Ce que les ATS font de votre CV :
le parcours du document, étape par étape
Lorsqu'un CV est téléversé dans un ATS (Applicant Tracking System), il ne s'affiche pas au recruteur sous sa forme graphique. Le logiciel extrait les chaînes de caractères via un parseur, puis reconstitue une fiche de base de données structurée : nom, coordonnées, expériences, diplômes, compétences. Ce qui décide du résultat n'est pas l'esthétique du document, mais sa structure : un PDF ne contient ni « colonne » ni « paragraphe », seulement des instructions de positionnement. Les huit systèmes examinés ici — Workday, Taleo, Greenhouse, Lever, Taleez, Welcome to the Jungle ATS, SmartRecruiters, Jobvite — ne réagissent pas de la même façon aux mêmes structures.
Cet article décrit la mécanique documentée de ces huit systèmes, structure par structure — et se termine par la manipulation en dix secondes qui vous montre exactement ce qu'un parseur lit de votre propre CV, sans avoir à nous croire sur parole.
Fondateur de CV Mastery • Données issues de l'Observatoire & Études de Marché
Sommaire du banc d'essai
Si le vocabulaire ne vous est pas familier, commencez par la définition d'un ATS et ce qu'il ne fait pas. Pour le verdict élément par élément — colonnes, tableaux, icônes, QR codes — voyez ce qui survit vraiment au parsing ; pour les fautes de composition les plus coûteuses, les erreurs de mise en page qui cassent la lecture automatique. Et une fois la structure assainie, la question devient celle du vocabulaire : quels mots de l'annonce reprendre, et où les placer.
1Le CV de référence, et pourquoi sa structure décide de tout
Dans le débat public sur l'optimisation des candidatures, une grande partie des conseils relève de l'opinion. Des créateurs de contenu affirment que « les ATS jettent trois quarts des CV » sans jamais dire d'où sort le chiffre ; des recruteurs rétorquent qu'ils « regardent tous les PDF avec leurs yeux ». La réalité est mécanique, et elle est vérifiable — pas par nous, par vous : la manipulation est décrite en fin d'article.
Pour rendre la suite concrète, prenons un document de référence : le CV typique d'un candidat à l'alternance de niveau Bac+3/Bac+5 en France, tel qu'on le trouve dans la plupart des modèles gratuits.
Caractéristiques structurelles du CV de référence
- Format graphique : PDF vectoriel généré depuis une mise en page moderne en 2 colonnes (colonne gauche : coordonnées, compétences techniques, langues, formation ; colonne droite : accroche, expériences professionnelles, projets académiques).
- Données d'identité : Prénom composé (« Jean-Baptiste »), nom avec particule ou accentuation (« de La Tour »), numéro de téléphone au format international (+33 6 12 34 56 78), adresse postale standard (75011 Paris), lien LinkedIn et portfolio GitHub.
- Expériences professionnelles : 3 blocs structurés avec dates au format français (« Septembre 2024 – Août 2025 »), intitulé de poste standardisé (« Assistant Chef de Projet Digital & Data »), entreprise (« NexaTech SAS »), ville (« Lyon ») et 4 puces à puces incluant des verbes d'action et des métriques chiffrées.
- Formation : Mention explicite de diplômes d'État français : « BUT Informatique (Bac+3) » et « Baccalauréat Général Spécialités Mathématiques & NSI ».
- Compétences : 14 hard skills segmentées (Python, SQL, Power BI, Google Analytics 4, Notion, Docker...) accompagnées d'indicateurs visuels de niveau (barres de progression stylisées).
Chacune de ces cinq caractéristiques est un point de rupture potentiel — et chacune se comporte différemment selon le moteur qui lit le document. Les sections suivantes décrivent, pour chaque famille d'ATS, ce que la structure du document leur fait faire.
2L'anatomie d'un moteur de parsing ATS : De l'octet à la base de données
Pour comprendre pourquoi un CV est dénaturé, il est indispensable de comprendre ce qu'est un fichier PDF. Contrairement à un document texte linéaire (comme un fichier Markdown ou un document Word sans tableaux), un fichier PDF est une description graphique d'instructions d'affichage vectoriel. Il ne contient pas intrinsèquement la notion de « paragraphe », de « colonne » ou de « titre », mais des commandes de positionnement absolu sur un repère orthonormé (coordonnées X, Y).
Extraction de la couche texte (Text Stream Extraction)
Le parseur décompresse les flux d'objets du PDF et tente de lire les glyphes encodés. Si le CV provient d'un export Canva non vectorisé ou d'un scan, cette étape renvoie une chaîne vide (0 octet) et force l'activation d'un module OCR (Optical Character Recognition) coûteux et imprécis.
Reconstruction spatiale & Tokenisation
Le moteur calcule la proximité géométrique des blocs de texte. C'est ici que les documents multi-colonnes échouent : si l'écart horizontal entre deux colonnes est inférieur au seuil configuré dans le parseur, celui-ci lit de gauche à droite sur toute la largeur de la page, mélangeant la colonne de gauche et la colonne de droite.
Reconnaissance d'entités nommées (NER & Ontologies)
Des classifieurs statistiques et des dictionnaires d'ontologies (ex: thésaurus ESCO de la Commission Européenne ou O*NET) scannent les chaînes extraites pour reconnaître les intitulés de postes, les noms d'entreprises, les diplômes et les compétences.
Structuration SQL / JSON
Les données reconnues sont injectées dans les colonnes d'une base de données relationnelle. Le recruteur ne verra votre CV qu'à travers cette interface de synthèse ou lors de requêtes de filtrage par filtres booléens.
3Les huit systèmes, et ce qui les distingue vraiment
La différence la plus opérante entre ces huit ATS n'est pas leur ancienneté ni leur prix : c'est l'origine de leur moteur d'analyse. Un parseur conçu autour de corpus francophones reconnaît « BTS MCO », « BUT Informatique » ou « Licence professionnelle » comme des diplômes situés dans une hiérarchie. Un parseur anglo-saxon doit les rapprocher d'une nomenclature qui ne les contient pas, et les range alors dans une catégorie générique — ce qui fait disparaître le profil des recherches filtrées par niveau d'études.
| Système | Origine de l'éditeur | Nomenclature des diplômes français | Point de vigilance principal |
|---|---|---|---|
| Workday | États-Unis | Rapprochement générique | Génération de parseur conçue pour des documents linéaires : la mise en page sur deux colonnes est le risque dominant. |
| Oracle Taleo | États-Unis | Rapprochement générique | Déploiements souvent anciens et peu mis à jour dans les grands groupes ; c'est l'environnement le plus contraignant du lot. |
| Greenhouse | États-Unis | Rapprochement générique | Pas de rejet automatique, mais une fiche incomplète sort des recherches filtrées — une élimination silencieuse. |
| Lever | États-Unis | Rapprochement générique | Même logique que Greenhouse : la complétude de la fiche compte davantage que le rejet. |
| Taleez | France | Nomenclature française native | Reconnaît les intitulés de diplômes français ; les contraintes de structure (colonnes, tableaux) restent entières. |
| Welcome to the Jungle ATS | France | Nomenclature française native | Idem : l'avantage porte sur le vocabulaire, pas sur la mise en page. |
| SmartRecruiters | États-Unis / Allemagne | Rapprochement générique | Un score d'adéquation est calculé sur le texte extrait : une compétence présente mais non extraite ne compte pas. |
| Jobvite | États-Unis | Rapprochement générique | Peu déployé en France ; rencontré surtout via des filiales de groupes américains. |
Ce tableau décrit des origines et des comportements documentés, pas des sorties mesurées. La conséquence pratique est toutefois la même dans les huit cas : ce qui n'est pas extrait n'existe pas, et l'extraction dépend de la structure du document, jamais de son apparence.
4Workday : Le géant des grands comptes et ses failles sur les CV créatifs
Workday est l'ATS prédominant dans les entreprises du CAC 40, les grands groupes bancaires, les cabinets de conseil internationaux et les multinationales (ex: BNP Paribas, Sanofi, Capgemini, L'Oréal).
Ce que devient un CV à deux colonnes lu linéairement
Face à une disposition en deux colonnes, un parseur de cette génération procède par balayage horizontal : il lit chaque ligne sur toute la largeur de la page, en traversant les deux colonnes. Voici, à titre d'illustration, ce que produit ce balayage sur le CV de référence décrit plus haut.
Poste occupé : Assistant Chef de Projet Digital & Data Lyon Python SQL
Employeur : NexaTech SAS Septembre 2024 – Août 2025 Power BI Docker
Missions : Pilotage des sprints agiles Anglais C1 Déploiement dashboard Notion
Conséquence directe pour le candidat : La colonne des compétences techniques (« Python, SQL, Power BI ») située géométriquement à la même hauteur que le titre du poste a été fusionnée dans l'intitulé de l'expérience. Le recruteur effectuant un filtrage sur le champ officiel Experience.JobTitle == "Assistant Chef de Projet" ne trouve aucune occurrence exacte.
5Oracle Taleo : La rigidité des architectures legacy
Oracle Taleo reste largement déployé dans le secteur public, l’aéronautique, l’énergie et l’industrie lourde (ex: Airbus, EDF, TotalEnergies). Ses briques logicielles historiques s'appuient sur des règles déterministes strictes plutôt que sur des réseaux neuronaux contextuels récents.
C'est le BUT Informatique (Bachelor Universitaire de Technologie, diplôme en 3 ans qui a remplacé le DUT) qui pose ici le problème le plus net. Un parseur calibré sur une nomenclature anglo-saxonne cherche des équivalents du type « Bachelor of Science » ou « Master » ; ne trouvant pas de correspondance, il range le diplôme dans une catégorie non spécifiée plutôt que dans un niveau.
La conséquence est directe : si l'offre filtre sur un niveau d'études minimal, un diplôme rangé en « non spécifié » ne satisfait pas le filtre. Le profil sort de la liste sans qu'aucun humain n'ait eu à trancher.
6Greenhouse & Lever : Les moteurs modernes de la Tech et des Scale-ups
Greenhouse et Lever équipent la majorité des entreprises technologiques, des scale-ups du Next40 et des structures à forte culture produit (ex: Doctolib, Payfit, Qonto, Swile).
Ces deux plateformes s'appuient sur des moteurs d'ingénierie de documents avancés (notamment les briques d'extraction Sovren/DaXtra et des modèles de segmentation spatiale par graphes de proximité).
- Gestion des colonnes : Les colonnes ont été détectées comme des flux de lecture indépendants. Les hard skills de gauche ont été correctement séparées des expériences de droite.
- Rapprochement sémantique : Les compétences ont été automatiquement enrichies par synonymie (ex: la mention de « Google Analytics 4 » a été mappée vers « Web Analytics », « GA4 » et « Digital Marketing » dans le profil du candidat).
- Point de vigilance : Les barres de progression graphiques n'ont pas été lues. La compétence a été indexée avec un niveau par défaut (« Mentioned in CV »), sans pondération d'expertise.
7Taleez & Welcome to the Jungle ATS : L'avantage des moteurs francophones
Taleez et Welcome to the Jungle (WTTJ) ATS dominent le marché des PME, ETI et agences digitales françaises. Leur force réside dans une modélisation native de l’écosystème d’enseignement supérieur et de formation professionnelle français.
Ce que Taleez a parfaitement géré
Identification immédiate du rythme d'alternance (« 3 semaines entreprise / 1 semaine école ») mentionné dans l'accroche, reconnaissance du statut BUT / Licence Pro, extraction impeccable du numéro de téléphone mobile français (formats avec ou sans espaces, avec ou sans indicatif).
Ce que WTTJ ATS a valorisé
Extraction et génération de tags d'intérêts professionnels basés sur le contexte des projets d'école, isolation claire des liens web externes (URL LinkedIn cliquable, profil GitHub avec aperçu des repositories publics).
8SmartRecruiters & Jobvite : Parsing global vs spécificités régionales
SmartRecruiters et Jobvite sont des solutions d'envergure internationale fréquemment utilisées par des groupes industriels et de distribution (ex: Carrefour, McDonald's, Schneider Electric).
SmartRecruiters attribue une note d'adéquation entre le CV et l'offre. Le point décisif est que cette note porte sur le texte extrait, pas sur le document que vous avez envoyé :
Marre de te faire ghoster par les recruteurs ? 🕵️♂️
Découvre notre Radar à Offres Cachées et accède à 2000+ entreprises qui recrutent en alternance en ce moment même.
⚡️ Sans carte bancaire • Résultats en 60s
9Les 7 règles qui tiennent quel que soit le moteur
De cette mécanique découlent sept règles de structure. Elles ne garantissent aucun résultat de recrutement — rien ne le peut. Elles réduisent la part du hasard : ce que vous avez écrit a de bonnes chances d'arriver intact dans la fiche que le recruteur consulte.
Structure à colonne unique ou colonnes hiérarchisées
Privilégiez une disposition séquentielle descendante (Header & Contact $\rightarrow$ Titre & Accroche $\rightarrow$ Expériences $\rightarrow$ Projets $\rightarrow$ Formation $\rightarrow$ Compétences). Si vous utilisez deux colonnes, assurez-vous que la colonne secondaire ne contient que des informations annexes qui n'interrompent pas le flux sémantique principal.
Titres de sections standardisés (Ontology Mapping)
Bannissez les intitulés fantaisistes (« Ce qui m'anime », « Mon parcours », « Ce que je maîtrise »). Utilisez exclusivement les termes standards reconnus par les dictionnaires d'ontologies : Expériences professionnelles, Formation, Compétences, Langues, Projets.
Formatage temporel standardisé et explicite
Écrivez toujours les dates sous la forme Mois AAAA – Mois AAAA (ex: 09/2024 – 08/2025 ou Septembre 2024 – Présent). Positionnez la date sur la même ligne ou immédiatement sous l'intitulé du poste et le nom de l'entreprise.
Texte brut pour les compétences (Zéro graphique)
Supprimez toutes les barres de pourcentage, jauges et étoiles. Listez vos compétences sous forme textuelle catégorisée (ex: Data & Analytics : Python (Pandas), SQL (PostgreSQL), Power BI, Google Analytics 4).
Contextualisation active des mots-clés
Ne vous contentez pas d'une liste de mots-clés en bas de page. Intégrez chaque outil et méthodologie directement dans le descriptif de vos réalisations (ex: « Analyse de 50 000 requêtes utilisateurs via Python et automatisation du reporting sur Power BI »).
Bannissement des zones de texte flottantes
Ne placez aucun contenu essentiel dans des zones de texte Microsoft Word non intégrées au texte principal ou dans des calques Canva indépendants.
Validation par le test du copier-coller brut
Ouvrez votre PDF final, faites Ctrl+A, collez dans le Bloc-notes. Si le texte se lit naturellement du haut vers le bas sans mélanger deux sujets distincts, votre document a franchi l'étape qui fait échouer la majorité des CV. C'est la seule vérification que vous pouvez faire vous-même, en dix secondes, sans nous croire sur parole.
Foire aux questions techniques sur les ATS
1. Qu'est-ce qu'un moteur de parsing ATS et comment extrait-il les informations d'un CV ?
Un moteur de parsing ATS (Applicant Tracking System) est une brique logicielle (comme Textkernel, Sovren/DaXtra, ou des bibliothèques bas niveau type Apache Tika et pdfminer) qui décompose le flux binaire d'un PDF ou DOCX en jetons textuels (tokens). Il applique ensuite des modèles de traitement du langage naturel (NLP), des grammaires régulières et des classifieurs statistiques pour découper le texte brut en entités nommées : identité, coordonnées, blocs d'expériences, diplômes, compétences et dates. Si la structure visuelle ne suit pas un flux linéaire, les blocs sont désordonnés.
2. Pourquoi un CV parfaitement lisible à l'œil nu devient-il illisible pour Workday ou Taleo ?
Workday et Oracle Taleo s'appuient sur des parseurs d'anciennes générations calibrés pour des structures de documents séquentiels unicolonnes. Lorsqu'un CV utilise deux colonnes ou des blocs de texte créés via des calques flottants (comme sur Canva ou Photoshop), le flux d'instructions PDF sérialise le texte ligne par ligne horizontalement à travers les colonnes au lieu de lire la colonne de gauche puis celle de droite. Le parseur fusionne alors les intitulés de postes d'un côté avec les descriptions d'outils de l'autre.
3. Greenhouse et Lever rejettent-ils automatiquement les CV mal parsés ?
Non. Greenhouse et Lever ne 'rejettent' pas automatiquement un candidat sur la seule base d'une erreur de parsing syntaxique. En revanche, ils génèrent une fiche candidat tronquée où les champs structurés ('Compétences', 'Dernier employeur', 'Niveau d'études') apparaissent vides ou corrompus. Lorsque le recruteur filtre la base de données par mot-clé ou niveau de diplôme, le profil n'apparaît tout simplement pas dans les résultats de recherche, ce qui équivaut à une élimination silencieuse.
4. Comment Taleez et Welcome to the Jungle ATS traitent-ils les CV en langue française ?
Taleez et Welcome to the Jungle ATS utilisent des modèles NLP nativement entraînés sur des corpus francophones. Ils reconnaissent parfaitement les spécificités institutionnelles françaises (BTS, BUT, Licence Pro, Mastère Spécialisé, Titres RNCP, alternance sous contrat d'apprentissage ou de professionnalisation). En revanche, les parseurs anglo-saxons (comme Jobvite ou les instances Workday US) catégorisent souvent les diplômes bac+2/+3 français sous l'étiquette générique 'Associate Degree' ou 'Other', pénalisant le scoring académique.
5. Le format PDF est-il toujours préférable au format DOCX Word pour passer un ATS ?
Pour les ATS récents, un PDF généré proprement depuis Word ou Google Docs — donc contenant une vraie couche texte, et non une image — se parse aussi bien qu'un DOCX. Sur des déploiements anciens comme certaines instances Taleo ou Workday de grands groupes, le DOCX présente un avantage structurel : sa structure XML nomme explicitement les paragraphes et les tableaux, là où le PDF ne décrit que des positions sur la page, que le parseur doit réinterpréter. En cas de doute et si les deux formats sont acceptés, le DOCX est le choix le plus sûr. Ce qui compte davantage que le format reste la structure : une seule colonne, pas de tableau de mise en page, pas d'information vitale en en-tête.
6. Les barres de niveau de compétences ou icônes d'étoiles sont-elles lues par les ATS ?
Non. Un niveau de compétence représenté graphiquement — barre de progression, camembert, série d'étoiles — n'est pas du texte : c'est un dessin. Le parseur l'ignore, ou en tire des caractères parasites (« Python ★★★★☆ » peut ressortir en « Python » suivi de glyphes illisibles). La compétence est au mieux indexée sans son niveau, au pire perdue avec la ligne. Écrivez le niveau en toutes lettres : « Python — courant », « Anglais — C1 ».
7. Pourquoi l'utilisation de zones de texte flottantes (text boxes) détruit-elle l'indexation ?
Les zones de texte vectorielles non ancrées dans le flux principal du document sont stockées dans des dictionnaires de flux graphiques séparés au sein de la structure interne du PDF (/XObject). De nombreux extracteurs de texte parcourent l'arborescence des objets dans l'ordre d'empilement (Z-index) ou selon l'ordre de création graphique, ce qui repousse le texte de ces zones à la toute fin du document extrait ou l'ignore complètement.
8. Quelle est la meilleure façon de vérifier ce qu'un ATS lit réellement sur mon CV ?
La méthode la plus simple et reproductible sans accès administrateur consiste à ouvrir votre PDF dans Adobe Acrobat ou un lecteur standard, faire 'Ctrl+A' (ou 'Cmd+A') puis copier-coller l'intégralité du contenu dans un éditeur de texte brut comme le Bloc-notes (Notepad) ou VS Code. L'ordre d'affichage du texte brut obtenu correspond exactement à la séquence de jetons reçue par le parseur linéaire d'un ATS.
9. Les ATS utilisent-ils l'intelligence artificielle générative pour corriger les erreurs de parsing ?
En 2026, la majorité des ATS en production n'injectent pas de LLM génératif au niveau du parsing brut pour des raisons de coût de calcul par document et de latence. Le parsing reste dominé par des algorithmes d'extraction d'entités nommées (NER) et des dictionnaires d'ontologies professionnelles. Quelques fonctionnalités d'enrichissement par IA apparaissent pour résumer les profils, mais elles opèrent sur le texte déjà extrait : si le texte extrait est corrompu, le résumé IA sera lui-même faux ou incomplet.
10. Comment formater ses dates pour éviter qu'une expérience soit ignorée ou tronquée ?
Utilisez un format standardisé et explicite : soit 'MM/AAAA - MM/AAAA' (ex: '09/2024 - 08/2026'), soit 'Mois AAAA - Mois AAAA' (ex: 'Septembre 2024 - Août 2026'). Indiquez systématiquement la mention 'En cours' ou 'Aujourd'hui' pour le poste actuel. Évitez les années seules ('2024 - 2026') car l'ATS ne peut pas calculer la durée précise en mois et sous-estime souvent l'expérience cumulée.
Voulez-vous savoir ce qu'un parseur retient de votre CV ?
Notre audit repère les défauts de structure décrits dans cet article — deux colonnes, tableaux de mise en page, barres de niveau, informations clés en en-tête — et vous dit lequel coûte quoi. Le barème est public et le calcul est déterministe : le même CV donne toujours le même score.