Comment une IA lit et note un CV : de l'extraction au contrôle humain

Confier la lecture de CV à une intelligence artificielle suscite deux réactions opposées : le soulagement de ceux qui croulent sous les candidatures, et la méfiance de ceux qui imaginent une boîte noire chargée de trier des personnes. Les deux méritent mieux qu’un slogan. Voici, étape par étape, ce qui se passe entre le dépôt d’un CV et l’affichage de sa note, ce que la machine fait bien, ce qu’elle fait mal, et où le recruteur doit reprendre la main.

Nous prenons l’exemple de CVlize, mais les questions sont les mêmes pour tout outil sérieux : demandez à votre fournisseur comment il traite chacune de ces étapes.

Étape 1 : extraire le texte du fichier

Un CV arrive sous des formes très variées : PDF produit par un traitement de texte, document Word, scan d’un original papier, photo prise au téléphone. Avant toute analyse, il faut en tirer du texte.

• PDF « natif » et DOCX : le texte est déjà présent dans le fichier, il suffit de le lire. C’est la situation la plus fiable.
• Scans et images : il faut passer par la reconnaissance optique de caractères (OCR), qui transforme l’image en texte. La qualité du résultat dépend directement de celle du document : un scan net se lit bien, une photo floue ou prise de biais beaucoup moins.

Les mises en page élaborées posent aussi des difficultés : colonnes multiples, frises chronologiques, compétences présentées sous forme de jauges graphiques. L’ordre de lecture peut se mélanger, et une jauge « Excel : quatre étoiles sur cinq » ne contient souvent aucun texte exploitable.

Chez CVlize, seul le texte est transmis à l’étape de notation : une éventuelle photo n’est jamais analysée.

Étape 2 : anonymiser avant de noter

Une fois le texte extrait, CVlize retire par défaut les informations qui n’ont rien à faire dans une présélection : nom et prénom, adresse e-mail, téléphone, adresse postale, date de naissance et âge, nationalité, situation familiale, liens personnels. Ces éléments sont remplacés par des marqueurs neutres, par exemple « [NOM] », avant que le texte soit envoyé au modèle. Dans le classement, les candidats apparaissent sous la forme « Candidat n°1 », « Candidat n°2 », et ainsi de suite.

L’objectif est simple : un modèle qui ne voit ni le nom ni l’âge ne peut pas en tenir compte, même indirectement. L’anonymisation reste toutefois faite au mieux. Une information personnelle glissée au milieu d’un paragraphe peut lui échapper. C’est pourquoi elle est doublée de consignes explicites données au modèle, qui lui interdisent de prendre en compte les motifs de discrimination prévus par le Code du travail.

Étape 3 : noter critère par critère

C’est ici qu’intervient le modèle de langage. Il reçoit trois éléments : la grille de critères définie par le recruteur, la fiche de poste comme contexte, et le texte du CV, clairement délimité.

Pour chaque critère, le modèle doit produire deux choses :

1. une justification courte et factuelle, qui cite un extrait du CV quand des points sont attribués, ou indique ce qui manque quand aucun point ne l’est ;
2. un nombre de points, compris entre zéro et le poids du critère.

Plusieurs règles encadrent cette notation. Le modèle n’utilise que ce qui est écrit : ce qui n’est pas mentionné est considéré comme absent, sans supposition. Les durées sont calculées à partir des dates écrites. En cas d’hésitation entre deux notes, la plus basse est retenue et le doute est expliqué. Si la description d’un critère contient un barème, il est appliqué tel quel.

Le total n’est pas « annoncé » par le modèle : il est calculé par le serveur, qui additionne les points de chaque critère après avoir vérifié qu’aucun ne dépasse son maximum. La note sur 100 est donc toujours la somme visible du détail.

Le modèle rédige aussi une courte synthèse, des points forts et des points de vigilance, pour orienter la lecture du recruteur.

Étape 4 : classer et restituer

Quand tous les CV sont notés, ils sont classés par score. Le tableau de résultats affiche le rang, la note et les critères les mieux satisfaits ; un clic ouvre le détail d’un candidat, avec chaque justification. Un export Excel reprend le classement.

Un CV qui n’a pas pu être lu (fichier vide, scan illisible, document qui n’est pas un CV) n’est pas noté zéro puis mélangé aux autres : il est signalé en échec, exclu du classement, et le crédit correspondant vous est restitué.

Où l’IA se trompe : les limites à connaître

Un modèle de langage n’est pas infaillible. Ses principales limites sont connues, et il faut les garder en tête :

• Les erreurs de lecture : un scan dégradé produit un texte erroné, et la note en hérite.
• Les formulations implicites : un candidat qui décrit ses missions sans employer les mots attendus peut être sous-évalué. Le modèle saisit le sens mieux qu’une simple recherche de mots-clés, mais il ne devine pas ce qui n’est pas écrit.
• Les parcours atypiques : reconversion, compétences acquises hors emploi, expérience à l’étranger décrite autrement. La grille les capte d’autant moins bien qu’elle est formulée de façon étroite.
• Les critères vagues : un critère flou donne une note flottante. La précision de la grille conditionne celle du résultat.
• Les tentatives de manipulation : certains CV contiennent du texte adressé aux logiciels de tri, parfois invisible à l’œil nu. CVlize traite le contenu du CV comme une donnée et non comme une consigne, et signale ce type de texte dans les points de vigilance.
• La variabilité : les réglages retenus visent des résultats reproductibles, mais deux analyses du même CV peuvent ponctuellement différer de quelques points.

Aucune de ces limites n’est rédhibitoire, à condition de traiter le score pour ce qu’il est : une aide pour ordonner la lecture, pas un verdict.

Le contrôle humain, condition d’un usage sérieux

Le règlement européen sur l’intelligence artificielle (AI Act) classe les systèmes destinés à analyser et filtrer des candidatures parmi les usages « à haut risque ». Il exige notamment une supervision humaine effective. De son côté, le RGPD donne à chacun le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé lorsqu’elle l’affecte de manière significative, ce qui peut être le cas d’un refus de candidature.

Concrètement, le contrôle humain repose sur quelques pratiques simples :

• lire les justifications des candidats que vous retenez comme de ceux que vous écartez ;
• examiner la zone située juste sous votre seuil, où se trouvent souvent les profils mal servis par la grille ;
• ouvrir le CV original dès qu’une note vous surprend ;
• décider vous-même : dans CVlize, aucun candidat n’est retenu ou rejeté automatiquement, c’est vous qui constituez la shortlist et ajoutez vos notes.

Pourquoi l’endroit où tourne l’IA compte

Dernier point, souvent négligé : où le CV est-il envoyé pour être lu ? De nombreux outils transmettent les documents à l’API d’un grand fournisseur d’intelligence artificielle. Chez CVlize, le modèle tourne sur notre propre serveur, hébergé en France chez OVHcloud, et les fichiers sont hébergés en France, chez Supabase (région Paris) : aucun CV n’est transmis à un fournisseur d’IA tiers, et les CV ne servent pas à entraîner un modèle. Les conséquences juridiques de ce choix sont détaillées dans notre article RGPD et recrutement.

Pour voir ces étapes à l’œuvre sur vos propres candidatures, lancez une analyse : les 50 premiers CV sont offerts. Et si vous n’avez pas encore de grille, commencez par la méthode de la grille de critères pondérée.