Comment un logiciel de recrutement lit votre candidature

Ce qu’est réellement un ATS

Le sigle signifie applicant tracking system, que l’on traduit en français par système de suivi des candidatures. Derrière le terme se cache un logiciel de gestion, pas un juge. Sa fonction première est administrative : centraliser les candidatures qui arrivent par le site carrière, par les jobboards et par les cooptations, éviter que deux recruteurs travaillent sur le même dossier, garder une trace des échanges, et produire les indicateurs que la direction réclame en fin de trimestre.

Cette origine explique beaucoup de choses. Un ATS a d’abord été conçu pour que rien ne se perde, pas pour évaluer finement un parcours. Les fonctions de tri, de scoring et de suggestion sont venues ensuite, par couches successives, et elles restent secondaires dans l’architecture du produit. C’est une nuance importante quand on lit que les machines élimineraient les candidatures : dans la plupart des configurations, le logiciel ne supprime rien, il ordonne.

Parsing

Opération par laquelle le logiciel transforme un document (PDF, Word) en données structurées. Le parsing identifie les blocs du CV, les découpe, et remplit les champs de la fiche candidat : nom, coordonnées, intitulés de poste, dates, établissements, compétences. Tout ce que le parsing rate n’existe pas pour la suite du processus.

Les quatre étapes que traverse votre document

La première étape est l’extraction du texte. Le logiciel ouvre le fichier et récupère les caractères. Si votre CV est un PDF généré depuis un traitement de texte, cette étape se passe bien. S’il s’agit d’une image (un scan, une capture d’écran, un PDF exporté depuis un outil de design qui vectorise le texte), le logiciel ne récupère rien ou récupère un texte approximatif reconstitué par reconnaissance optique.

La deuxième étape est le découpage. Le logiciel cherche des repères pour identifier les sections : un intitulé « Expérience professionnelle », une suite de dates, une adresse électronique. Il attribue ensuite chaque bloc à un champ de sa base. C’est ici que les mises en page créatives coûtent cher. Une colonne latérale, un tableau à deux entrées, une timeline graphique, un encadré de compétences sous forme de jauges : autant de structures que l’œil humain lit sans effort et que le parseur traite dans un ordre imprévisible.

La troisième étape est l’enrichissement. Le logiciel rapproche ce qu’il a extrait de ses propres référentiels : il reconnaît un intitulé de poste comme appartenant à une famille de métiers, une école comme un établissement connu, une technologie comme une compétence. Cette normalisation est ce qui permet ensuite de comparer des CV rédigés différemment.

La quatrième étape est le classement. Selon le paramétrage choisi par le recruteur, le logiciel attribue un score de proximité entre la fiche candidat et l’offre, ou applique des filtres binaires (diplôme requis, années d’expérience, mobilité, permis). Le résultat n’est pas une décision : c’est un ordre d’affichage dans une liste.

Votre métier est-il exposé à l’IA générative ou à l’automatisation ? Analyser mon métier sur WorkmetriQ →

Ce que le logiciel voit mal

Trois familles de candidatures sont systématiquement désavantagées, et aucune ne l’est pour une raison de fond.

Les parcours non linéaires d’abord. Un logiciel qui calcule une ancienneté additionne des durées entre des dates. Une année sabbatique, un congé parental, une reprise d’études, une période de création d’entreprise qui n’a pas abouti : autant de trous qui se traduisent par un total inférieur à celui d’un profil au parcours continu, alors que la compétence acquise peut être supérieure. Le remède n’est pas de masquer la période, c’est de lui donner un intitulé et des dates, comme à n’importe quelle autre ligne.

Les reconversions ensuite. Le score de proximité repose sur la ressemblance entre ce que vous avez fait et ce que l’offre demande. Une personne qui change de métier ressemble par définition peu à l’offre. Le problème est réel, et il ne se règle pas au niveau du CV seul : il se règle en construisant des preuves intermédiaires (formation certifiante, mission courte, projet documenté) qui donnent au logiciel des points d’accroche.

Les vocabulaires décalés enfin. Deux personnes peuvent exercer le même métier et le nommer autrement selon leur secteur, la taille de leur entreprise ou leur pays de formation. Le référentiel du logiciel connaît une version du terme, rarement toutes. C’est le point sur lequel un candidat peut agir le plus efficacement, et c’est le sujet du chapitre suivant.

Le vrai levier : parler la langue de l’offre

L’offre d’emploi n’est pas un texte de communication, c’est le référentiel qui a servi à paramétrer le tri. Les termes qu’elle emploie sont ceux que le logiciel va chercher. Reprendre ces termes n’est pas de la manipulation, c’est une traduction : vous décrivez ce que vous avez réellement fait avec les mots de l’entreprise qui recrute.

La méthode tient en trois gestes. Relever dans l’offre les intitulés de poste, les outils nommés, les certifications citées et les verbes d’action récurrents. Vérifier, ligne par ligne, lesquels correspondent à quelque chose que vous avez effectivement fait. Réécrire vos expériences en employant ces termes-là plutôt que vos formulations maison, sans jamais revendiquer ce que vous n’avez pas exercé.

Un exemple concret : une personne qui a « géré les plannings de l’équipe et suivi les heures » postule sur une offre qui parle de « gestion des temps et des activités ». Les deux désignent la même réalité. Seule la seconde formulation sera reconnue par le référentiel. Rien n’interdit d’écrire les deux.

Scoring

Note de proximité attribuée par le logiciel entre une candidature et une offre. Elle se calcule sur des critères paramétrés par le recruteur (compétences, expérience, formation, localisation), avec des pondérations que le candidat ne connaît pas. Un score bas ne signifie pas un refus, il signifie une position basse dans la liste.

Le format du fichier compte plus que son esthétique

Quelques règles simples suffisent à éliminer l’essentiel des accidents de lecture. Un fichier PDF généré depuis un traitement de texte, et non une image. Une seule colonne, du haut vers le bas. Des titres de section explicites et classiques, plutôt que des intitulés originaux. Les dates au même format partout, mois et année. Les coordonnées en texte simple dans le corps du document, jamais dans l’en-tête ou le pied de page, que certains parseurs ignorent. Les logos, icônes, jauges de compétences et photos décoratives réduits au minimum, puisque rien de ce qu’ils contiennent n’est extractible.

Cette sobriété n’est pas une reddition esthétique. Le CV qui passe le filtre machine est aussi celui qu’un recruteur pressé lit le plus vite, pour les mêmes raisons : la hiérarchie de l’information y est évidente et le parcours se suit sans effort.

Pour situer votre métier face à l’IA avant de postuler, voir l’analyse WorkmetriQ →

Ce que l’IA générative change, et ce qu’elle ne change pas

Depuis deux ans, les éditeurs greffent des fonctions d’IA générative sur les ATS existants : résumé automatique d’un CV, rédaction de la trame d’entretien, suggestion de candidats issus de la base, classement par similarité sémantique plutôt que par mots-clés stricts. Cette dernière évolution est la plus significative pour un candidat : elle rend le tri moins littéral, donc un peu moins pénalisant pour les vocabulaires décalés.

Ce qui ne change pas, en revanche, c’est la nature de la décision finale. Le droit français encadre les décisions produisant des effets juridiques prises sur le seul fondement d’un traitement automatisé, et les entreprises restent responsables du caractère non discriminatoire de leurs critères de sélection. Concrètement, un humain reste dans la boucle sur les étapes qui comptent. Les récits de candidatures « éliminées par un robot » décrivent le plus souvent une candidature classée trop bas pour être ouverte, ce qui n’est pas la même chose.

Ce qu’il faut en retenir avant de postuler

Trois idées à garder en tête. La machine range, elle ne juge pas : votre objectif est d’être lisible, pas de plaire à un algorithme. Le vocabulaire de l’offre est le seul levier réellement efficace, et il est légitime tant qu’il décrit ce que vous avez fait. La mise en forme sobre sert deux lecteurs à la fois, le parseur et le recruteur.

Reste la question de fond, que le tri automatisé ne résout pas : postulez-vous sur les bonnes offres ? Un CV parfaitement lisible sur une offre qui ne correspond pas à votre parcours restera bas dans la liste, et c’est normal. C’est le travail préalable de clarification du projet qui détermine le rendement de tout le reste.

Avant de viser un poste, savoir comment il évolue face à l’IA : consulter WorkmetriQ →

FAQ

Un ATS peut-il rejeter automatiquement ma candidature ?

Dans la plupart des configurations, le logiciel classe les candidatures plutôt qu’il ne les supprime. Certains filtres binaires (diplôme obligatoire, permis, mobilité) peuvent écarter un dossier, mais ils sont paramétrés par le recruteur et relèvent de sa responsabilité, pas de celle de la machine.

Faut-il envoyer son CV en PDF ou en Word ?

Le PDF généré depuis un traitement de texte convient dans la quasi-totalité des cas. Évitez le PDF issu d’un outil de design qui transforme le texte en tracés, et le PDF constitué d’une image scannée : dans les deux cas, le texte n’est pas extractible.

Recopier les mots de l’offre, est-ce tricher ?

Non, tant que vous décrivez des choses que vous avez réellement faites. Employer le vocabulaire de l’entreprise est une traduction, pas une invention. Revendiquer une compétence que vous n’avez pas se détecte en entretien et coûte beaucoup plus cher que le gain de tri.

Les colonnes et les graphiques pénalisent-ils vraiment ?

Ils ne pénalisent pas le fond, ils dégradent l’extraction. Une colonne latérale peut être lue dans le désordre, une jauge de compétence ne contient aucun texte exploitable. Le contenu placé dans ces éléments a de bonnes chances de ne jamais atteindre la fiche candidat.