Tri des CV : quand la formulation influence le classement

Publié le 20 septembre 2026 · Temps de lecture : 18 minutes

Quel problème pose le tri des CV par IA ?

Imaginez un candidat qui possède l'expérience recherchée. Son CV est correct, mais son texte de présentation, ces quelques lignes placées en tête, est assez simple. Il demande à une IA de le reformuler.

Son parcours n'a pas changé. Ses compétences non plus. Pourtant, son CV peut désormais être mieux classé par certains systèmes. Pourquoi ?

Une meilleure rédaction peut rendre un parcours plus facile à comprendre. Certains outils peuvent aussi rapprocher les termes d'un CV de ceux de l'offre. Et lorsqu'un modèle de langage évalue lui-même les candidatures, il peut favoriser des textes qui ressemblent à ceux qu'il produit.

Ces trois situations ne sont pas équivalentes. Pour les recruteurs comme pour les candidats, la question devient : qu'est-ce que le système est réellement en train d'évaluer ?

Que montre l'étude sur les CV réécrits par une IA ?

C'est la question posée par Jiannan Xu, Gujie Li et Jane Yi Jiang dans une étude consacrée à l'utilisation des modèles de langage dans la présélection de candidatures (version révisée en juin 2026). Les chercheurs ont repris 2 245 CV. Pour chacun, ils ont remplacé le texte de présentation (que l'étude appelle executive summary) par une version générée par une IA. Les autres rubriques restent identiques : elles servent à produire une version fidèle du même parcours. Ils ont ensuite demandé à des modèles de comparer les candidatures.

Pour plusieurs des grands modèles testés, le résultat est net. Pour un même parcours, ces derniers retiennent plus souvent leur propre texte de présentation que celui d'un humain. Dans une simulation de présélection sur 24 catégories de métiers (quatre places pour dix dossiers), les candidats dont le texte de présentation avait été généré par le modèle évaluateur avaient entre 23 % et 60 % de chances supplémentaires d'être retenus, selon le métier. L'écart est plus marqué dans des métiers comme la vente et la comptabilité.

D'autres travaux vont dans le même sens. Des travaux présentés à NeurIPS en 2024 montrent que certains modèles peuvent, dans certaines expériences, distinguer leurs propres textes de ceux d'autres modèles ou d'humains, et que cette capacité est liée à la préférence mesurée.

Cela ne veut pas dire que tous les outils de recrutement fonctionnent ainsi. L'étude est une prépublication : une version antérieure a été acceptée à deux conférences en 2025 (EAAMO et AIES), en format non archivé. C'est une simulation, pas une mesure d'embauches réelles. L'évaluation ne porte que sur ces textes de présentation, avec une consigne générale et sans poste précis. Les modèles testés (notamment GPT-4o, Llama 3.3 et DeepSeek-V3) datent de 2024. Les auteurs avancent que le phénomène pourrait tenir à la situation étudiée (une IA qui rédige, une IA qui évalue) plutôt qu'à un modèle précis. Leur étude ne permet toutefois pas de vérifier si l'effet se retrouve avec les modèles disponibles aujourd'hui. Elle ne dit rien non plus des logiciels RH actuellement commercialisés.

Pourquoi un CV réécrit par une IA peut-il être mieux classé ?

Lorsqu'un CV réécrit par une IA obtient un meilleur résultat, au moins trois explications sont possibles.

Le texte est meilleur. Une étude de terrain menée auprès de près d'un demi-million de candidats a observé une hausse de 8 % de la probabilité d'embauche avec une aide algorithmique à l'écriture, sans baisse de satisfaction des employeurs. Une formulation plus claire peut aider un recruteur à mieux comprendre une expérience.

Le texte correspond mieux aux critères recherchés. Les auteurs de l'étude opposent les systèmes traditionnels, qui reposent notamment sur la correspondance de mots-clés, aux modèles de langage, qui peuvent prendre en compte davantage d'éléments du texte. Selon leur conception, certains outils peuvent donc rapprocher les compétences et les termes d'un CV de ceux de l'offre. Une IA générative peut rendre une compétence plus explicite, utiliser le vocabulaire courant d'un métier ou reprendre des termes de l'offre.

Le modèle qui évalue favorise ses propres textes. C'est l'auto-préférence étudiée par Xu, Li et Jiang.

Le résultat visible est le même : le CV réécrit remonte dans le classement. Les causes diffèrent, et les réponses aussi. Pour auditer un outil de recrutement, cette différence compte.

La question n'est donc pas seulement de savoir si une IA « aime » ses propres textes. Elle est aussi de savoir ce que mesure encore le système lorsque la manière de présenter un parcours a elle-même été optimisée pour être mieux comprise par une machine.

Quand un classement devient-il un filtre ?

Le rôle d'un outil peut ainsi évoluer sans que personne ne le décide. Au départ, il aide à organiser les candidatures. Puis il influence l'ordre de lecture. Ensuite, seuls les premiers résultats sont consultés. Le classement devient un filtre.

Le problème n'est donc pas seulement l'automatisation. Il concerne aussi la place que l'on donne au résultat produit par le système.

La formulation peut-elle devenir une compétence cachée ?

Dans un recrutement, une formulation claire a évidemment son importance. Un recruteur doit pouvoir comprendre rapidement ce qu'une personne sait faire. Mais valoriser la capacité à expliquer son expérience n'est pas la même chose que donner, sans le vouloir, un avantage à certaines formulations parce qu'elles correspondent mieux au fonctionnement d'un système.

Prenons deux personnes capables d'occuper le même poste. L'une connaît les expressions utilisées par les recruteurs, maîtrise les outils d'IA et sait optimiser son CV. L'autre décrit exactement les mêmes compétences avec ses propres mots.

Si le système classe systématiquement la première plus haut, il faut pouvoir expliquer pourquoi. Plusieurs raisons sont possibles :

• son expérience correspond davantage au poste ;
• son CV est plus lisible ;
• il contient davantage de mots-clés ;
• son style ressemble davantage aux textes produits par le modèle chargé de l'évaluation ;
• le système utilise un autre critère que personne n'a réellement examiné.

Ce sont cinq questions différentes.

La supervision humaine suffit-elle ?

Ajouter un humain à la fin du processus ne suffit pas toujours. Si le recruteur ne voit que les CV déjà sélectionnés ou classés par le système, il lui manque une partie de l'information nécessaire pour exercer réellement son jugement. Superviser suppose aussi de pouvoir comprendre ce que fait l'outil.

• Pourquoi ce profil est-il premier ?
• Pourquoi celui-ci est-il vingtième ?
• Quels éléments ont pesé dans le classement ?
• Une modification de formulation change-t-elle fortement le résultat ?
• Un candidat qui présente la même expérience avec un vocabulaire différent obtient-il à peu près la même place ?

Ces questions sont simples à poser. Elles donnent beaucoup plus d'informations qu'un vague « notre IA est supervisée par des humains ».

Comment vérifier ce que mesure un outil de classement ?

Une organisation qui utilise un outil de classement peut réaliser un test élémentaire.

1. Prendre un même parcours professionnel.
2. Créer plusieurs textes de présentation qui disent réellement la même chose.
3. Changer les mots, la structure et le style.
4. Observer le classement.

Le résultat n'a pas besoin d'être parfaitement identique. Mais si une simple reformulation fait passer systématiquement un candidat du bas vers le haut de la liste, cela mérite une explication.

Ce test ne constitue ni un audit juridique ni une preuve de biais. Il permet de poser une bonne question : le système évalue-t-il principalement le parcours, ou la manière dont ce parcours lui est présenté ?

Que dit le cadre européen ?

Le règlement européen sur l'IA accorde une attention particulière aux systèmes utilisés pour le recrutement et la sélection des personnes.

En France, la CNIL rappelle dans son guide du recrutement (janvier 2023) que la collecte de données sur les candidats ne peut poursuivre que deux finalités : apprécier leur capacité à occuper l'emploi proposé, et mesurer leurs aptitudes professionnelles. Elle précise aussi qu'un dispositif de classement engendrant des pratiques discriminatoires (liées à l'âge, au sexe, à l'origine, au handicap ou au lieu de résidence) n'est pas licite, et que le recours à des technologies innovantes pour évaluer les candidatures appelle une analyse approfondie des risques pour leurs droits.

Cela ne dit pas qu'une préférence de formulation serait illicite. Cela rappelle que le critère d'un classement doit se rattacher à ces finalités. Le RGPD encadre par ailleurs les décisions fondées exclusivement sur un traitement automatisé qui produisent des effets juridiques ou des effets significatifs (article 22, présenté par la CNIL). Savoir si un classement de présélection entre dans ce cadre dépend des circonstances.

La question n'est donc pas seulement : « L'outil fonctionne-t-il ? » Il faut aussi demander : « Sur quoi se fonde-t-il pour considérer qu'un candidat correspond mieux qu'un autre ? »

Comment faire le point en 15 minutes ?

Il ne s'agit pas de rejeter les outils de mise en correspondance ni l'IA dans le recrutement. Ils peuvent aider à traiter un volume important de candidatures et à repérer certains profils. Mais leur efficacité ne dispense pas de comprendre ce qu'ils mesurent.

Conclusion

L'étude part d'une situation désormais possible : une IA peut intervenir dans la rédaction d'un CV, et une autre dans son évaluation. Une IA peut aider un candidat à formuler son expérience d'une manière qu'un système de recrutement identifiera plus facilement. Si un modèle de langage intervient aussi dans l'évaluation, une autre question apparaît : favorise-t-il certaines caractéristiques de ses propres textes ?

Cela ne signifie pas nécessairement qu'il y a manipulation ou biais. Parfois, le candidat a simplement mieux expliqué ce qu'il sait faire. Parfois, son vocabulaire correspond davantage à celui de l'offre. Et parfois, comme le suggère l'étude dans un contexte expérimental précis, le modèle évaluateur présente une préférence pour ses propres formulations. Pour le tri des CV, il s'agit de ne pas confondre ces phénomènes.

Si un système influence l'accès à un entretien, il faut pouvoir répondre à une question simple : qu'est-ce qui a fait remonter ce CV ? L'expérience du candidat ? Ses compétences ? Les mots employés ? La manière dont une IA les a reformulés ? Ou les préférences du système qui les a évalués ?

Un bon outil de recrutement devrait aider à mieux voir les compétences. Il ne devrait pas transformer, à l'insu de tous, la maîtrise du langage des machines en compétence professionnelle supplémentaire.

Note de transparence : cet article a été co-rédigé avec l'assistance d'une IA générative, Claude et ChatGPT. L'illustration qui l'accompagne a également été générée avec l'IA. L'auteure a défini l'angle, sélectionné et relu les sources, remis en cause l'analyse et validé la version finale. Les suggestions produites par l'IA n'ont pas été traitées comme des preuves. Les affirmations juridiques renvoient aux textes officiels listés ci-dessus, et les résultats de recherche sont distingués de leur interprétation. L'étude sur les CV est une prépublication. Les scénarios et les exemples de reformulation sont illustratifs : ils décrivent des mécanismes possibles, pas le fonctionnement d'un outil ou d'un fournisseur particulier. Le test de reformulation et la vérification en sept points sont des démarches de vigilance proposées par Prompt & Pulse, pas des obligations légales ni des audits. Lorsque l'application d'une règle dépend de faits qu'un article ne peut connaître, l'article le dit plutôt que de deviner. La réglementation européenne évolue vite, y compris sur des dates déjà décalées : chaque date doit être revérifiée avant publication. Cet article ne constitue pas un avis juridique. L'auteure est spécialisée en éthique de l'IA, détection des biais et déploiement responsable pour les PME.