Le matching de recrutement : révolutionner la sélection des talents avec l'IA

Un score de matching compare deux textes : une offre d’emploi et une candidature. Il en tire un pourcentage de compatibilité, un classement, parfois un seuil au-delà duquel un candidat devient « recommandé ». Cette page consacre peu de place au temps de tri gagné : les éditeurs le font très bien. Elle répond à la question que pose un acheteur RH avant de signer, et que personne ne pose à sa place : sur quoi ce score est-il calculé, et cette base a-t-elle un lien démontré avec la réussite dans le poste ? Vous trouverez ici la définition et le vocabulaire, les quatre familles d’algorithmes présentes sur le marché, ce que chacune peut et ne peut pas prédire, le cadre juridique français applicable au 30 juillet 2026, et un protocole d’audit exécutable sur vos propres embauches, sans rien acheter.

À retenir

• Le matching de recrutement rapproche automatiquement une candidature et une offre, puis restitue un score de compatibilité et un classement. Il ordonne une pile de candidatures ; il ne mesure pas une personne.
• Ce score se calcule presque toujours sur des attributs déclarés par le candidat dans un document qu’il a rédigé lui-même : intitulés de poste, années d’expérience, diplômes, mots-clés de compétences, langues, localisation. Comparer deux textes produit une ressemblance, pas une aptitude.
• « Prédictif » n’a de sens qu’en face d’un critère nommé et mesuré : performance évaluée par le manager, ancienneté à douze mois, période d’essai validée, délai de montée en compétence. Sans critère explicite, l’adjectif relève de l’argumentaire commercial.
• Un modèle entraîné sur vos décisions passées apprend à les reproduire, et non à prédire la réussite : il peut reconduire, voire accentuer, les biais contenus dans ces données. Aucun algorithme ne les élimine.
• Vous pouvez auditer votre outil sans rien acheter : rescorez les CV de vos embauches des douze à vingt-quatre derniers mois contre l’offre d’origine, puis regardez si le score a le moindre rapport avec ce que ces personnes ont produit en poste.

Le matching de recrutement, c’est quoi ?

Le matching de recrutement est l’opération par laquelle un logiciel compare les caractéristiques d’une candidature aux critères d’une offre d’emploi, puis restitue un score de compatibilité et un classement des candidats reçus.

Le français dispose de plusieurs équivalents, et ce sont ceux que les recruteurs emploient : mise en correspondance des candidatures, correspondance de profils, appariement candidat / poste. Le marché ajoute ses propres étiquettes, CV matching, matching par compétences, matching affinitaire, qui désignent des variantes du même geste : rapprocher une demande et une offre, puis les ordonner. Nous employons ici « rapprochement » quand il s’agit du mécanisme, et « score » quand il s’agit de son résultat.

Une précision utile, parce que le mot circule bien au-delà des ressources humaines. En commerce, le product matching rapproche deux fiches produits ; en informatique, le data matching ou le fuzzy matching rapproche deux enregistrements d’une base de données ; en statistique, le matching de modèle apparie des observations comparables. Rien de tout cela n’est en cause dans cet article : il ne traite que du rapprochement entre une personne qui postule et un poste à pourvoir, du point de vue de l’entreprise qui recrute.

Matching, parsing, scoring, évaluation : quatre étages à ne pas confondre

Quatre opérations distinctes sont vendues sous le même vocabulaire : l’extraction des données d’un CV, le rapprochement avec une offre, la notation qui produit un seuil, et l’évaluation qui, seule des quatre, mesure quelque chose.

Le premier étage transforme un fichier en champs exploitables — c’est le rôle du parsing, auquel nous consacrons un article entier : comment un CV devient des champs exploitables. Le deuxième compare ces champs aux critères d’une offre : c’est le matching, et c’est le sujet de cette page. Le troisième applique une pondération, un classement et un seuil. Le quatrième interroge le candidat au moyen d’un dispositif conçu pour mesurer, et produit donc une donnée qu’il n’a pas rédigée lui-même.

Deux confusions coûtent cher. La première consiste à lire un pourcentage de compatibilité comme une note attribuée au candidat, alors qu’il ne dit rien de plus que « ce dossier ressemble à cette demande ». La seconde consiste à confondre le score automatique et la scorecard : la scorecard est une grille de critères et de pondérations que vous écrivez vous-même, avec vos managers, avant de recevoir les candidatures — voyez comment construire une scorecard de recrutement. Si votre question porte sur l’outillage plutôt que sur la mécanique, nous tenons une revue des outils de sélection des candidats.

Sur quoi un score de matching est-il calculé ?

Un score de matching se calcule, dans la très grande majorité des outils du marché, sur des attributs que le candidat a lui-même déclarés dans un document qu’il a rédigé et mis en forme : son CV, éventuellement complété par un formulaire.

La liste des entrées réelles est courte, et les éditeurs la publient eux-mêmes : intitulés de poste occupés, nombre d’années par expérience, diplômes, mots-clés de compétences, logiciels cités, langues déclarées, distance au lieu de travail, disponibilité, parfois prétentions salariales. Elle est instructive par ce qu’elle ne contient pas : ni la façon de travailler, ni la manière de réagir à la contrainte, ni ce qui met durablement la personne en mouvement.

Ce que produit la comparaison de ces deux textes est donc une ressemblance : lexicale si le moteur compare des mots, sémantique s’il compare le sens approché des formulations. Une ressemblance entre deux documents n’est pas une aptitude, et elle ne le devient pas parce qu’on l’exprime en pourcentage. Cette limite ne se corrige pas en améliorant l’algorithme : un rapprochement plus fin réorganise l’information de départ, il ne l’enrichit pas.

Prenons le repère le plus répandu du marché : le seuil de recommandation livré par défaut avec l’outil. Trois questions suffisent à en évaluer la solidité. D’où vient ce seuil : d’une formule documentée, ou du réglage d’usine ? Sur quel échantillon a-t-il été calibré : combien de personnes, quels postes, à quelle date ? Et que se passe-t-il un point de pourcentage en dessous ? Si la réponse est « rien de particulier », le seuil n’est pas un seuil mais un élément d’affichage. Si la réponse est « le candidat ne remonte plus dans la liste », une décision d’exclusion repose sur un point de pourcentage que personne ne sait justifier.

Qu’est-ce que le matching fait réellement gagner ?

Le matching fait gagner sur un seul point, l’ordre de lecture d’une pile trop grosse pour être lue à la main : deux cents candidatures ne se lisent pas, et un classement même imparfait vaut mieux qu’un ordre d’arrivée.

Deux effets s’ensuivent, et ils sont réels. Vous répondez plus vite aux candidats, parce que les dossiers manifestement hors sujet se repèrent en tête de liste plutôt qu’en fin de semaine. Et vous réutilisez un vivier déjà constitué, parce qu’une candidature reçue pour un poste peut être rapprochée d’un autre sans être relue intégralement. Nous n’en donnons aucun chiffre : les gains publiés par les éditeurs ne sont presque jamais adossés à une mesure avant / après sur un périmètre défini, et nous ne reprenons pas des ordres de grandeur que nous ne pouvons pas vérifier.

La limite arrive aussitôt, et c’est elle qui occupe le reste de cette page : gagner sur l’ordre de lecture ne dit rien de la qualité de l’ordre obtenu. Un classement rapide sur un critère sans lien avec la réussite au poste vous fait perdre plus vite.

Les quatre familles de matching, et ce que chacune peut prédire

Quatre familles d’algorithmes se partagent le rapprochement candidat / poste, et elles ne définissent pas du tout le même « bon candidat » : la famille booléenne, la famille sémantique, celle qui apprend sur votre historique, et celle qui s’adosse à une évaluation.

La famille booléenne compare des chaînes de caractères : le moteur cherche dans le CV les termes de l’offre, avec des règles de présence, d’absence et de proximité. Elle est transparente, reproductible et brutale : « pilotage de projet » ne vaut pas « gestion de projet ». La famille sémantique corrige ce défaut en travaillant sur des représentations du sens — plongements lexicaux, modèles de langue : c’est à cette famille, et à la suivante, que le vocabulaire commercial applique le mot d’intelligence artificielle appliquée au recrutement. Elle rapproche des formulations différentes de la même réalité, mais elle compare toujours deux textes.

La famille apprise sur l’historique change de nature : le modèle est entraîné sur les candidatures traitées dans votre logiciel de suivi et sur les décisions qui les ont suivies. Souvent présentée comme la plus avancée, c’est celle qui demande le plus de vigilance, pour la raison développée dans la section suivante. La famille adossée à une évaluation ne compare plus des documents mais des dimensions mesurées par un dispositif conçu pour cela, rapportées à un profil de poste défini à l’avance et, dans le meilleur des cas, validé contre un résultat constaté après l’embauche. Elle sort donc de l’escalier décrit plus haut : elle n’ordonne plus les champs issus du CV, mais des données produites au quatrième étage. Ce n’est pas un rapprochement plus fin sur la même matière première — c’est un rapprochement sur une autre matière.

Le vocabulaire du marché ajoute parfois une cinquième étiquette, le matching affinitaire ou recrutement affinitaire. Ce n’est pas une cinquième technique : c’est un mode de rapprochement qui privilégie la proximité entre une personne et un environnement de travail. Selon la donnée sur laquelle il travaille, il relève de la deuxième famille — des mots — ou de la quatrième — des dimensions mesurées par un test de personnalité. La distinction n’est pas académique : c’est elle qui décide de ce que le score peut prétendre annoncer.

Aucune de ces quatre familles ne mesure une personne : le rapprochement ordonne, il ne mesure pas. Ce qui change d’une famille à l’autre, c’est la nature de ce qui est ordonné — des mots, du sens, une ressemblance avec vos choix antérieurs, ou des dimensions mesurées. C’est elle qui détermine ce que vous êtes en droit de conclure du classement, et c’est le point à faire préciser en démonstration.

« Prédictif » : prédire quoi, exactement ?

Un outil n’est prédictif que par rapport à un résultat nommé et mesuré : performance évaluée par le manager, ancienneté à douze mois, période d’essai validée, atteinte des objectifs de montée en compétence, absence de départ précoce.

Ce résultat porte un nom technique, le critère, et c’est la pièce manquante de presque toutes les brochures. Un prédicteur n’a pas de validité en soi : il a une validité contre quelque chose. Dire d’un score qu’il est prédictif sans nommer ce qu’il prédit revient à dire d’une règle qu’elle est précise sans dire ce qu’elle mesure. La question tient en une phrase, et elle se pose en démonstration : prédictif de quoi, mesuré comment, sur qui, et quand ? Tant qu’elle reste sans réponse, l’adjectif ne décrit pas une propriété du produit, il décrit une intention de vente.

Un argument circule, et il faut le prendre au sérieux : le matching sémantique serait plus sûr que le matching dit prédictif, parce que ce dernier reposerait sur un modèle opaque nourri de vos données passées. La moitié de cet argument est juste, et c’est la moitié importante. Mais il confond deux choses qui n’ont en commun que l’adjectif. Un modèle prédictif appris sur votre historique prend pour critère une décision humaine passée : il apprend « qui a été retenu ». Un modèle prédictif validé sur critère prend pour critère un résultat constaté après l’embauche : il apprend « qui a réussi ». Le premier mérite exactement la méfiance qu’on lui adresse. Le second est la seule chose qui donne un sens au mot prédictif. Les ranger sous la même étiquette pour les disqualifier ensemble, c’est mettre le matching lexical à l’abri d’une comparaison qu’il ne peut pas gagner.

Le piège de l’historique : un score qui imite le recruteur, pas la réussite

Un modèle entraîné sur vos recrutements passés apprend à reproduire vos décisions passées : il optimise le critère « aurait été présélectionné », et non le critère « a réussi dans le poste ». Les deux ne se recouvrent pas.

Notre position sur ce point est ferme, et elle vaut pour tous les outils, le nôtre compris : un algorithme entraîné sur des données historiques peut reproduire, voire accentuer, les biais contenus dans ces données. Il ne les supprime pas. La raison est mécanique plutôt que morale : si les décisions passées ont favorisé un type de parcours, le modèle apprend ce parcours comme la définition du succès, et il l’appliquera avec une régularité qu’aucun recruteur humain n’atteint. L’automatisation ne neutralise pas un biais, elle le systématise et le rend plus difficile à contester, parce qu’il sort désormais d’un chiffre.

Poussez le raisonnement jusqu’au bout : un modèle parfait sur le critère « aurait été présélectionné » reproduirait exactement vos choix antérieurs, biais compris, plus vite et sans discussion possible. Sa performance technique serait irréprochable et son apport nul. C’est la situation vers laquelle tend tout calibrage sur les recrutements passés.

Le même mécanisme règle le sort d’une promesse fréquente, celle de la détection des profils atypiques. Un modèle qui apprend sur la population déjà recrutée resserre le tri vers le profil connu : il ne peut pas, par construction, mettre en avant ce qu’il n’a jamais vu réussir. Un outil peut faire remonter un profil inhabituel, mais alors ce n’est pas l’apprentissage sur l’historique qui le permet — c’est un critère mesuré indépendamment du parcours. Les deux promesses, « nous apprenons de vos réussites » et « nous révélons les profils que vous auriez écartés », ne peuvent pas être tenues en même temps par le même dispositif.

Matching CV / poste : ce que le CV contient, et ce qu’il vaut

Le matching CV / poste rapproche les champs d’un CV et les critères d’une offre : sa qualité est donc plafonnée deux fois, par ce qu’un CV contient et par ce que ce contenu vaut comme prédicteur de la réussite.

Un CV est un document déclaratif : la personne y choisit ce qu’elle mentionne, dans quel ordre et avec quels mots. Un outil de rapprochement hérite donc de sa qualité de rédaction, pas de sa qualité professionnelle. Il hérite aussi de la rédaction de votre offre : une annonce recopiée d’un poste ancien, trop longue ou remplie de formules maison déplace tout le classement, et personne ne s’en aperçoit puisque le score reste affiché avec la même assurance.

La grille ci-dessous met côte à côte ce qu’un rapprochement documentaire compare et ce qu’il laisse hors champ. La colonne de droite ne se lit pas dans un document : elle s’obtient par un dispositif de mesure, ce que le vocabulaire courant appelle les compétences comportementales.

Reste la question qui décide de tout : ces critères de la colonne de gauche prédisent-ils la réussite ? Elle a une réponse mesurée par la recherche en psychologie du travail, et elle ne se résume pas en une phrase. Nous publions le tableau des coefficients, leurs sources et leur mode de lecture dans notre article sur ce que valent réellement les critères qu’un CV contient. Retenez le point qui vous concerne : les deux critères que l’on retrouve dans presque tous les scores, le nombre d’années d’expérience et le diplôme, ne sont pas ceux qui prédisent le mieux.

Une dernière remarque. Un moteur de rapprochement ne crée pas de candidatures : il ordonne celles que vous avez reçues. Si la pile est mince ou hors cible, aucun réglage de score ne la remplira, et c’est votre travail de sourcing qui est en cause, pas votre outil de matching.

Les faux négatifs : le coût du bon candidat classé 180e

Un seuil de matching produit deux erreurs symétriques : des faux positifs, que vous voyez en entretien et qui vous agacent, et des faux négatifs, que vous ne voyez jamais parce qu’ils n’apparaissent pas dans la liste.

Le raisonnement est celui d’une matrice de confusion. Quatre cases : les candidats bien classés qui réussissent, les bien classés qui déçoivent, les mal classés qui n’auraient pas convenu, et les mal classés qui auraient réussi. Seules les deux premières sont observables, parce qu’elles portent sur des personnes que vous avez effectivement recrutées ; les deux autres portent sur des candidats écartés dont vous ne connaissez pas le devenir, et la dernière — le faux négatif — est celle qui coûte le plus cher. Vos indicateurs actuels mesurent presque tous le débit : candidatures traitées, délai de présélection, coût par candidature. Aucun ne peut se dégrader quand le tri se resserre à tort — au contraire, il s’améliore.

Le suivi habituel s’arrête donc aux faux positifs, parce qu’ils remontent d’eux-mêmes : un manager qui reçoit un profil hors sujet le dit. Le faux négatif, lui, ne se plaint pas, et le taux de rappel ne figure sur aucun tableau de bord. Le classement par score a de surcroît une propriété que les critères éliminatoires n’ont pas : il n’exclut personne, il ordonne. Un excellent candidat mal décrit se retrouve cent-quatre-vingtième sur deux cents, ce qui produit le même résultat qu’une exclusion sans jamais en porter le nom. Posez alors la question à votre équipe, elle est désagréable et instructive : combien de vos meilleures embauches des trois dernières années seraient passées sous votre seuil actuel ? Si personne ne peut répondre, votre seuil n’est pas paramétré, il est subi.

Auditer le score de votre outil en cinq étapes

Vous pouvez vérifier vous-même si le score de votre outil entretient un rapport avec la réussite au poste, sur vos propres données, sans acheter quoi que ce soit et sans accès au modèle de l’éditeur.

Le protocole demande une demi-journée à une personne ayant accès au logiciel de suivi des candidatures et aux données RH. Il ne remplace pas une étude de validation ; il vous dit si la conversation avec votre éditeur mérite d’être ouverte.

1. Figez la cohorte. Listez les personnes recrutées entre douze et vingt-quatre mois auparavant, sur des postes qui ont reçu un vrai volume de candidatures. Il vous faut leur CV d’origine et l’offre publiée à l’époque, pas la fiche de poste actuelle.
2. Rescorez à l’aveugle. Repassez ces CV dans votre outil, contre l’offre d’origine, en ignorant tout ce que vous savez de la suite. Vous obtenez le score que chaque personne aurait reçu au moment de sa candidature.
3. Récupérez un critère qui existe déjà. Nul besoin d’un dispositif supplémentaire : évaluation annuelle, validation de la période d’essai, ancienneté à douze mois, atteinte des objectifs de montée en compétence sont déjà dans vos systèmes. Choisissez-en un seul, et écrivez-le avant de regarder les scores.
4. Regardez s’il y a une pente. Tracez le nuage de points score contre critère. Vous cherchez une seule chose : les personnes mieux classées par l’outil ont-elles, en moyenne, mieux réussi ? Un nuage sans pente signifie que le score n’ordonne pas selon ce qui vous intéresse.
5. Refaites-le sur les écartés dont vous connaissez le devenir. Les candidats mal classés que vous avez reçus quand même, ceux que vous avez recrutés plus tard sur un autre poste : ce sont les seuls faux négatifs observables dont vous disposiez. Cette étape vaut plus que les quatre précédentes.

Dites ensuite ce que ce protocole ne prouve pas, sinon quelqu’un le dira pour vous. Il ne porte que sur des personnes recrutées, donc sur une population déjà filtrée : c’est une restriction d’étendue, et elle écrase mécaniquement la relation que vous cherchez à observer, ce qui rend une absence de pente moins concluante qu’une pente franche. Sur quelques dizaines de dossiers, le résultat reste fragile et ne se transpose pas à d’autres postes. Enfin, une pente n’établit pas une cause : elle établit que le score et le résultat varient ensemble. C’est le genre de réserve qu’un éditeur d’outil de tri ne peut pas se permettre d’écrire. Refait une fois par an sur la cohorte de l’année écoulée, cet exercice devient une série : c’est la répétition, et non le premier passage, qui vous dira si le score s’améliore ou dérive.

Déployer un outil de matching : l’ordre des étapes, et celle qu’il faut refuser

Le déploiement d’un outil de rapprochement suit un ordre stable — définir les critères avec les managers, vérifier l’intégration, informer le comité social et économique, former les recruteurs, tester sur quelques postes — et comporte une étape qu’il vaut mieux ne pas franchir en l’état.

1. Définir les critères poste par poste, avec les managers opérationnels, avant tout paramétrage. L’exercice consiste à séparer ce qui est indispensable de ce qui est confortable, et à l’écrire. Un outil bien réglé sur une demande floue produit un classement précis d’une intention vague.
2. Vérifier la compatibilité avec le logiciel de suivi des candidatures en place. C’est ce point, et non la qualité de l’algorithme, qui détermine la charge réelle du projet.
3. Informer le comité social et économique avant la mise en service, dans les entreprises qui en sont dotées. L’article L2312-38 du code du travail en fait un préalable au déploiement, pas une formalité de fin de projet.
4. Former les recruteurs à lire un score comme un ordre d’affichage, pas comme un avis. La décision reste la leur, et ce n’est pas une bonne pratique optionnelle : c’est ce qu’exige le droit, comme le rappelle la section juridique ci-dessous.
5. Tester sur un petit nombre de postes, avec un critère de succès écrit à l’avance et une date de bilan. Sans critère écrit avant, le bilan se conclura sur une impression favorable.

Vient alors l’étape qu’on vous proposera et qu’il faut refuser en l’état : le calibrage de l’outil sur vos recrutements réussis passés. Présentée comme une personnalisation, c’est exactement le mécanisme décrit plus haut : vous apprenez au modèle à retrouver la population que vous avez déjà recrutée. Si vous y tenez, imposez deux conditions écrites au contrat. La variable cible doit être un résultat mesuré après l’embauche, jamais la décision de recrutement elle-même. Et la distribution des scores doit être contrôlée par groupe avant et après calibrage, le résultat de ce contrôle vous étant remis.

Mesurer l’équité, pas seulement la vitesse

L’équité d’un tri automatisé s’observe sur vos propres données avec trois indicateurs calculables : le taux de franchissement du seuil par groupe, l’écart de score médian entre groupes, et la dérive du profil retenu au fil du temps.

Le premier indicateur répond à une question simple : parmi les candidatures reçues, quelle proportion franchit le seuil selon le groupe considéré ? Le deuxième compare les scores médians plutôt que les taux de passage, ce qui rend visible un écart réparti sur toute la distribution et non concentré au seuil. Le troisième ne compare pas des groupes mais des périodes : le profil des personnes retenues se resserre-t-il de trimestre en trimestre ?

Ce contrôle se conduit dans un cadre précis, et le choix de la variable de groupe en est le point sensible. Le sexe et l’âge ne sont pas des données sensibles et figurent déjà dans vos systèmes : ce sont les deux variables sur lesquelles le contrôle est praticable sans rien collecter de nouveau. L’origine réelle ou supposée, la religion ou l’état de santé, à l’inverse, ne peuvent pas être collectés pour construire cette statistique : la doctrine de la CNIL repose sur la minimisation des données (fiche n° 17 du guide du recrutement, élaborée avec le Défenseur des droits), et la CNIL rappelle qu’il ne lui appartient pas de qualifier une discrimination — c’est le rôle du Défenseur des droits. Conduisez donc le contrôle sur les seules variables licitement disponibles, avec votre délégué à la protection des données, et traitez un écart constaté comme un signal qui demande une explication documentée, pas comme une preuve.

Le point d’ancrage juridique est l’article L1132-1 du code du travail, dans sa version en vigueur depuis le 1er septembre 2022 : nul ne peut être écarté d’une procédure de recrutement par une mesure discriminatoire directe ou indirecte, et le texte énumère les motifs prohibés. Le mot « indirecte » est ici le mot décisif : un critère apparemment neutre qui produit un écart systématique entre groupes entre dans le champ du texte, même si personne ne l’a voulu.

Il existe enfin un coût que personne ne facture, celui du sur-matching. Un outil bien réglé sur un profil-type produit des équipes qui se ressemblent, un vivier qui s’appauvrit et une dépendance à un segment étroit du marché des candidats — précisément celui où la concurrence est la plus vive et les salaires les plus tendus. La dérive du profil retenu est donc autant un indicateur commercial qu’un indicateur de conformité.

Quand les candidats optimisent leur CV contre votre matcher

Dès qu’un score sert de critère de sélection, il devient une cible : les candidats optimisent leur CV pour le franchir, et le score cesse progressivement de renseigner sur ce qu’il était censé approcher.

Ce mécanisme porte un nom, la loi de Goodhart : quand une mesure devient une cible, elle cesse d’être une bonne mesure. Et ce n’est pas une hypothèse de laboratoire : il existe en France des services grand public, consultés le 30 juillet 2026, qui attribuent un score à un CV, le comparent à une annonce et signalent les termes de l’annonce qui manquent au CV. Une partie de votre pile a donc pu être calibrée contre un moteur du même type que le vôtre.

Trois conséquences pratiques. D’abord, la relation entre le score et la qualité réelle du dossier se dégrade à mesure que le poste est convoité, puisque les candidats les mieux informés sont aussi ceux qui optimisent. Ensuite, le score se met à mesurer la familiarité avec les codes de la candidature, une variable qui n’a aucun rapport avec le travail à faire et qui, elle, est socialement distribuée. Enfin, plus votre moteur est purement lexical, plus il est facile à jouer : un score assis sur des données que le candidat n’a pas rédigées lui-même ne s’optimise pas de la même façon. C’est un argument de robustesse, et il est rarement mis sur la table.

Ce que le droit impose : information du candidat, décision automatisée, contrôles CNIL 2026

Le droit français impose quatre obligations à qui trie des candidatures avec un algorithme : informer le candidat au préalable, n’employer que des méthodes pertinentes au regard du poste, informer le comité social et économique avant la mise en service, et ne jamais lui opposer une décision entièrement automatisée.

L’article L1221-8 du code du travail, dans sa version en vigueur depuis le 1er mai 2008, prévoit que le candidat est « expressément informé, préalablement à leur mise en œuvre, des méthodes et techniques d’aide au recrutement utilisées à son égard », que les résultats obtenus sont confidentiels, et que ces méthodes doivent être pertinentes au regard de la finalité poursuivie. Un moteur qui hiérarchise les candidatures est une technique d’aide au recrutement : l’obligation d’information s’applique, et l’exigence de pertinence porte sur le critère retenu.

L’article L1221-9, même version, ajoute qu’aucune information concernant personnellement un candidat ne peut être collectée par un dispositif qui ne lui a pas été porté à connaissance au préalable. Ce texte, combiné à l’exigence de pertinence, encadre étroitement une pratique parfois présentée comme un progrès : alimenter un score de compatibilité avec les traces publiques d’un candidat sur les réseaux professionnels. La CNIL admet la consultation de contenus publiquement accessibles, mais à trois conditions cumulatives — information préalable du candidat, lien direct et nécessaire avec le poste, finalité limitée à l’appréciation de sa capacité à occuper l’emploi (fiche n° 14 du guide du recrutement). Un score calculé automatiquement sur ces traces réunit rarement les trois. Nous ne le faisons pas et ne le recommandons pas.

Une quatrième obligation ne concerne pas le candidat mais l’entreprise. L’article L2312-38 du code du travail, dans sa version en vigueur depuis le 1er janvier 2018, prévoit que le comité social et économique est informé, préalablement à leur utilisation, des méthodes ou techniques d’aide au recrutement des candidats à un emploi, et préalablement à leur introduction dans l’entreprise, des traitements automatisés de gestion du personnel. Un moteur de rapprochement relève des deux : cette information est un préalable au déploiement, pas une formalité de fin de projet.

S’y ajoute l’article 22 du RGPD, qui ouvre le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé affectant la personne de manière significative, et prévoit au minimum le droit d’obtenir une intervention humaine, d’exprimer son point de vue et de contester la décision. Un rejet prononcé par le franchissement d’un seuil, sans qu’aucun recruteur n’ait ouvert le dossier, est exactement la situation visée. La CNIL consacre d’ailleurs une fiche de son guide du recrutement, publié le 30 janvier 2023, aux logiciels de tri, de classement et d’évaluation des candidatures : leur usage est admis, sous conditions.

Le sujet a cessé d’être théorique. Le 3 avril 2026, la CNIL a inscrit le recrutement parmi ses trois thématiques prioritaires de contrôle pour 2026, en citant explicitement les systèmes de prise de décision automatisée, l’information des candidats et les durées de conservation, et en visant en priorité les grandes entreprises et les cabinets de recrutement. Un mot enfin sur le règlement (UE) 2024/1689 sur l’intelligence artificielle : son annexe III range parmi les usages à haut risque les systèmes destinés au recrutement ou à la sélection de personnes physiques, notamment pour analyser et filtrer les candidatures et pour évaluer les candidats. Nous ne donnons ici aucun calendrier d’application : ce point a connu plusieurs annonces successives et n’est pas stabilisé. Ce qui est acquis suffit à orienter vos décisions : les obligations correspondantes pèsent aussi sur l’organisation qui déploie l’outil, pas seulement sur celle qui l’édite. Ce paragraphe est informatif et ne constitue pas un conseil juridique : la qualification d’un dispositif précis dépend de son paramétrage et de son usage réel.

Les huit questions à poser à votre éditeur avant de signer

Huit questions suffisent à savoir si le score qu’on vous vend a été validé sur un critère mesuré ou seulement paramétré par défaut : elles portent toutes sur la validation, jamais sur les fonctionnalités.

1. Existe-t-il une étude de validation de votre score ? Nous souhaitons le document, pas la page produit.
2. Sur quel critère mesuré après l’embauche cette validation a-t-elle été conduite : performance évaluée, période d’essai validée, ancienneté ?
3. Sur quel échantillon : combien de personnes, quels postes, quels secteurs, sur quelle période ?
4. Quel est le résultat chiffré de cette validation, et où est-il publié ? Un éditeur qui a validé son score sait le dire en une phrase.
5. Le seuil de recommandation affiché est-il calibré sur nos données, ou est-ce le réglage livré par défaut avec le produit ?
6. Le score est-il auditable groupe par groupe, et l’outil produit-il lui-même la distribution des scores obtenus ?
7. Que devient le classement si l’offre est mal rédigée, trop longue ou recopiée d’un poste ancien ? Montrez-nous deux résultats sur la même pile de candidatures.
8. Le modèle est-il entraîné sur notre historique de décisions ? Si oui, quelle est exactement la variable cible apprise ?

Trois réponses doivent vous arrêter net. « C’est propriétaire » à la question 4 : la confidentialité d’un modèle n’a jamais empêché de publier un résultat de validation, et l’argument masque le plus souvent une absence. « Nos clients constatent une amélioration » à la question 2 : une satisfaction n’est pas un critère mesuré. Et le silence à la question 8 : un éditeur incapable de nommer la variable que son modèle apprend ne sait pas ce qu’il vous vend.

Ces huit questions valent pour nous aussi : posez-les-nous, et exigez de nous le même document que de n’importe quel éditeur.

Matching et évaluation : classer n’est pas prédire

Le matching est un bon outil d’ordonnancement quand le volume est élevé et le besoin correctement spécifié, mais il ne répond pas à la question qui vous occupe réellement : qui va réussir dans ce poste ?

Les deux opérations ne sont pas concurrentes, elles sont séquentielles : le rapprochement réduit un volume, l’évaluation qualifie ce qui reste. Le problème n’est donc pas l’outil : c’est le moment où le pourcentage prend la place de la décision.

Nous pouvons écrire cette page parce que nous ne vendons ni logiciel de suivi des candidatures, ni analyseur de CV, ni site d’offres d’emploi : notre produit est une évaluation, c’est-à-dire le quatrième étage. Nous vendons aussi, sur cette base, un rapprochement et une présélection — la même mécanique d’ordonnancement, mais appliquée à des dimensions mesurées plutôt qu’aux mots d’un CV, et c’est bien pour cela que nous soutenons ici la distinction. Notre intérêt n’est donc pas de vous faire renoncer au classement ; il est que vous mesuriez quelque chose avant de décider. Voici comment AssessFirst aide les recruteurs sur cet étage :

1. Une estimation de la réussite en poste adossée à des dimensions mesurées et rapportée à un profil de poste défini à l’avance, plutôt qu’au parcours déclaré.
2. Une lecture de la compatibilité avec l’environnement de travail réel de l’équipe qui recrute.
3. L’identification des motivations profondes, qui pèsent sur l’engagement une fois la période d’essai passée.
4. Une mesure du potentiel d’évolution, exploitable bien après le recrutement lui-même.
5. Le repérage des risques de départ prématuré, à traiter comme un signal à instruire et non comme un verdict.

Le SmartScore d’AssessFirst illustre ce que change la nature de la donnée comparée : il travaille sur des dimensions mesurées par un dispositif d’évaluation — personnalité, motivations, raisonnement — et non sur les mots d’un CV. Le rapprochement, lui, ne mesure toujours rien : il ordonne. Ce qui change, c’est ce qu’il ordonne.

Dernier usage, souvent oublié : la base constituée au fil des recrutements. Des dimensions mesurées ne périment pas au rythme des intitulés de poste, ce qui rend cette base réutilisable pour un poste voisin quelques mois plus tard, et exploitable pour la mobilité interne. La suite du processus, elle, reste inchangée quel que soit l’outil qui a produit la liste : une liste courte argumentée, puis un entretien structuré.

Questions fréquentes sur le matching de recrutement

Un score élevé veut-il dire que le candidat est bon ?

Non. Un score de compatibilité indique seulement que le dossier ressemble à la demande, selon la façon dont l’outil mesure cette ressemblance et pondère les critères — deux réglages que vous pouvez presque toujours modifier vous-même. Ce n’est pas une proportion : le nombre affiché est un agrégat de sous-scores pondérés, et il n’a de sens que relativement aux autres candidats de la même pile. Trois questions le remettent à sa place : d’où vient ce nombre, sur quel échantillon le seuil a-t-il été calibré, et que se passe-t-il juste en dessous ? Tant que la troisième reste sans réponse, le seuil est un réglage d’affichage, pas une décision documentée.

Le matching sémantique règle-t-il le problème des mots-clés ?

Le matching sémantique déplace le problème des mots-clés, il ne le règle pas. Un moteur sémantique rapproche des formulations différentes désignant la même réalité, ce qui corrige un vrai défaut du filtre booléen : un candidat n’est plus écarté parce qu’il a écrit « pilotage de projet » là où l’offre disait « gestion de projet ». Mais il compare toujours deux textes, et il hérite du même plafond : la qualité de rédaction du CV et celle de l’annonce. Un CV bien écrit sur une expérience médiocre continue de mieux se classer qu’un CV maladroit sur une expérience solide. Le sémantique améliore le rappel du filtre ; il ne change pas la nature de ce qui est comparé.

Quelle différence entre matching, scoring et scorecard ?

Le matching rapproche une candidature et une offre, et produit une compatibilité. Le scoring transforme un ou plusieurs scores en classement et en seuil : c’est lui qui décide qui part en entretien. La scorecard, elle, n’est pas produite par un logiciel : c’est votre grille de critères pondérés, arrêtée avec les managers avant réception des candidatures, qui sert à noter tous les candidats sur la même échelle. Les deux premiers sont produits par un logiciel à partir de documents ; la troisième est une décision humaine explicite, posée à l’avance. Une scorecard peut d’ailleurs servir de contrôle : si son classement et celui de l’outil divergent fortement, il y a une explication à chercher.

Un score de matching peut-il justifier un refus à lui seul ?

Non. L’article 22 du RGPD ouvre le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé lorsqu’elle affecte la personne de manière significative, et il prévoit au minimum une intervention humaine, la possibilité d’exprimer son point de vue et celle de contester la décision. Un rejet prononcé par le seul franchissement d’un seuil, sans qu’aucun recruteur n’ait ouvert le dossier, entre dans ce champ. Trois points se règlent donc avant la mise en service : qui fixe le seuil, qui relit les dossiers situés juste en dessous, et par quel canal un candidat obtient un réexamen. S’y ajoute, en amont, l’obligation d’informer le candidat des méthodes d’aide au recrutement employées à son égard (article L1221-8 du code du travail), traitée plus haut dans cette page.

Comment savoir si le score de mon outil est valide ?

Vous savez qu’un score de matching est valide en le confrontant à vos propres embauches. Reprenez les personnes recrutées entre douze et vingt-quatre mois auparavant, rescorez leur CV d’origine contre l’offre de l’époque, puis rapprochez ce score d’un résultat déjà disponible dans vos systèmes : évaluation annuelle, période d’essai validée, ancienneté à douze mois. Si les mieux classées n’ont pas mieux réussi, le score n’ordonne pas selon ce qui vous intéresse. L’exercice porte sur une population déjà filtrée, ce qui le rend prudent plutôt que concluant, mais il vous apprendra davantage que n’importe quelle démonstration commerciale. Et si votre éditeur dispose d’une étude de validation, demandez-lui le critère mesuré, l’échantillon et la date.

Sources

• Code du travail, article L1221-8, version en vigueur depuis le 1er mai 2008 — information préalable du candidat, confidentialité des résultats, pertinence des méthodes.
• Code du travail, article L1221-9, version en vigueur depuis le 1er mai 2008 — interdiction de collecter par un dispositif non porté à la connaissance du candidat.
• Code du travail, article L1132-1, version en vigueur depuis le 1er septembre 2022 — discrimination directe ou indirecte, y compris dans une procédure de recrutement.
• Code du travail, article L2312-38, version en vigueur depuis le 1er janvier 2018 — information du comité social et économique sur les méthodes d’aide au recrutement et sur les traitements automatisés de gestion du personnel.
• Règlement général sur la protection des données, article 22, texte publié par la CNIL — décision individuelle automatisée et droit à une intervention humaine.
• CNIL, Le guide du recrutement, publié le 30 janvier 2023 — dont la fiche consacrée aux logiciels de tri, de classement et d’évaluation des candidatures, la fiche n° 14 sur le recours aux données publiquement disponibles et la fiche n° 17 sur la collecte de données potentiellement discriminantes, élaborée avec le Défenseur des droits.
• CNIL, Les contrôles en 2026, publié le 3 avril 2026 — le recrutement parmi les trois thématiques prioritaires, systèmes de prise de décision automatisée cités explicitement.
• Règlement (UE) 2024/1689 sur l’intelligence artificielle, annexe III — systèmes destinés au recrutement ou à la sélection de personnes physiques rangés parmi les usages à haut risque.
• Observation directe des services CVScore et VoilaMonCV, pages publiques consultées le 30 juillet 2026.

Pages juridiques et institutionnelles consultées le 30 juillet 2026.