Parsing CV : comment ça fonctionne, et ce qu’il ne voit pas

Un parser de CV lit un document et le transforme en champs. Nom, coordonnées, années d’expérience, diplômes, intitulés de poste, compétences citées : ce qui était une page mise en forme devient une fiche interrogeable dans votre outil de suivi des candidatures. Le gain est réel, et cet article le décrit sans le rabaisser.

Mais une question n’est jamais posée sur ce sujet, et c’est pourtant elle qui décide de la qualité de vos recrutements : le parsing structure une candidature, il ne l’évalue pas. Il restitue des critères déclaratifs — ce qu’une personne a écrit d’elle-même — dont la recherche en psychologie du travail établit qu’ils comptent parmi les plus faibles prédicteurs de la performance en poste. Accélérer un tri ne l’améliore pas.

Cet article s’adresse aux recruteurs et aux équipes RH : comment fonctionne un parser, ce qu’il fait réellement gagner, ce qu’il ne peut pas voir, ce que le droit français impose quand un algorithme intervient dans la présélection, et où brancher une évaluation qui, elle, mesure.

À retenir

• Définition. Le parsing de CV est l’extraction automatique des informations d’un CV et leur restitution en champs structurés, exploitables par un logiciel de recrutement.
• Ce qu’il remplace. Pas la lecture des candidatures : leur saisie. La relecture reste à votre charge.
• Ce qu’il extrait le mieux. Les années d’expérience et le niveau de diplôme, précisément les deux critères dont la validité prédictive estimée est la plus faible.
• Ce qu’il ne voit pas. La motivation, la dynamique d’apprentissage, le mode de fonctionnement, l’adéquation à une équipe. Rien de cela n’est écrit dans un CV.
• Ce qu’il ne fait pas. Supprimer les biais. Il les déplace du lecteur vers les données et les règles de tri.
• La bonne place de l’évaluation. Après l’extraction, avant la décision : c’est le seul étage de la chaîne qui produit une mesure et non une déclaration.

Parsing CV : la définition

Le parsing de CV désigne l’analyse automatique d’un CV par un logiciel qui en extrait les informations — identité, formation, expériences, compétences citées — et les restitue sous forme de champs structurés, immédiatement exploitables et interrogeables dans un outil de recrutement. Le mot vient de l’anglais to parse, analyser la structure d’un texte.

En français, plusieurs formulations correctes désignent la même opération : analyse automatique de CV, extraction de données de CV, lecture automatique de CV. Toutes décrivent une lecture par la machine, jamais un jugement. Trois précisions avant d’aller plus loin.

• Ce n’est pas un logiciel de recrutement à lui seul. C’est une brique, presque toujours intégrée à un système de suivi des candidatures (ATS) ou vendue en moteur autonome à des éditeurs.
• Cela n’intervient que dans la présélection. Le parsing alimente une base de candidatures propre. Il ne décide de rien tant que vous n’avez pas écrit vous-même une règle de tri par-dessus.
• Ce n’est pas un test. Il ne produit aucune mesure : il recopie proprement ce qu’un candidat a déclaré.

Côté marché, deux familles d’acteurs coexistent : des moteurs d’extraction spécialisés vendus aux éditeurs de logiciels — Textkernel, Daxtra, Affinda ou RChilli figurent parmi les noms les plus cités — et des solutions de suivi de candidatures qui embarquent leur propre extraction, comme Taleez, Beetween, CleverConnect ou Nicoka. À côté, des outils généralistes tels que Parseur traitent le CV comme un document parmi d’autres. Nous ne vendons aucun de ces produits et nous ne les classerons pas : plus bas, vous trouverez une grille de questions plutôt qu’un palmarès.

Comment fonctionne un parser de CV, étape par étape ?

Un CV est conçu pour un œil humain : colonnes, encadrés, icônes, barres de compétences. Un parser doit en refaire un objet informatique, en quatre temps.

1. Extraction du texte brut. Les formats attendus sont le .pdf, le .doc et le .docx. Un CV enregistré en image — .jpg, capture d’écran, PDF scanné — exige une reconnaissance optique de caractères, avec une perte de fiabilité immédiate. Certains PDF sécurisés bloquent purement et simplement l’opération.
2. Normalisation. Les dates sont ramenées à un format unique, les intitulés rapprochés d’un référentiel interne pour que « chargé de recrutement », « chargée de recrutement » et « talent acquisition specialist » ne produisent pas trois entrées distinctes.
3. Structuration. Le cœur du travail : identifier quelle portion de texte est un nom, laquelle un employeur, laquelle une période. Cette étape relève du traitement automatique du langage, et plus précisément de la reconnaissance d’entités nommées ; les moteurs récents y ajoutent des modèles de langue. Le terme d’intelligence artificielle recouvre ici une famille de techniques statistiques, non une compréhension du texte — un point que nous détaillons dans notre article sur l’intelligence artificielle appliquée au recrutement.
4. Injection. Les champs alimentent la fiche candidat de votre outil, qui devient consultable, filtrable et exportable.

Les données qu’un parser extrait réellement

La liste varie d’un moteur à l’autre, mais l’ossature est stable : identité et coordonnées ; formation et diplômes ; historique des postes avec employeurs et dates ; niveau hiérarchique déduit des intitulés ; localisation ; compétences et outils cités ; certifications ; langues déclarées. Les profils issus des réseaux professionnels — LinkedIn, Indeed, Xing — arrivent dans des gabarits propres, plus faciles à traiter qu’un CV mis en page librement.

Notez la formulation : compétences citées, langues déclarées. Un parser n’extrait pas une compétence, il extrait la mention d’une compétence. La distinction paraît byzantine ; elle commande tout le reste de cet article.

Ce qui fait échouer un parsing

Les modes d’échec sont connus, reproductibles, et rarement affichés par les éditeurs.

Ces échecs ont un point commun : ils ne pénalisent pas les mauvais candidats, ils pénalisent les CV mal formatés. Nous y revenons plus bas. Au-delà, la finesse d’un moteur — taxonomies de compétences, précision champ par champ — relève du métier des éditeurs spécialisés. Ce n’est pas le nôtre, et ce n’est pas ce qui décide de la qualité d’un recrutement.

Les quatre étages qu’on confond, de l’extraction à l’évaluation

Une grande partie des malentendus vient d’un empilement de mots employés comme des synonymes. Ils désignent quatre opérations distinctes, qui se succèdent, et dont une seule produit une mesure.

Le deuxième étage, le rapprochement entre une candidature et un poste, est ce que le vocabulaire du secteur appelle le matching — on parle aussi de CV match ou de CV matching : le logiciel confronte les champs extraits aux critères d’une offre et restitue un score ou un pourcentage de compatibilité. Il intervient donc après l’extraction, et n’a rien à extraire lui-même. Si c’est ce mécanisme qui vous intéresse, nous lui consacrons un article entier : rapprocher automatiquement les candidatures et les postes.

Trois observations. Les trois premiers étages travaillent sur la même matière première, le CV : un rapprochement plus fin n’enrichit pas l’information de départ, il la réorganise. Seul le quatrième produit une donnée que le candidat n’a pas rédigée lui-même, et c’est toute la différence entre une déclaration et une mesure. Les trois premiers sont presque toujours vendus ensemble ; le quatrième est presque toujours absent — c’est la lacune la plus fréquente des entonnoirs que nous voyons.

Ce que le parsing fait réellement gagner

Avant la critique, l’inventaire honnête.

La fin de la double saisie, et ce qu’elle coûte encore

C’est le bénéfice principal, et il faut l’énoncer avec précision. Le parsing supprime la ressaisie : personne ne recopie plus un nom, une adresse et six dates dans un tableau de suivi. Il ne supprime pas la vérification. Un champ mal affecté qui entre en base y reste et se propage à tout ce qui s’appuie dessus. La saisie manuelle est donc remplacée par une relecture manuelle, plus rapide mais réelle : toute promesse de gain de temps qui ne la mentionne pas est incomplète. Un contrôle raisonnable consiste à relire systématiquement les fiches issues de CV atypiques — langue étrangère, format image, parcours non chronologique — et par sondage les autres.

Une CVthèque interrogeable, pas une pile de fichiers

C’est le bénéfice de second tour, et le plus sous-estimé. Une fois les candidatures structurées, votre CVthèque cesse d’être un dossier de fichiers pour devenir une base requêtable par mots-clés. Un recrutement clos laisse derrière lui des dizaines de profils qualifiés qui redeviennent atteignables lorsqu’un poste de compétences identiques ou voisines s’ouvre six mois plus tard. Sur un volume annuel significatif, cette réutilisation pèse souvent plus lourd que le gain de saisie lui-même, et elle allège d’autant votre travail de sourcing. Deux réserves : elle n’est interrogeable qu’à hauteur de ce que le parsing a correctement extrait, et sa constitution est encadrée — voyez plus bas les durées de conservation.

Des retours plus rapides aux candidats

Le temps repris sur la saisie peut être rendu aux personnes qui ont postulé, sous forme de réponses plus rapides et moins évasives. C’est un effet indirect mais mesurable sur l’expérience candidat, donc sur votre réputation d’employeur. Il n’a rien d’automatique : il ne se produit que si le temps libéré est réinvesti dans la relation, et non absorbé par le traitement d’un plus grand nombre de dossiers. Un mécanisme échappe en revanche à cette réserve : les champs extraits permettent de personnaliser l’accusé de réception et le message de refus — nom, poste visé, date de candidature — au lieu d’envoyer un gabarit anonyme. C’est le seul effet du parsing sur l’expérience candidat qui soit direct et non conditionnel.

Calculez votre propre coût de saisie

Nous ne donnerons pas de chiffre de rentabilité : nous n’en connaissons aucun qui soit sourcé et transposable. Faites la mesure vous-même, elle prend une demi-journée. Chronométrez la saisie complète de dix candidatures réellement reçues, par les personnes qui la font aujourd’hui. Multipliez la moyenne par votre volume annuel. Retranchez le temps de relecture que le parsing ne supprime pas — comptez-le, ne l’estimez pas. Comparez au coût annuel de l’outil, frais d’intégration compris.

À titre d’illustration seulement, et sans qu’il s’agisse d’une donnée : si la saisie prend trois minutes par dossier chez vous, cent candidatures représentent cinq heures. Le chiffre qui compte est le vôtre. Le seuil de rentabilité dépend presque entièrement du volume : sur quelques dizaines de candidatures par an, l’équation est rarement favorable ; sur plusieurs milliers, elle ne se discute pas.

Ce que le parsing ne voit pas

Nous arrivons au point que ni un éditeur de parsing ni un éditeur de logiciel de recrutement ne peut écrire sans se contredire. Il ne s’agit pas de dire que le parsing est mauvais : il fait très bien ce qu’il fait. Il s’agit de dire ce qu’il ne fait pas, et que rien dans la chaîne ne vient compenser.

Un CV est un document déclaratif, pas une mesure

Un CV est écrit par la personne qu’il décrit, pour obtenir un entretien : document d’auto-présentation, rédigé sous contrainte de longueur, orienté vers l’effet recherché. Rien là-dedans ne le rend faux ; tout le rend non vérifié. Un parser hérite intégralement de cette propriété : il transforme fidèlement une déclaration en champ de base de données, et le champ prend au passage l’apparence rassurante d’une donnée objective. Aucune étape ultérieure ne restaure ce qui manque — un score calculé sur des déclarations reste un score de déclarations.

Ce qui est absent par construction

Quatre familles d’informations ne figurent dans aucun CV, quelle que soit la qualité du parser.

• La motivation réelle pour ce poste-ci. Une lettre en donne une version rédigée, pas une mesure.
• La dynamique d’apprentissage. Un CV enregistre ce qui a été appris, jamais le rythme auquel cela l’a été.
• Le mode de fonctionnement. Comment la personne décide, coopère, réagit à la pression, demande de l’aide.
• L’adéquation au contexte. À une équipe, à un style de management, à un niveau d’autonomie donné. C’est souvent ce qui explique qu’un même profil réussisse ici et échoue là, comme nous l’observons en travaillant à construire des équipes plus performantes.

Ces quatre familles ne sont pas des raffinements : ce sont, dans la plupart des recrutements ratés que les équipes RH nous décrivent, les causes premières. Elles relèvent de ce qu’on appelle le potentiel du candidat, qu’aucun document déclaratif ne restitue.

Le parsing hérite de la qualité de rédaction, pas de la qualité du candidat

Un parser lit mieux un CV bien structuré. Or savoir structurer un CV est une compétence de rédaction et de codes professionnels, pas une compétence de travail. Deux personnes également capables d’occuper un poste n’ont aucune raison de produire deux documents également lisibles par une machine. Le tri qui en résulte classe donc partiellement sur la maîtrise du format : un critère que personne n’a choisi et que personne n’assume.

Le glissement des compétences comportementales prétendument extraites

Une partie du marché annonce que l’analyse automatique extrait les soft skills d’un CV. C’est une confusion, et elle mérite d’être nommée. Ce qu’un moteur détecte, ce sont des mots : « rigoureux », « esprit d’équipe », « leadership ». Il enregistre qu’un candidat s’est attribué ces qualités. Il ne les mesure pas, ne les compare pas, ne les situe pas sur une échelle. La différence entre « a écrit qu’il est rigoureux » et « obtient un score élevé sur une dimension de rigueur mesurée » est celle qui sépare un moteur de recherche d’un instrument de mesure.

Ce que valent vraiment les critères qu’un CV contient

Jusqu’ici, l’argument est qualitatif. Il existe une réponse quantitative, et elle est publiée. En 2022, Paul R. Sackett, Charlene Zhang, Christopher M. Berry et Filip Lievens ont fait paraître dans le Journal of Applied Psychology une révision des estimations de validité des méthodes de sélection, après avoir montré qu’une correction statistique appliquée depuis des décennies les surestimait systématiquement. Conclusion générale : pour les méthodes les mieux classées, les estimations antérieures étaient trop élevées de 0,10 à 0,20 point — une méthode, les questionnaires biographiques, est au contraire révisée à la hausse. L’entretien structuré arrive en tête du classement révisé.

Le tableau reprend les valeurs publiées, en regard de la synthèse de référence antérieure (Schmidt et Hunter, 1998), et ajoute la seule colonne qui nous intéresse ici : cette information se trouve-t-elle dans un CV analysé automatiquement ?

Source : Sackett, P. R., Zhang, C., Berry, C. M. et Lievens, F. (2022), Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range, Journal of Applied Psychology, 107(11), p. 2040-2068, DOI 10.1037/apl0000994 (notice de référence). Les valeurs de la deuxième colonne sont celles du tableau 3 de l’article. Les années d’études y figurent parmi les procédures écartées de la réestimation faute d’information suffisante : la seule valeur disponible reste donc celle de 1998, issue de la méthode que les auteurs corrigent. Les mêmes auteurs ont depuis actualisé deux valeurs (Sackett, P. R., Zhang, C., Berry, C. M. et Lievens, F., 2023, Revisiting the design of selection systems in light of new findings regarding the validity of widely used predictors, Industrial and Organizational Psychology, 16(3), p. 283-300, DOI 10.1017/iop.2023.24) : les tests d’aptitude cognitive descendent à 0,23 et les assessment centers montent à 0,33. Les deux lignes qui nous intéressent ici — expérience et études — sont inchangées.

Comment lire ces coefficients

Ce sont des corrélations estimées entre une méthode de sélection et la performance en poste — le plus souvent mesurées sur des salariés déjà en fonction, ce que les auteurs rappellent eux-mêmes. Elles se lisent ici entre 0 et 1 : plus la valeur est élevée, plus la méthode ordonne correctement les candidats sur le critère de performance. Quatre garde-fous. Ce n’est pas un pourcentage : une validité de 0,42 ne signifie pas « 42 % de bons recrutements », et toute lecture en pourcentage est fausse. Ce sont des moyennes, portant sur de larges ensembles d’emplois ; votre poste peut s’en écarter. Les auteurs ne concluent pas à l’inutilité de la sélection : ils écrivent que les procédures restent utiles, mais que les relations entre prédicteurs et performance sont nettement plus faibles qu’on ne le pensait. Aucune valeur n’existe pour l’intitulé de poste en tant que tel, et nous n’en inventerons pas : les deux critères mesurés les plus proches de ce qu’un CV livre sont l’expérience et la formation.

Les deux critères que le parsing extrait le mieux sont les plus faibles

Regardez les deux dernières lignes. Les années d’expérience et le niveau d’études sont exactement ce qu’un parser identifie avec le plus de fiabilité, ce sur quoi la plupart des filtres automatiques sont réglés, et ce que les offres d’emploi exigent en premier. Ce sont aussi, parmi les méthodes de sélection du tableau ci-dessus, celles dont la validité estimée est la plus basse.

À l’inverse, les méthodes en haut du tableau — entretien structuré, connaissances professionnelles, mises en situation, tests d’aptitude — ont un point commun : aucune ne peut être lue dans un CV. Elles supposent toutes de faire faire quelque chose au candidat.

L’argument entier tient en une phrase : le parsing extrait très efficacement les informations dont la valeur prédictive est la plus faible, et n’a par construction aucun accès à celles dont la valeur prédictive est la plus forte.

Le paradoxe de l’accélération : trier vite sur un critère faible

De là découle une équation que le discours commercial ne pose jamais. La performance d’un entonnoir dépend de deux facteurs : la vitesse de traitement des candidatures et la validité des critères de tri. Le parsing agit sur le premier, pas sur le second — et il ne le prétend pas, ce sont ses utilisateurs qui l’entendent ainsi. Or les deux ne se compensent pas : multiplier la vitesse d’un tri fondé sur des critères faibles ne produit pas de meilleurs recrutements, cela produit les mêmes erreurs, plus tôt et en plus grand nombre.

Prenons une hypothèse de travail — ce ne sont pas des données, remplacez ces nombres par les vôtres. Quatre cents candidatures pour un poste. Un filtre automatique retient les profils affichant au moins cinq ans d’expérience et un diplôme donné, et en présente quarante. Trois questions se posent alors, et aucune n’est habituellement posée.

• Parmi les trois cent soixante candidatures écartées, combien auraient réussi au poste ? Personne ne le saura : elles ne sont jamais évaluées.
• Le filtre écarte-t-il des personnes ou des rédactions ? Les modes d’échec vus plus haut se produisent tous à cette étape.
• Une erreur commise à la première étape peut-elle être rattrapée en aval ? Non : un entretien, aussi bien mené soit-il, ne rattrape jamais un candidat qui n’y a pas été convié.

C’est la propriété la plus gênante d’un tri automatique : ses faux négatifs sont invisibles. Un mauvais recrutement se voit ; un bon candidat écarté à la première étape ne laisse aucune trace. C’est aussi pourquoi l’intuition du recruteur ne suffit pas à corriger le dispositif : elle ne s’exerce que sur les dossiers qui lui parviennent. La conclusion pratique n’est pas de renoncer au parsing, c’est de ne jamais laisser le premier filtre reposer exclusivement sur les champs qu’il extrait.

Biais : le parsing les déplace, il ne les supprime pas

On lit fréquemment qu’un tri automatique serait « objectif » et « éliminerait les biais humains ». L’affirmation est le plus souvent avancée sans aucune preuve, et elle est intenable. Un algorithme ne juge pas moins qu’un recruteur : il juge autrement, à partir d’autres données, et il le fait à grande échelle, sans fatigue ni exception.

Un algorithme apprend sur des décisions passées

Un système entraîné à reproduire des décisions de recrutement antérieures apprend ces décisions telles qu’elles étaient, y compris ce qu’elles avaient d’inéquitable. Des modèles construits sur des historiques qui n’étaient pas nécessairement équitables peuvent ainsi reproduire, voire accentuer, les déséquilibres présents dans les données d’origine. L’outil de tri abandonné par Amazon, que nous avons documenté dans notre article sur cet algorithme de recrutement discriminatoire, en est l’illustration la plus connue.

Trois précautions en découlent, et aucune n’est délégable à un éditeur : une supervision humaine constante, avec une personne identifiée capable d’expliquer et de contredire un tri ; une révision périodique des critères, chacun devant être justifié par un lien avec le poste et non par l’habitude ; une vigilance sur la diversité des données d’apprentissage lorsqu’un modèle est entraîné sur votre propre historique. Cela suppose aussi de former les équipes de recrutement à ces outils, y compris sur leurs enjeux d’éthique et de confidentialité : un dispositif que personne ne sait expliquer ne peut pas être supervisé.

Les profils que la conformité rédactionnelle écarte

Le mécanisme est prévisible. Un tri fondé sur la continuité chronologique, les intitulés reconnus et le vocabulaire attendu défavorise structurellement les personnes en reconversion, dont les intitulés antérieurs ne ressemblent pas à ceux du poste visé ; les parcours non linéaires, dont les interruptions sont lues comme des lacunes ; les autodidactes, dont les compétences ne sont adossées à aucun diplôme identifiable ; les personnes dont le français n’est pas la langue première ; les candidats venus de secteurs ou de pays dont les intitulés ne figurent pas dans le référentiel du moteur.

Aucun de ces cinq groupes n’est moins compétent : tous produisent des documents moins conformes. Une démarche de recrutement inclusif ne peut donc pas s’arrêter à la rédaction des offres, elle doit examiner ce que le premier filtre écarte. Rappelons le cadre : écarter une personne d’une procédure de recrutement pour un motif discriminatoire est interdit, que la décision soit prise par un être humain ou préparée par un outil. L’article L1132-1 du Code du travail énumère les motifs prohibés et vise expressément la discrimination indirecte, celle qui résulte d’un critère apparemment neutre.

Parsing, RGPD et tri automatisé : ce que le droit vous impose

Faire lire des CV par un logiciel n’est pas un acte technique neutre : c’est un traitement de données personnelles opéré dans un cadre précis. Voici les obligations qui concernent directement un dispositif de parsing.

Les textes cités sont consultables en ligne : article L1221-6, article L1221-8, article L1221-9, article L1132-1 et article L2312-38 du Code du travail, article 22 du RGPD, et les repères de la CNIL sur le recrutement.

Le tri de candidatures par IA relève des usages à haut risque

Le règlement européen sur l’intelligence artificielle — règlement (UE) 2024/1689 — range parmi les systèmes à haut risque, à son annexe III, les « systèmes d’IA destinés à être utilisés pour le recrutement ou la sélection de personnes physiques, en particulier pour publier des offres d’emploi ciblées, analyser et filtrer les candidatures et évaluer les candidats » (texte du règlement).

Nous ne donnons volontairement 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 dès maintenant : le filtrage automatisé de candidatures fait partie des usages que le législateur européen a jugés sensibles, et les obligations correspondantes pèsent aussi sur l’organisation qui déploie l’outil, pas seulement sur celle qui l’édite. Concrètement : exigez de votre fournisseur une documentation exploitable, tracez vos décisions de tri, gardez une intervention humaine identifiable à chaque étape.

Un mot sur l’examen anonymisé des candidatures

Le Code du travail prévoit que les informations communiquées par écrit par un candidat peuvent être examinées dans des conditions préservant son anonymat (article L1221-7, dans sa rédaction issue de la loi du 17 août 2015). C’est une faculté, pas une obligation. Techniquement, l’extraction automatique s’y prête bien : il suffit de ne pas afficher les champs d’identité au moment du tri. Mais l’anonymisation ne neutralise que les signaux qu’elle masque ; elle ne change rien à la faiblesse prédictive des critères qui restent.

Ce passage est informatif et ne constitue pas un conseil juridique. Pour une mise en conformité, appuyez-vous sur votre délégué à la protection des données ou sur un conseil qualifié.

Où brancher l’évaluation dans votre entonnoir

Si les critères du CV sont faibles et que le parsing ne peut pas les renforcer, la question devient opérationnelle : à quel moment introduire une information que le candidat n’a pas rédigée lui-même ?

Avant ou après le tri des CV ?

• Après le tri, le plus courant : le parsing réduit la pile, l’évaluation départage les profils retenus. Simple à mettre en place, peu coûteux en temps candidat. Limite majeure : cela ne corrige aucun faux négatif, puisque les personnes écartées à la première étape ne sont jamais mesurées.
• Avant le tri, plus exigeant, mais c’est la seule configuration qui ouvre la porte à des profils que le CV n’aurait pas laissés passer. Pertinent sur les postes à fort volume, les métiers en tension et les recrutements ouverts aux reconversions.
• En parallèle, un compromis praticable : le tri automatique constitue une première liste, une évaluation courte est proposée à un ensemble plus large, et les deux listes sont comparées. C’est aussi le meilleur moyen de mesurer ce que votre filtre écarte.

Qu’évaluer, et pourquoi pas tout

Évaluer pour évaluer allonge le processus sans rien apporter. Trois familles couvrent l’essentiel de ce qui manque à un CV.

• Les aptitudes : la capacité à traiter une information nouvelle, à raisonner, à apprendre. C’est ce qui manque le plus cruellement à un dossier, et c’est mesurable — voyez les tests d’évaluation du potentiel.
• La personnalité : les tendances comportementales stables en situation professionnelle, mesurées par un questionnaire de personnalité, et non déduites d’adjectifs recopiés d’un CV.
• Les motivations : ce qui donne de l’énergie à une personne dans un environnement de travail donné, et ce qui la freine. C’est la dimension la plus liée à la tenue du poste dans la durée, et celle qu’un CV ne contient jamais.

Ces trois familles sont au cœur de la démarche de recrutement prédictif et alimentent la grille d’évaluation que vos intervieweurs utiliseront ensuite. Elles complètent ce que le CV apporte réellement — un historique factuel à vérifier — au lieu de le paraphraser.

Ce que cela coûte en temps candidat

Toute étape ajoutée en amont produit de l’abandon : c’est le principal argument contre l’évaluation précoce, et il est sérieux. Quatre règles limitent le risque. Annoncez la durée réelle avant de commencer. Restez sur un format court à ce stade de l’entonnoir. Rendez un retour, même bref, en contrepartie du temps demandé. N’imposez jamais deux dispositifs qui mesurent la même chose. Suivez ensuite votre taux de complétion : s’il s’effondre, le problème vient du format, pas du principe.

La chaîne cible tient en une ligne : extraction des candidatures, puis évaluation de ce que le CV ne contient pas, puis liste courte argumentée, puis entretien structuré. Le reste relève de vos étapes de processus et de vos règles de présélection.

Mesurer que votre tri sert à quelque chose : cinq indicateurs

Le débat sur le parsing se joue presque toujours sur des impressions. Il est mesurable, et vos données de recrutement contiennent déjà l’essentiel.

1. Taux de conversion présélection vers embauche. Un taux très bas signale un filtre qui laisse passer du volume sans discriminer utilement ; un taux très haut, un filtre trop serré qui vous prive de candidats. À suivre avec vos autres indicateurs de recrutement.
2. Qualité d’embauche à six mois. Une appréciation structurée du manager, recueillie avec la même grille pour tout le monde. C’est le seul point où vous observez la performance réelle, celle que vos critères prétendaient prédire.
3. Départs précoces à douze mois. Un turnover précoce concentré sur certains profils désigne le plus souvent une inadéquation que le CV ne pouvait pas révéler.
4. Relation entre le score de tri et la performance constatée. Si les candidats les mieux classés par votre outil ne réussissent pas mieux que les autres, ce score ne mesure rien d’utile. Indicateur le plus rarement calculé, et le plus révélateur.
5. Faux négatifs sur profils atypiques. Le seul qui demande un effort délibéré : tirez au sort trente CV écartés automatiquement, faites-les relire à l’aveugle par deux recruteurs, comptez combien auraient dû passer. Deux fois par an.

Ces cinq mesures trancheront plus sûrement qu’un débat d’opinions sur la valeur de votre processus de recrutement.

Choisir un outil de parsing : les questions à poser à l’éditeur

Nous ne classons pas les produits du marché : nous n’en vendons aucun. En revanche, la grille ci-dessous couvre les points sur lesquels un éditeur doit pouvoir répondre précisément. Une réponse vague vaut un signal.

Deux points se creusent en démonstration plutôt qu’en réunion commerciale. Faites tester l’outil sur les CV que vous recevez réellement, y compris les plus atypiques, et non sur la base de démonstration de l’éditeur. Puis demandez à voir la fiche produite pour un CV volontairement mal formaté : c’est là que se lit la qualité réelle d’un moteur. La même méthode s’applique à vos autres outils de sélection et à votre logiciel d’entretien, dont les promesses d’objectivité méritent la même grille de lecture.

Une dernière question ne se pose pas à l’éditeur mais à vous. Un processus entièrement automatisé jusqu’au premier contact humain donne aux candidats le sentiment d’être traités de manière déshumanisée, et cela se paie en réputation d’employeur. Le parsing gagne à être présenté pour ce qu’il est : une aide à la mise en ordre, pas un juge. Reprenez la main sur la préqualification avant tout échange, et dites au candidat comment sa candidature a été traitée.

Questions fréquentes sur le parsing de CV

Quelle différence entre le parsing et le matching de CV ?

Le parsing (extraction) transforme un CV en champs structurés : il ne compare rien et ne décide rien. Le matching — on parle aussi de CV match — intervient ensuite et confronte ces champs aux critères d’une offre, en attribuant au candidat un score ou un pourcentage de compatibilité avec le poste. L’un lit, l’autre classe. Aucun des deux ne mesure quoi que ce soit sur la personne.

Existe-t-il un parsing de CV gratuit ?

Des versions d’essai et des paliers d’entrée gratuits existent chez plusieurs éditeurs, avec des plafonds de volume et, le plus souvent, sans intégration à votre outil de suivi. Ces offres évoluent : vérifiez les conditions en vigueur chez l’éditeur avant de bâtir un test dessus. Ils permettent de tester la qualité d’extraction sur les CV que vous recevez, ce qui est utile. Au-delà de la démonstration, un usage de production se facture, le plus souvent au volume. Nous ne proposons pas d’outil de ce type.

Quel taux d’erreur faut-il attendre d’un parser ?

Il n’existe pas de valeur de référence publique et comparable : les taux annoncés reposent sur des corpus que les éditeurs choisissent eux-mêmes. La seule mesure qui vous engage est la vôtre. Prenez cinquante CV réellement reçus, comparez champ par champ ce que l’outil produit et ce que contient le document, et comptez — sur des CV représentatifs des candidatures que vous recevez, pas sur les plus propres.

Un parser détecte-t-il les compétences comportementales ?

Non. Il détecte des mots qui désignent des compétences comportementales, écrits par le candidat lui-même : c’est un repérage lexical, pas une mesure. Pour obtenir une mesure comparable, il faut un dispositif conçu pour cela — questionnaire de personnalité, mise en situation ou entretien structuré.

L’extraction est-elle compatible avec un examen anonymisé des candidatures ?

Oui, techniquement : les champs d’identité sont extraits mais masqués au moment du tri, et le Code du travail prévoit expressément cette possibilité. Attention toutefois, l’anonymisation supprime les signaux qu’elle masque, pas ceux qui subsistent : un nom d’établissement, une adresse ou un parcours atypique restent porteurs d’information. Si le sujet vous intéresse au-delà de l’anonymat des dossiers, nous traitons les dispositifs de recrutement sans CV dans un article dédié.

Faut-il informer le candidat qu’un algorithme trie sa candidature ?

Oui. Le Code du travail impose d’informer expressément le candidat, avant leur mise en œuvre, des méthodes et techniques d’aide au recrutement employées à son égard, et la CNIL demande d’indiquer, le cas échéant, l’existence d’une solution algorithmique de tri. Une mention claire dans votre politique de confidentialité et sur le formulaire de candidature couvre l’essentiel.

Combien de temps peut-on conserver les CV reçus ?

Constituer un vivier est possible, à condition d’informer le candidat et de ne pas conserver ses données au-delà du nécessaire. La CNIL retient comme principe une durée n’excédant pas deux ans à compter du dernier contact avec la personne concernée. Prévoyez une purge automatique dans votre outil plutôt qu’un ménage annuel manuel, qui n’est jamais fait.

À partir de quel volume le parsing devient-il rentable ?

Il n’existe pas de seuil universel : le coût de saisie évité dépend entièrement de votre organisation, et la méthode de calcul est donnée plus haut. Retenez l’ordre de grandeur : sur quelques dizaines de candidatures par an, l’intégration coûte plus cher qu’elle ne rapporte ; sur plusieurs milliers, la question ne se pose plus.

Un ATS (logiciel de suivi des candidatures) suffit-il à bien recruter ?

Non, et ce n’est pas son rôle. Un ATS organise le flux : il collecte, structure, trace et fait circuler l’information, sans produire aucune donnée nouvelle sur les candidats. Bien recruter suppose d’ajouter au moins un dispositif qui mesure ce que le dossier ne contient pas, puis un entretien structuré pour confronter cette mesure au poste réel.

Ce qu’il faut retenir

• Le parsing structure, il n’évalue pas. Il transforme un CV en champs exploitables et s’arrête là. C’est déjà beaucoup, et ce n’est pas un jugement.
• Le gain réel est la fin de la ressaisie, pas la fin de la lecture, et une CVthèque interrogeable pèse souvent plus lourd que le temps de saisie économisé.
• Les deux critères qu’un parser extrait le mieux — années d’expérience et niveau d’études — figurent parmi les plus faibles prédicteurs de la performance en poste : 0,07 pour l’expérience dans les estimations révisées de Sackett et al. (2022), 0,10 pour les années d’études selon Schmidt et Hunter (1998), valeur que Sackett et al. n’ont pas pu réestimer faute d’information suffisante.
• Un algorithme ne supprime pas les biais : il les déplace, et peut reproduire ceux des décisions passées sur lesquelles il a été construit. Les faux négatifs d’un premier filtre, eux, restent invisibles.
• Le droit impose l’information préalable, la pertinence des méthodes, la non-discrimination et une conservation limitée — et la conformité de l’organisation qui déploie l’outil ne se délègue pas à l’éditeur.
• La question utile n’est pas « quel outil choisir » mais « qu’est-ce que je mesure que le CV ne contient pas ». Pour voir à quoi ressemble une évaluation branchée à cet endroit de l’entonnoir, notre solution d’évaluation prédictive des candidats est conçue pour cela.