Matching de candidats par IA

Ce que « matching » veut dire en pratique

Le modèle produit un score de similarité entre un candidat et un poste. Le score est montré au relecteur avec une explication : « match sur Python, 5 ans backend, droit de travailler UE ; faible sur les signaux de leadership d’équipe ».

Les bons outils de matching exposent ce qui a fait monter le score. Les outils boîte-noire qui ne montrent qu’un chiffre sont moins utiles — on ne peut pas argumenter contre un chiffre, on peut argumenter contre une explication.

Les deux couches

• Match de compétences : recouvrement de mots-clés et de compétences en surface. Rapide, explicable, sujet aux faux négatifs (un CV qui dit « TypeScript » au lieu de « JS » paraît moins fort qu’il ne l’est).
• Match sémantique : comparaison par embeddings entre CV et description comme texte. Attrape de l’expérience pertinente que la couche compétences rate, au prix d’être moins explicable.

Le matching moderne combine les deux en un score hybride.

Où ça se place dans le tunnel

Le matching nourrit deux usages amont :

• Inbound (screening IA) : classer les candidatures sur le poste.
• Outbound (sourcing IA) : remonter les passifs dont les profils collent.

Même mécanisme, étape différente du tunnel.

Ce que le matching n’est pas

Ce n’est pas la décision de recrutement. Un score élevé veut dire « vaut une vraie conversation », pas « faire une offre ». Le confondre est l’échec le plus courant de l’IA en recrutement.

Où Join s’inscrit

Join expose les scores de match avec des explications par dimension, pour que le relecteur voie toujours sur quoi l’IA s’aligne. Le jugement humain reste primaire. Voir la page Fonctionnalités.