Le parsing de CV lit un fichier de CV et le transforme en champs structurés (nom, coordonnées, postes avec dates, formation, langues, compétences) qu'un système de suivi des candidatures peut rechercher et filtrer ; il ne juge pas si une personne convient à un poste. Il fonctionne bien sur des documents propres, à base de texte et sur une seule colonne, et échoue silencieusement sur les tableaux, les colonnes, les scans et les formats inhabituels : une erreur de parsing peut donc masquer un bon candidat sans que personne ne s'en aperçoive. La présélection de CV est l'étape suivante : elle note les données extraites par rapport à un profil d'exigences. État : novembre 2026.
Comment fonctionne le parsing de CV, étape par étape ?
- Lire le fichier. Le texte est extrait du PDF ou du document Word. Pour les scans et les images, la reconnaissance optique de caractères (OCR) doit d'abord deviner les lettres.
- Reconnaître la mise en page. Le parseur repère les rubriques (expérience, formation, compétences), souvent en comparant les titres à des termes attendus.
- Extraire les champs. Noms, coordonnées, intitulés de poste avec dates de début et de fin, diplômes, langues et compétences sont isolés.
- Normaliser. Intitulés de poste, compétences et formats de date sont ramenés à un schéma commun pour pouvoir être comparés.
- Transmettre. Le résultat est transmis sous forme de données structurées (souvent du JSON) au système de suivi des candidatures ou à l'outil suivant.
Les parseurs diffèrent par leur méthode. Les parseurs à base de règles ou de modèles sont prévisibles mais fragiles face aux nouvelles mises en page ; les parseurs d'apprentissage automatique reconnaissent des entités quelle que soit la mise en page, mais peuvent mal classer ; les parseurs plus récents à base de modèles de langage lisent mieux le contexte, mais nécessitent des contrôles contre les détails inventés ou fusionnés. Les chiffres de précision publiés varient fortement et viennent surtout des éditeurs : demandez donc à tout fournisseur la précision et le rappel par type de champ, pas un seul chiffre vitrine.
Où le parsing de CV échoue-t-il ?
| Situation | Ce qui se passe typiquement | Que faire |
|---|---|---|
| Colonnes, barres latérales, tableaux | L'ordre de lecture est brouillé ; compétences ou dates atterrissent dans le mauvais champ | Testez vos mises en page les plus courantes |
| Scans et photos | L'OCR lit mal les lettres, donc titres et noms sont faux | Demandez aux candidats un fichier à base de texte, ou vérifiez le résultat de l'OCR |
| Titres de rubrique inhabituels | Les rubriques ne sont pas reconnues, donc tout un bloc d'expérience est perdu | Observez comment un parseur traite les modèles créatifs |
| Formats de date et temps partiel | Les interruptions, chevauchements et années d'expérience sont mal calculés | Vérifiez les dates sur un échantillon |
| Noms, langues, formats non occidentaux | Les noms sont mal découpés ; les niveaux de langue sont ignorés | Incluez des CV internationaux dans le test |
| Texte dans des images ou en en-tête et pied de page | L'information est invisible pour le parseur | Comparez le résultat du parsing avec l'original |
Le danger, c'est que ces échecs sont silencieux. La candidature semble complète, mais un champ est vide ou faux dans la vue du recruteur, et la personne est moins bien classée.
Comment tester un parseur ? Un plan avec 30 CV
- Prenez 30 vrais CV d'un poste pourvu, y compris des mises en page en colonnes, des scans et des noms non allemands ou non anglais.
- Comparez le résultat du parsing avec l'original, champ par champ, et marquez chaque champ comme correct, faux ou manquant.
- Relevez le taux d'erreur par type de champ (dates, intitulés, compétences, formation), pas seulement globalement.
- Vérifiez ce qui arrive à une personne dont un champ est faux : un recruteur peut-il encore ouvrir l'original et le corriger ?
- Recommencez après chaque mise à jour du parseur.
Exemple chiffré (hypothèses, pas des faits) : Avec 400 candidatures par mois et 5 % supposés de CV comportant au moins un champ clé erroné, 20 candidatures par mois entrent dans le processus avec des données fausses. Si une sur quatre aurait été invitée à un entretien, cinq personnes par mois sont concernées sans que personne ne voie d'erreur. Remplacez les chiffres par ceux de votre propre échantillon.
Le parsing de CV, est-ce la même chose que la présélection de CV ?
| Critère | Parsing de CV | Présélection de CV |
|---|---|---|
| Répond à la question | Que dit le CV ? | Cette personne convient-elle au poste ? |
| Résultat | Champs structurés | Rang, score ou évaluation par exigence |
| Nécessite un profil d'exigences | Non | Oui |
| Usage typique | Import dans l'ATS, recherche | Constitution de short lists à fort volume |
| Remplace la décision humaine | Non | Non, il la prépare |
Tout système de présélection nécessite d'abord une étape de parsing. Beaucoup d'outils font les deux en une seule passe : demandez donc quel est le résultat. S'il ne renvoie que des champs, c'est du parsing ; s'il renvoie une évaluation par rapport à un profil d'exigences enregistré, c'est de la présélection. Plus d'informations dans Logiciel de présélection de CV : comment choisir et Présélection de CV par IA : ce qu'elle peut et ne peut pas faire. Remarque : cet article s'adresse aux employeurs ; les recherches comme "resume with parsing" viennent souvent de candidats qui construisent un CV.
Que dit la loi sur les données extraites ?
Il s'agit d'informations générales, pas de conseils juridiques. Les données de CV extraites sont des données personnelles : les articles 13 et 14 du RGPD imposent d'informer les candidats, et la conservation suit les règles applicables aux documents de candidature, pour les données extraites comme pour l'original. Lorsque les données extraites alimentent une évaluation automatisée, l'art. 22 du RGPD s'applique ; l'IA de recrutement est à haut risque au titre de l'annexe III de l'AI Act européen, avec des obligations à partir du 2 décembre 2027 (règlement (UE) 2026/1744). Voir aussi L'AI Act européen dans le recrutement.
Les erreurs de parsing sont la raison pour laquelle Sprad Atlas rattache chaque évaluation à la phrase exacte du CV d'origine ou de l'entretien et vérifie la citation par rapport à l'original : si elle est introuvable, le point devient incertain, et un point incertain ne joue jamais contre une personne. Une erreur de parsing devient ainsi visible au lieu de rester silencieuse. Limites : cela ne rend pas le parsing parfait, et chaque évaluation consomme des crédits ou un volume forfaitaire. Sprad est l'éditeur de cette page. Pour une vue d'ensemble plus large, voir le hub thématique afflux de candidatures et présélection de CV.
FAQ
Ai-je besoin à la fois du parsing et de la présélection ?
Une vraie short list nécessite les deux : le parsing comme base, la présélection pour la notation.
Le parsing de CV peut-il être discriminatoire ?
Le parsing ne porte aucun jugement, mais des erreurs sur des formats ou des noms inhabituels peuvent empêcher des informations pertinentes d'atteindre l'évaluation ultérieure.
Un outil de présélection de CV est-il un système à haut risque au titre de l'AI Act européen ?
Les systèmes qui filtrent les candidatures ou évaluent les candidats relèvent de l'annexe III.
Quelle est la fiabilité du parsing automatique ?
Elle dépend du format et de la mise en page : les documents texte propres sont les mieux analysés, les CV graphiques avec tableaux, colonnes ou images les moins bien. Testez avec vos propres CV.
Un refus peut-il reposer uniquement sur le résultat ?
Seulement dans des exceptions étroites au titre de l'art. 22 du RGPD ; voir l'IA peut-elle rejeter des candidats automatiquement ?.
Que deviennent les données extraites après un refus ?
Elles suivent les règles générales de conservation des documents de candidature, comme le fichier d'origine.







