Comment fonctionne réellement la mise en correspondance par IA de Spott : de l’entretien de cadrage à la présélection classée

En bref

La mise en correspondance des candidats par IA consiste à classer les personnes déjà présentes dans votre base de données par rapport à un poste, en fonction du sens plutôt que des mots-clés. Spott établit les critères de recherche à partir de vos notes de prise de brief, analyse chaque fiche de candidat et renvoie une liste restreinte classée, avec une explication écrite pour chaque résultat.

Spott lit bien plus que le CV. Les notes d'entretien, les résumés d'appels, les transcriptions de réunions, les e-mails, les profils importés et les notes saisies manuellement alimentent tous le même index.

Les candidats sont classés par score et évalués critère par critère par rapport à une grille d'évaluation, de très fort à faible.

Chaque résultat est expliqué en langage clair, y compris les points négatifs. Si une personne est surqualifiée, cela est indiqué.

La recherche par mots-clés et la recherche booléenne existent toujours. La mise en correspondance est une alternative, pas un remplacement.

Le recruteur reste décisionnaire. La mise en correspondance produit une liste longue qui mérite d'être examinée, et non une décision d'embauche.

Pourquoi la « mise en correspondance par IA » nécessite une définition

Presque toutes les plateformes de recrutement du marché annoncent désormais une mise en correspondance par IA. Très peu lui donnent le même sens, et un bon nombre veulent simplement dire : « nous avons ajouté une liste de synonymes à notre recherche par mots-clés ».

La distinction importante concerne ce que le système recherche. Les bases de données de recrutement traditionnelles sont relationnelles : des lignes, des colonnes, des étiquettes et un champ de recherche qui recherche la chaîne de caractères saisie. Si une fiche indique « entraîneur de soccer » et que vous recherchez « football », vous n'obtenez rien. Si votre consultant a étiqueté quelqu'un comme « responsable du développement commercial » il y a quatre ans et que vous recherchez « chargé de comptes », vous n'obtenez rien non plus, alors qu'il s'agit manifestement de la personne que vous recherchez.

Ce mode d'échec a une conséquence bien connue. Les recruteurs cessent de faire confiance à la base de données et retournent sur LinkedIn pour retrouver des personnes que le cabinet connaît déjà. Un directeur d'agence à qui nous avons parlé l'a dit sans détour : lorsque les chercheurs reçoivent une nouvelle recherche, leur premier réflexe est d'aller sur LinkedIn, pas dans le logiciel de gestion de la relation client pour lequel le cabinet paie. Il a décrit cela comme un non-sens, et il a raison.

Spott adopte une approche différente. Les fiches de candidats sont vectorisées, c'est-à-dire qu'elles sont indexées selon leur sens plutôt que selon une chaîne de caractères exacte. Vous décrivez ce dont vous avez besoin en phrases ordinaires et le système raisonne sur l'ensemble de la fiche. C'est le mécanisme qui sous-tend tout ce qui suit.

Étape 1 : Les critères sont établis à partir du brief, et non d'un champ vide

La mise en correspondance commence avant même que quiconque ne saisisse une recherche.

Lorsque vous menez un entretien de prise de brief avec un responsable du recrutement, le preneur de notes de Spott rejoint la réunion, l'enregistre et la transcrit, puis produit un résumé structuré du brief dans le modèle utilisé par votre cabinet. Ce résumé est automatiquement rattaché au poste et au contact client.

Lorsque vous ouvrez ensuite l'outil de mise en correspondance, Spott vous propose les critères de recherche, établis à partir de la description du poste et de cette conversation de prise de brief. Vous obtenez à l'écran un ensemble de critères en langage naturel, et non une barre de recherche vide.

À partir de là, vous pouvez les modifier. Vous pouvez réécrire n'importe quel critère, ajouter ceux que le système a oubliés, supprimer ceux qui se sont révélés sans importance et modifier la pondération afin que, par exemple, l'expérience dans le secteur compte davantage que l'ancienneté. C'est la partie qui est ignorée dans la plupart des démonstrations, alors que c'est celle qui importe le plus aux recruteurs expérimentés : la recherche est construite à partir de critères identifiés que vous pouvez voir et modifier, et non à partir d'une consigne masquée.

Étape 2 : Décrivez le poste comme vous le décririez à un collègue

Les critères sont formulés en phrases anglaises simples. Par exemple :

« Ingénieur logiciel possédant au moins trois ans d'expérience pratique en Java et Python, actuellement basé en Belgique et travaillant dans les logiciels interentreprises. »

Ou quatre ou cinq phrases décrivant un profil de direction de la manière nuancée dont un consultant en recrutement de cadres expliquerait réellement le besoin à un chercheur.

Vous pouvez ajouter des filtres stricts pour les éléments qui sont véritablement binaires : lieu, disponibilité, autorisation de travailler, fourchette salariale. La recherche sémantique prend en charge l'appréciation ; les filtres stricts prennent en charge les faits.

Ce que vous ne faites plus, c'est construire des chaînes booléennes. La recherche booléenne reste disponible dans Spott lorsque c'est l'outil approprié, et de nombreux recruteurs continuent de l'utiliser pour des recherches rapides. Mais pour « trouvez-moi les personnes de notre propre base de données qui pourraient occuper

ce poste », décrire le rôle est plus efficace que d'assembler une requête.

Étape 3 : L'analyse lit tout ce qui est rattaché à la personne

C'est de là que vient la profondeur, et c'est la partie la plus difficile à reproduire si votre plateforme a été conçue sur une base de données relationnelle il y a quinze ans.

Lorsque l’analyse est lancée, Spott examine chaque élément de contexte associé à la fiche d’un candidat :

• Le CV, analysé et converti en données structurées sur l’expérience et la formation
• Les données du profil importées lors de l’ajout initial du candidat
• Les notes d’entretien et les notes manuelles rédigées par n’importe quel consultant du cabinet
• Les comptes rendus d’appels et les transcriptions de réunions enregistrés par l’outil de prise de notes
• Les échanges par e-mail associés à la fiche
• Les données d’enrichissement ajoutées au profil

L’ensemble passe par le même index. Ainsi, un détail relevé par un collègue lors d’un appel de présélection il y a deux ans, qui n’a jamais été intégré à un champ structuré faute de temps, reste consultable aujourd’hui. C’est là toute la différence concrète entre une base de données et une mémoire institutionnelle.

Étape 4 : Une liste longue classée, évaluée critère par critère

L’analyse renvoie votre base de données classée selon les critères, chaque candidat obtenant un score global ainsi qu’une note distincte pour chaque critère de la grille d’évaluation, de très élevé à faible.

C’est cette deuxième information qui rend la liste lisible. Un score global unique ne vous apprend presque rien, car deux candidats affichant 75 % peuvent atteindre ce résultat pour des raisons complètement différentes. La présentation des critères en colonnes vous montre immédiatement lequel est solide sur tous les aspects et lequel dissimule une lacune importante derrière une moyenne correcte.

Quelques éléments méritent d’être compris pour bien lire cette liste.

Une correspondance faible reste une correspondance. Il ne s’agit pas d’un résultat négatif, mais d’un candidat qui répond à une partie du cahier des charges et pas au reste. Pour les postes difficiles à pourvoir, c’est souvent dans la moitié inférieure de la liste que commencent les échanges les plus intéressants.

La liste peut être reclassée. Si, en consultant le haut de la liste, vous réalisez que vous avez mal défini le cahier des charges — ce qui arrive constamment dans les recherches réelles — vous ajustez un critère ou une pondération, puis vous relancez l’analyse. La boucle est suffisamment rapide pour être itérative plutôt que de se limiter à une requête unique.

La recherche porte sur votre base de données, et non sur un vivier récupéré. Spott ne vous vend pas un ensemble de profils acheté à l’extérieur. Le principe est que le réseau du cabinet, correctement indexé, constitue l’actif actuellement inexploité.

Étape 5 : Chaque résultat s’explique de lui-même

C’est la fonctionnalité qui détermine si un outil de recherche de profils sera utilisé ou discrètement abandonné.

Cliquez sur n’importe quel candidat et Spott vous explique, en langage clair, pourquoi le système l’a classé à cette position. Il examine la grille d’évaluation critère par critère : solide sur cet aspect, moyen sur celui-ci, et voici les éléments précis du dossier qui étayent chaque appréciation.

Point essentiel, l’outil vous indique également les éléments défavorables. Si un candidat possède onze ans d’expérience pour un poste nécessitant cinq ans, l’explication précise qu’il peut être surqualifié. S’il atteint le niveau technique requis, mais que son secteur est adjacent plutôt qu’exactement correspondant, cela est également signalé.

Il n’y a pas de boîte noire, et cela compte pour deux raisons qui vont au-delà de la confiance des recruteurs. Premièrement, vous devrez justifier une liste restreinte auprès d’un client, et « l’algorithme l’a apprécié » ne constitue pas une justification. Deuxièmement, une explication qui présente ses éléments de preuve est une explication dont vous pouvez détecter les erreurs.

Étape 6 : Accepter, rejeter, passer à la suite

Depuis la vue des résultats, vous acceptez les candidats dans le processus de recrutement associé au poste ou vous les rejetez. Le panneau de justification se trouve d’un côté et le profil complet de l’autre. Les candidats acceptés intègrent les étapes du processus configurées par votre cabinet. Vous passez ensuite à la prise de contact, à la présélection et à la présentation.

L’objectif de conception de l’ensemble du processus est précis : permettre au recruteur d’obtenir rapidement une liste restreinte défendable, afin que le temps soit consacré à l’échange avec le candidat plutôt qu’à sa recherche.

Ce que la mise en correspondance par IA ne fait pas

Il est important d’être clair sur les limites, car ce sont les promesses exagérées qui ont fait perdre sa crédibilité à cette catégorie d’outils.

L’outil ne prend pas la décision. Il classe et explique. Le recruteur lit, évalue et décroche son téléphone. L’explication existe précisément pour permettre à l’humain de passer outre la recommandation.

La qualité dépend uniquement du contexte dont il dispose. Une entreprise qui importe une base de données composée de simples noms et adresses e-mail obtiendra un résultat moins riche qu'une entreprise disposant de plusieurs années de notes d'entretien jointes aux profils. C'est le point délicat, en toute honnêteté, de toute couche d'IA appliquée aux données de recrutement, et c'est pourquoi le preneur de notes est tout aussi important que le moteur de correspondance. L'un alimente l'autre.

Il ne remplace pas le sourcing. Si la bonne personne pour le poste n'a jamais échangé avec votre entreprise, elle ne figure pas dans votre base de données et aucune quantité de recherche sémantique ne la fera apparaître. La mise en correspondance répond à la question « qui connaissons-nous déjà ? », ce qui est différent de « qui existe ? ».

Voyez-le sur votre propre base de données

Les affirmations ci-dessus peuvent être vérifiées en une seule réunion. Réservez une démonstration Spott de 30 minutes, apportez un poste réel et regardez la liste longue revenir classée et expliquée à partir de vos propres données.