La statistique largement citée « 75 % des CV ne parviennent jamais à un humain » provient d'un argument de vente de 2012 d'une entreprise qui n'existe plus. Le nombre n'a pas de méthodologie publiée. Pourtant, le problème sous-jacent que le nombre essayait de décrire est réel : la plupart des CV sont filtrés avant d'être lus par un humain, et le filtrage est suffisamment mécanique pour que de bons candidats soient éliminés pour les mauvaises raisons. Les fondateurs qui construisent un processus de recrutement doivent comprendre le mécanisme, et non simplement discuter du pourcentage.
Que se passe-t-il réellement à un CV lorsqu'il atteint un ATS
Un CV soumis via un système de suivi des candidatures passe par trois étapes avant d'être vu par un humain : l'analyse, la correspondance et le classement. Chaque étape peut échouer de manière qui n'a rien à voir avec l'adéquation réelle du candidat. L'analyse de Harvard Business Review sur le recrutement algorithmique estime que la part des CV filtrés avant examen humain est d'environ 72 % pour les systèmes basés sur les mots clés. Des recherches indépendantes plus récentes remettent en question l'affirmation populaire de « 75 % de rejet » — une étude de 2025 menée auprès de 25 recruteurs issus de diverses industries a constaté que seulement 8 % activaient le rejet automatique de contenu ; le reste s'appuyait sur un examen humain guidé par des critères d'élimination et des scores facultatifs. La lecture honnête : la plupart des CV ne sont pas rejetés automatiquement par des algorithmes silencieux, mais la plupart sont filtrés par une combinaison d'échecs d'analyse, de correspondances de mots clés faibles et de systèmes de classement qui enterrent les candidats qualifiés sous des candidats plus bruyants. Le résultat pour le candidat est le même — le silence. Le mécanisme est important car la solution diffère à chaque étape.
Étape 1 : Analyse — où la mise en page tue les bons candidats
L'analyse est l'acte de conversion d'un document de CV en données structurées que le système peut rechercher et classer. L'analyseur extrait les informations de contact, l'expérience professionnelle, la formation, les compétences et la structure des sections. Il échoue de manière prévisible :
- Mises en page à plusieurs colonnes. L'analyseur lit de haut en bas, de gauche à droite. Un CV à deux colonnes avec des en-têtes de barre latérale est sérialisé en un nonsense.
- Texte à l'intérieur des images. Les analyseurs ne OCR pas par défaut. Un nom ou une section de compétences enregistrée sous forme graphique est invisible.
- Boîtes de texte et tableaux intégrés. Les modèles standard Word/Pages utilisent ceux-ci pour la mise en page visuelle. Ils cassent l'extraction.
- En-têtes, pieds de page et barres latérales. Les informations de contact situées dans un en-tête sont souvent ignorées par l'analyseur, ce qui signifie que l'e-mail du candidat n'atterrit jamais dans le système.
- Caractères spéciaux et polices inhabituelles. Les symboles personnalisés et les polices décoratives sont déformés.
Une analyse indépendante de 1 000 CV rejetés par EDLIGO a constaté que 43 % des rejets étaient dus à des problèmes de mise en page, d'analyse ou à des échecs de filtres arbitraires plutôt qu'à des lacunes de qualification. C'est le taux d'erreur non forcé. Un candidat qui corrige la mise en page avant de postuler améliore ses chances sans changer ses qualifications.
Étape 2 : Correspondance — où les différences de vocabulaire deviennent des exclusions
Une fois que l'analyseur a des données structurées, le système les compare à la description de poste. La plupart des systèmes hérités utilisent une combinaison de :
Correspondance de mots clés durs — jetons exacts. Un JD nécessitant « Kubernetes » rejette un CV qui dit « K8s ». Les anciens systèmes font cela. Les nouveaux ajoutent des dictionnaires de synonymes, mais la couverture est inégale.
Correspondance sémantique — embeddings qui cartographient des concepts similaires dans un espace vectoriel voisin. Mieux que la correspondance dure, mais toujours vulnérable au dérive du vocabulaire dans les domaines où les titres de poste et les noms d'outils changent rapidement.
Notation pondérée — compétences requises pesant plus lourd que les compétences agréables. C'est là que se produit la plupart du classement : un candidat manquant une compétence « requise » est souvent classé plus bas qu'un candidat qui a la compétence mais manque de compétence sous-jacente.
Le problème de l'écart de mots clés frappe le plus fort à la frontière entre les disciplines adjacentes. « Construit des services backend avec une architecture à événement » ne correspond peut-être pas à « REST API développement » dans un système qui ne comprend pas l'équivalence. « Dirigé une équipe de produits de 5 personnes » ne correspond peut-être pas à « gestionnaire de produit » si le titre du candidat était « fondateur PM » au lieu de cela. Le dérive du vocabulaire est corrélé avec les parcours professionnels non traditionnels, ce qui signifie que la correspondance de mots clés filtre de manière disproportionnée les candidats dont les carrières n'étaient pas linéaires — exactement les candidats qu'une petite startup souhaite souvent.
Étape 3 : Classement — où la qualité vit ou meurt
Après la correspondance, les candidats sont classés. Les recruteurs lisent généralement seulement les 10-20 % supérieurs de la liste classée. Le mécanisme qui décide qui se trouve dans ces 10-20 % est la décision la plus conséquente dans l'ensemble du pipeline, et c'est la partie du ATS que les fondateurs vérifient rarement.
Le classement basé sur la superposition de mots clés est rapide et explicatif en code, mais mauvais pour séparer le signal réel du salade de mots clés. Un candidat qui a collé chaque mot de la JD dans son CV peut surpasser un candidat qui a réellement réalisé le travail. Le classement basé sur les résultats — ce que nous avons intégré dans Curriculo ATS Impact Scoring — inverse cela. Chaque candidat est évalué sur la base de réalisations quantifiées, de pertinence de l'expérience, de trajectoire de carrière et d'alignement des compétences, puis reçoit un score composite de 0 à 100 associé à un paragraphe de raisonnement écrit. Le raisonnement écrit est la clé. Un responsable du recrutement qui lit 30 paragraphes de raisonnement en 30 minutes détecte rapidement les erreurs de modèle et fait confiance au reste. Un responsable du recrutement qui lit 200 CV non classés ne détecte presque rien et ne fait confiance à rien.
La leçon se traduit des systèmes de classement que Dev a construits chez Amazon : un score en boîte noire ne peut pas gagner la confiance, et un système qui ne peut pas gagner la confiance ne peut pas être utilisé à grande échelle. C'est pourquoi les fondateurs finissent par relire chaque CV malgré le paiement pour un ATS. Le ATS a produit une sortie, mais pas une sortie que quiconque puisse vérifier.
Ce que nous avons appris chez Amazon sur les échecs de classement
Avant de fonder Curriculo ATS, notre fondateur Dev a passé des années dans l'équipe de recherche et de recommandations d'Amazon. La leçon la plus généralisable de ce travail pour ATS la conception : lorsqu'un classeur échoue silencieusement, l'utilisateur blâme l'inventaire. Les vendeurs blâment Amazon lorsqu'ils ne parviennent pas à classer de bons produits ; dans le recrutement, les recruteurs blâment le bassin de candidats lorsqu'ils ne parviennent pas à faire surface de bons CV. Dans les deux cas, l'échec réel est en amont, dans le classeur. La solution qui a fonctionné chez Amazon n'était pas d'ajouter plus de règles au classeur défectueux, mais de le reconstruire autour de signaux que l'entrée ne pouvait pas fabriquer directement. Données de vente réelles. Taux de retour réels. Modèles de révision vérifiés. Le même principe conduit au recrutement basé sur les résultats : classer en fonction de signaux (revenu généré, équipes mises à l'échelle, systèmes expédiés, problèmes résolus) qu'un candidat ne peut pas fabriquer sans commettre une fraude, plutôt que sur des jetons que n'importe quel candidat peut bourrer. La deuxième leçon, qui s'applique presque mot pour mot : un classeur sans explicabilité est retourné par les adversaires. Chez Amazon, les vendeurs ont appris à jouer les titres de mots clés en quelques semaines. Dans le recrutement, les candidats ont appris à jouer les filtres de mots clés en quelques années, mais le jeu est maintenant répandu. La seule défense structurelle est un classeur qui lit la substance et montre son raisonnement. Les fondateurs qui traitent ATS le filtrage comme un problème de classement plutôt que comme un problème de saisie de données finissent par avoir des listes de candidats plus propres que les fondateurs qui traitent cela comme un logiciel de workflow avec AI fixé.
Comment réparer chaque mode d'échec en tant que fondateur
Si vous gérez le recrutement dans une startup de 10 à 200 personnes, voici le livre de jeu pratique pour combler chaque lacune :
- Vérifiez votre analyse. Soumettez cinq CV de candidats bien mis en page via votre propre formulaire de candidature. Ouvrez-les dans votre ATS par la suite et vérifiez les champs analysés. Si 30 % ont des données manquantes ou embrouillées, votre analyseur échoue silencieusement — et certains de vos candidats aussi.
- Vérifiez votre correspondance de mots clés. Prenez un CV solide qui utilise un vocabulaire différent de votre JD et un CV faible qui copie le JD mot pour mot. Soumettez les deux. Si le faible est classé plus haut, vous scorez sur le bruit. La plupart des systèmes hérités échouent à ce test.
- Exigez un raisonnement, et non seulement des scores. Si votre ATS produit un nombre sans explication, l'équipe relira tout le monde, ce qui signifie que vous payez pour un filtrage que vous n'utilisez pas réellement. Le coût moyen de SHRM de 5 475 $ par embauche inclut une partie de ce temps gaspillé.
- Suivez votre abandon de candidature. Mesurez le pourcentage de candidatures qui passent de la réception au premier contact du recruteur. Si cela est inférieur à 60 %, votre haut de l'entonnoir fuit, et la fuite est généralement due à l'analyse et au classement de faible confiance.
- Exécutez un test de signal d'une semaine. Déplacez un poste ouvert vers un écran basé sur les résultats et comparez la liste restreinte à celle produite par votre système actuel. Le test ne coûte rien sur le plan gratuit Starter et vous indique en sept jours si le goulet d'étranglement est l'outil ou le processus.
Que faire ensuite
Le problème de la boîte noire est soluble, mais seulement avec des outils conçus autour de l'explicabilité dès le premier jour. Si vous souhaitez voir à quoi ressemble la notation basée sur les résultats avec un raisonnement écrit sur vos propres entrées, le plan gratuit Curriculo ATS Starter gère des postes actifs illimités avec des membres d'équipe illimités — voir les fonctionnalités ou les tarifs. Pour l'image plus large sur les algorithmes de recrutement et les préjugés, l'analyse HBR du recrutement algorithmique est la bonne lecture de départ.
Ancien ingénieur en apprentissage automatique chez Amazon (recherche et recommandations) et Synopsys. A construit Curriculo ATS pour remplacer la correspondance de mots clés dans le recrutement par une évaluation basée sur les résultats AI. Diplômé de Penn State. Écrit sur le recrutement AI, ATS l'économie, et ce qui prédit réellement les performances sur le lieu de travail.