sinistres et de la réception de factures, adapté au recrutement. La forme est celle décrite sur notre page de cas d'usage opérations : extraire d'une entrée non structurée, noter, router, validation humaine. Il serait cadré comme un projet d'implémentation de l'ia, et le code vous appartient.
#Est-ce que l'ia rejette des candidats toute seule ?
We are
Stennir construit un pipeline de présélection brouillon-puis-relecture qui note et classe, puis remet chaque présélection à un recruteur qui la valide.
We aren't
Ce n'est pas un filtre d'auto-rejet qui écarte silencieusement des candidats, et ce n'est pas une boîte noire qui note sans montrer ses raisons.
Non. Chaque note porte la raison donnée par le modèle, et chaque exécution est journalisée. Dans cette conception, un recruteur humain valide chaque présélection qui atteint un candidat, et personne n'est rejeté automatiquement. Quand un recruteur conteste une note, la justification est là pour en débattre, ce qui donne aussi le signal pour ajuster les critères par poste.
En pratique, le modèle fait la première lecture et le recruteur décide, en partant d'une pile classée avec les raisons jointes plutôt que d'une boîte de réception froide.
#Que pourraient faire les recruteurs du temps récupéré ?
Ce qu'un modèle ne sait pas faire : appeler les candidats présélectionnés tant que le CV est frais. Passer de la lecture à la conversation est tout l'intérêt. Un appel rapide à un bon candidat fait souvent la différence entre un placement et un concurrent arrivé avant vous.
Si vous dirigez un service recrutement ou opérations et que la première lecture mange votre semaine, c'est le genre de chose que nous concevons. Nous commençons par mesurer où le temps passe vraiment, puis nous concevons un pipeline brouillon-et-relecture que votre équipe possède. Dites-nous ce que vous construisez, et nous vous dirons si ce schéma convient avant que quiconque écrive du code.
