Screening par IA

Comment ça marche sous le capot

Deux approches courantes :

• Match par mots-clés et compétences : le modèle extrait compétences, années d’expérience et signaux de séniorité du CV et score face aux indispensables. Rapide et explicable.
• Match par embeddings : le modèle transforme CV et description en vecteurs et score la similarité sémantique. Attrape une expérience pertinente que la recherche par mots-clés rate (un « lead React developer » match un « senior frontend engineer »).

Les ATS modernes combinent les deux.

Ce que ça fait bien

• Compresse le temps de relecture CV de 1-3 minutes par candidature à 10-20 secondes pour confirmer la lecture de l’IA.
• Fait remonter des candidats pertinents que le relecteur humain raterait — parcours atypique, CV mal marketé.
• Reste cohérent — applique les mêmes critères au candidat 1 et au candidat 100.

Là où ça rate

• Héritage de biais : si le modèle a été entraîné sur des décisions historiques biaisées, il reproduit le biais à l’échelle.
• Sur-pondération du conventionnel : le screening IA surestime les CV classiques. Une reconversion solide mais peu standard score bas.
• Risque de gaming : les candidats qui connaissent le système optimisent leur CV contre lui. Le signal se dégrade.

Comment l’utiliser raisonnablement

Traiter le screening IA comme une aide au classement, pas comme un filtre. Le relecteur humain voit toujours toutes les candidatures ; le score IA réordonne la file. Le rejet automatique est un risque de processus.

Où Join s’inscrit

Le screening IA de Join présente des candidats classés avec une explication par score — le relecteur voit le pourquoi, pas seulement le chiffre. Le rejet automatique est opt-in et explicitement loggé. Voir la page Fonctionnalités.