Analyse sémantique des CV : comment ça marche vraiment
Meta-description : Au-delà des mots-clés : comment une IA comprend le sens d’un CV, les étapes d’une analyse sémantique, et pourquoi la décision finale doit rester humaine.
« Analyse sémantique », « IA », « matching » : ces termes sont partout dans le recrutement, rarement expliqués. Voici concrètement ce qui se passe quand un outil analyse un CV, et ce qu’il ne sait pas faire.
Le problème des mots-clés
Un filtre classique cherche des termes exacts. Si votre annonce demande un « Customer Success Manager » et que le candidat était « Responsable de la relation client » pendant six ans, le filtre le rejette. Même métier, vocabulaire différent. À l’inverse, un CV bourré des bons mots-clés mais sans réalisation concrète passe sans difficulté.
Ce que « sémantique » veut dire
Analyser le sens, c’est comprendre ce que dit le texte plutôt que reconnaître des suites de lettres. Un modèle de langage a appris, sur de très grandes quantités de textes, que certaines expressions désignent la même réalité, et que d’autres, qui se ressemblent, n’ont rien à voir. Il peut donc reconnaître qu’« animer une équipe de 8 techniciens » et « management d’une équipe technique » parlent du même type de responsabilité.
Les étapes d’une analyse, pas à pas
- Lecture du document : le CV (PDF, Word) est converti en texte exploitable. Un CV scanné en image ou très complexe visuellement peut dégrader cette étape.
- Extraction des informations : un modèle de langage identifie et classe les éléments clés du CV : coordonnées, compétences, métiers exercés, durées d’expérience, formations. Là où un ATS classique cherche des mots exacts, le modèle comprend le contexte et reconnaît qu’« administration de serveurs Linux » et « gestion de parc Debian » relèvent de la même compétence.
- Comparaison avec le poste : les informations extraites sont confrontées aux critères que vous avez définis.compétences indispensables, compétences appréciées, type d’expérience.
- Restitution : l’outil présente une synthèse de l’adéquation, avec les éléments qui l’expliquent, pour que vous puissiez vérifier.
- Décision humaine : vous gardez la main, de la liste retenue à l’entretien.
Ce que l’analyse sémantique ne fait pas
Il vaut mieux le dire clairement :
- Elle ne remplace pas le jugement. Elle ne mesure ni la motivation, ni la personnalité, ni l’adéquation à une équipe.
- Elle dépend de la qualité de la fiche de poste. Des critères flous donnent des résultats flous.
- Elle peut se tromper. Un modèle de langage peut mal interpréter un CV atypique ou ambigu. D’où l’importance de pouvoir lire pourquoi un profil ressort, et de contrôler les cas limites.
- Elle n’est pas neutre par nature. Sa fiabilité dépend de la manière dont elle est conçue et testée, et de contrôles réguliers sur les résultats.
La technique, sans mystère
TruthTalent repose sur un site WordPress hébergé chez Hostinger, une base de données Supabase, une API déployée sur Render et un modèle de langage ouvert, gpt-oss-120b, exécuté via Groq.
Cette transparence est volontaire. Un outil qui touche à des candidatures doit pouvoir expliquer comment il fonctionne.
Pourquoi c’est utile
Bien utilisée, l’analyse sémantique permet de :
- retrouver des profils que le tri par mots-clés aurait écartés,
- appliquer la même grille à chaque candidature,
- gagner des heures sur la lecture initiale, pour les consacrer à l’échange avec les candidats.
TruthTalent est en bêta gratuite : vous pouvez faire analyser 50 CV gratuitement et juger vous-même de la pertinence des résultats.
Testez vos 50 CV gratuits et dites-moi ce que vous en pensez.