Comment les ATS ignorent de bons candidats (et que faire à ce sujet)

Les plateformes ATS traditionnelles filtrent les candidats en faisant correspondre les mots-clés du CV aux descriptions de poste. La logique est simple : plus un CV correspond à des mots-clés, plus le candidat est jugé pertinent.

Le résultat est prévisible. Les candidats ont appris à bourrer leurs CV de mots-clés issus des descriptions de poste, qu'ils reflètent ou non leurs compétences ou leur expérience réelles. Cette pratique est si répandue que LinkedIn News l'a présentée comme une stratégie courante de recherche d'emploi.

Pour les recruteurs, le résultat est une liste de candidats diluée. Les candidats qui progressent ne sont pas nécessairement les mieux adaptés ; ce sont ceux qui maîtrisent le fonctionnement des ATS. Un autre point de données, lié, illustre l'ampleur du problème : selon des recherches sectorielles, jusqu'à 75 % des CV n'atteignent jamais un recruteur humain. Pour des postes à fort volume et faible complexité, cela peut être un compromis acceptable. Pour les organisations en concurrence pour les meilleurs talents, c'est un problème important et en grande partie invisible.

Un CV est une version condensée d'un parcours professionnel. Les plateformes ATS traditionnelles le lisent comme une liste de données. Ce fossé a plus d'importance que la plupart des équipes de recrutement ne le réalisent.

Les candidats ayant des parcours professionnels non linéaires, des interruptions d'emploi ou une expérience intersectorielle tombent régulièrement à travers les filtres ATS, non pas parce qu'ils manquent de compétences, mais parce que leur parcours ne correspond pas clairement à un ensemble de mots-clés. Comme l'a noté le commentateur en recrutement Andrew Jenkins, les ATS traditionnels fonctionnent comme un instrument grossier, traitant chaque candidat de la même manière, sans tenir compte des nuances de leur expérience.

Ce manque de contexte génère également une mauvaise expérience candidat. Les postulants qui ne reçoivent aucune confirmation, aucun retour et aucun contact humain se sentent réduits à un simple point de données. Cette perception se propage. Avec le temps, elle érode la marque employeur de manière difficile et coûteuse à inverser.

L'ampleur de ce problème est bien documentée. Une étude de la Harvard Business School de 2021, régulièrement citée dans des recherches mises à jour jusqu'en 2025, a révélé que 88 % des employeurs estiment avoir perdu des candidats hautement qualifiés parce que ceux-ci ont été écartés par un ATS. Pour les postes de niveau intermédiaire, ce chiffre monte à 94 %.

La mise en forme est un facteur contributif souvent méconnu. Les plateformes ATS traditionnelles ont du mal à analyser les CV qui contiennent des éléments graphiques, des tableaux ou des polices non standard. Un candidat dont le CV est visuellement mis en forme ou présente une mise en page non conventionnelle peut être écarté avant même qu'un recruteur humain ne voie son nom. Le système élimine le candidat, non pas parce qu'il est incompétent, mais parce que le document n'a pas été optimisé pour l'ingestion par machine.

Le résultat est un déficit de talents que les organisations se créent elles-mêmes.

Les plateformes ATS n'ont d'objectivité que celle des données utilisées pour les entraîner. Lorsque les données historiques de recrutement reflètent des biais existants, ces biais sont codés dans la logique de sélection. Les candidats ayant certains parcours éducatifs, trajectoires professionnelles ou caractéristiques démographiques peuvent être systématiquement avantagés ou désavantagés sans intention délibérée.

Les conséquences peuvent être significatives. L'affaire Mobley v. Workday, qu'un juge fédéral a autorisé à poursuivre en juillet 2024, est devenue la première action collective majeure contre la discrimination à l'embauche alimentée par l'IA aux États-Unis. Elle illustre un risque plus large que de nombreuses organisations n'ont pas entièrement examiné dans la configuration de leurs propres ATS. Une étude de l'University of Washington de novembre 2025, présentée à la AAAI/ACM Conference on AI, Ethics, and Society, a révélé que lorsque les systèmes d'IA manifestaient un biais racial dans leurs recommandations d'embauche, les évaluateurs humains avaient tendance à reproduire ces biais, sélectionnant des candidats conformément aux préférences de l'IA. Sans intervention de l'IA, ces mêmes évaluateurs faisaient des choix non biaisés. Le problème, en d'autres termes, ne reste pas à l'intérieur de l'algorithme.