Sourcing de candidats en langage naturel : du filtre large à la shortlist

Pourquoi le sourcing IA en langage naturel fonctionne différemment de la recherche booléenne

Ce que la recherche booléenne exige d'un recruteur

La recherche booléenne repose sur des opérateurs comme AND, OR et NOT. Cela demande une préparation importante, car vous devez imaginer à l'avance les intitulés de poste, les synonymes et les exclusions. Cela prend donc souvent beaucoup de temps, surtout pour des rôles nouveaux ou des cibles rares. Si un seul mot important manque, un bon candidat peut disparaître directement du résultat. C'est pourquoi de nombreuses équipes optent plus souvent pour un sourcing sans booléen lorsqu'elles veulent apprendre plus vite des premiers résultats.

Ce que change la recherche en langage naturel

Dans la recherche en langage naturel, vous décrivez le travail, le contexte et quelques conditions claires simplement en phrases normales. Vous expliquez ce que le candidat doit faire, dans quel type de rôle cette personne a travaillé et où elle doit à peu près habiter. Vous regardez ensuite le résultat et vous ajustez. Cela rend la recherche de candidats en langage naturel beaucoup plus lisible pour les recruteurs et les hiring managers. Sur notre page consacrée au sourcing IA en langage naturel, nous montrons comment nous soutenons cela, tandis que le recruteur garde lui-même le contrôle total sur les critères et le résultat.

Pourquoi une première requête large est utile

Démarrer large est souvent un choix judicieux. Vous voulez en effet d'abord voir comment le système interprète la requête. Les premiers résultats montrent souvent immédiatement si vous vous appuyez trop sur les intitulés de poste, si la région choisie est trop large, ou si l'expérience souhaitée est encore décrite de façon trop générale. C'est pourquoi la recherche de candidats avec l'IA fonctionne souvent mieux si vous ne verrouillez pas tout immédiatement. Vous gardez ainsi la possibilité d'apprendre avant d'affiner votre requête pour les candidats qui constituent le match parfait.

Comment démarrer le sourcing IA en langage naturel à partir d'une requête large

L'exemple de poste

Supposons que vous recherchiez un account manager terrain dans la région de Lyon. Ce rôle exige de l'expérience en B2B, en visite client et en collaboration avec des collègues. Vous cherchez quelqu'un en CDI, habitant à une distance de trajet raisonnable et disposant de suffisamment d'expérience pour démarrer rapidement en autonomie. C'est un excellent point de départ pour traduire un poste en requête de recherche. L'essentiel du travail est en effet déjà clair, sans que vous vous perdiez dans de longues listes de mots-clés isolés.

La première requête textuelle telle quelle

Une première requête en langage naturel peut ressembler à ceci : cherchez des candidats pour un rôle terrain en B2B dans la région de Lyon. Le candidat idéal sait construire des relations clients, planifier des rendez-vous de façon autonome et est habitué à un environnement commercial. Une expérience en account management ou en field sales est pertinente. Le candidat travaille en outre de préférence en CDI et habite à Lyon ou dans les environs.

Pourquoi cette requête reste volontairement large

Cette première version est volontairement restée assez large pour inclure différents intitulés de poste. Une personne peut s'appeler account manager, mais aussi sales consultant, chargé de clientèle ou business developer. Si vous cherchez tout de suite trop précisément, vous manquez des personnes capables de très bien faire le travail mais qui affichent un autre intitulé sur leur profil. Dans ce cas, la première requête donne 12.035 candidats. C'est beaucoup, mais cela fournit une base très utile pour l'étape suivante du sourcing LinkedIn et du sourcing itératif plus large.

Quels candidats non pertinents vous voyez encore à ce stade

Cette première liste contient sans aucun doute encore des personnes qui habitent trop loin, qui travaillent en indépendant ou en freelance, ou qui ont surtout de l'expérience en sales sédentaire. Vous verrez aussi des candidats avec une expérience peu adaptée, ou des employés d'entreprises que vous voulez justement exclure. Ce n'est absolument pas une erreur à ce stade. Ce bruit montre justement sur quoi vous pourrez ajuster de façon ciblée par la suite. Commencez donc par des exclusions strictes. N'ajoutez les préférences que plus tard, car vous risquez sinon de perdre trop vite des candidats de valeur.

Ajuster le sourcing IA en langage naturel : d'abord des filtres stricts, ensuite des préférences

Premier ajustement : pas d'indépendant ni de freelance

Commencez par une exclusion stricte. Comme vous cherchez quelqu'un en CDI, vous indiquez que les indépendants et les freelances ne sont pas éligibles. C'est souvent une première étape sûre ; vous retirez ainsi directement une part importante du bruit sans perdre de candidats solides. Pour les équipes qui travaillent avec des outils de sourcing IA, c'est une première correction logique qui rend immédiatement le résultat beaucoup plus propre.

Deuxième ajustement : 30 minutes de trajet maximum

Ajoutez ensuite une condition pratique, comme un temps de trajet maximal de 30 minutes jusqu'à Lyon. Cela aide à filtrer la liste de candidats selon la faisabilité. Gardez toutefois à l'esprit que le temps de trajet demande toujours une vérification, car la distance ne joue pas de la même façon pour tout le monde. Une personne peut habiter juste au-delà de la limite fixée et rester pourtant parfaitement accessible. C'est un filtre utile, mais pas une raison de faire aveuglément confiance au résultat.

Troisième ajustement : minimum 3 ans d'expérience pertinente

Rendez ensuite l'expérience demandée plus concrète. Ajoutez que le candidat doit avoir au minimum trois ans d'expérience pertinente en B2B ou en account management dans un rôle terrain. Le mot « pertinente » est essentiel ici, car toutes les années d'expérience commerciale ne sont pas également utiles pour ce poste précis. À ce stade, vous constatez souvent que les résultats s'améliorent nettement sur le fond et que filtrer la liste de candidats rapporte bien plus que d'ajouter encore plus d'intitulés de poste.

Quatrième ajustement : exclure l'employeur actuel

Parfois, vous préférez ne pas approcher les candidats d'un employeur précis. Cela peut être lié à des accords avec un client, ou parce qu'une personne de cette entreprise est déjà dans la procédure. Vous ajoutez cela aussi simplement, comme une exclusion stricte. Après ces quatre étapes, la liste passe dans notre cas de 12.035 à 642 candidats. Cela montre pourquoi affiner votre requête de recherche de candidats fonctionne le mieux quand vous respectez un ordre fixe. Vous retirez d'abord les plus grandes sources de bruit. Vous regardez ensuite à nouveau les résultats et déterminez si la liste est exploitable.

• L'étape 1 retire les indépendants et les freelances, car le rôle exige un contrat salarié.
• L'étape 2 limite le temps de trajet, car l'accessibilité influence directement les chances d'intérêt et de placement réussi.
• L'étape 3 rend l'expérience concrète ; une expérience commerciale trop large génère sinon trop de bruit.
• L'étape 4 exclut des employeurs spécifiques, afin de respecter les accords pris et d'éviter les doubles approches.

Ce que le sourcing IA en langage naturel vous apprend en passant de 12.035 à 642 candidats

Pourquoi 642 candidats ne constituent pas encore une shortlist

Bien que 642 candidats représentent une amélioration considérable, on ne parle pas encore ici d'une shortlist. C'est une longlist exploitable. La liste est assez petite pour être bien évaluée, mais assez grande pour comparer des profils. De nombreux recruteurs font l'erreur de continuer à filtrer trop longtemps à ce stade. Cela fait parfois disparaître justement ce candidat au parcours moins évident ou à l'intitulé de poste atypique, alors que cette personne constitue pourtant, sur le fond, un match parfait.

Quand vous devez arrêter d'affiner

Arrêtez d'affiner dès que la liste est assez grande pour comparer des candidats et assez petite pour les vérifier un par un. À ce moment-là, le travail passe en effet de la recherche à l'évaluation. Nous soutenons ce processus en scannant des milliers de candidats et en expliquant, pour chaque profil, pourquoi la personne correspond bien. Comme le recruteur garde lui-même le contrôle des critères et des résultats, la décision finale reste toujours humaine et facile à justifier.

Pourquoi affiner trop longtemps comporte un risque

En affinant trop longtemps, vous rendez rapidement une requête trop restrictive. Les bons candidats ne portent en effet pas toujours exactement le même intitulé de poste, et une expérience pertinente peut aussi venir d'un marché connexe. Un parcours est parfois un peu moins linéaire, mais les connaissances acquises n'en restent pas moins précieuses pour le rôle. Il est donc judicieux de passer directement à l'évaluation humaine une fois les filtres stricts posés. C'est la limite pratique où le sourcing IA en langage naturel apporte le plus.

Comment garder les cas incertains à part

Placez les candidats qui semblent ne pas tout à fait correspondre dans un groupe à part. Notez brièvement pour vous-même ce qui reste flou, comme le temps de trajet, l'expérience terrain exacte ou la connaissance d'un marché précis. Regardez ensuite si vous pouvez rapidement vérifier cette information. Vous gardez ainsi une vue d'ensemble et évitez que des candidats très solides ne disparaissent trop tôt. C'est particulièrement précieux pour construire une shortlist en recrutement, car de nombreux bons matchs ne se révèlent vraiment que lorsque vous laissez de la place à la nuance.

Du sourcing IA en langage naturel à la shortlist et à la première approche

Travaillez avec une grille de score simple

Pour construire une shortlist solide, une grille de score simple fonctionne très bien. Évaluez chaque candidat sur quatre points clairs : exigences strictes, points forts, points de doute et raison de la priorité. Vous rendez ainsi votre choix final plus facile à justifier auprès des hiring managers et des collègues. Vous n'avez vraiment pas besoin de compliquer les choses. Une évaluation courte et fixe par profil suffit généralement largement à voir rapidement la différence entre les matchs solides et les candidats qui demandent encore une vérification supplémentaire.

• Exigences strictes : la base est-elle bonne, comme la région, le type de contrat et l'expérience pertinente ?
• Points forts : le candidat dispose-t-il d'une connaissance de marché supplémentaire, de solides compétences en gestion de relation ou d'une expérience dans un rôle terrain comparable ?
• Points de doute : que devez-vous encore vérifier avant de placer définitivement quelqu'un en tête de votre liste ?
• Raison de la priorité : pourquoi choisissez-vous d'approcher ce candidat en premier ?

Quels candidats approcher en premier

Commencez par les candidats qui obtiennent un bon score sur les exigences strictes et présentent en plus des points forts clairs. Viennent ensuite les profils avec un seul point de doute, résoluble. Les candidats avec plusieurs questions en suspens sont placés un peu plus bas dans la liste. Cette approche est plus efficace, car vous approchez d'abord les matchs les mieux étayés. Sur notre page comment fonctionne Elvatix, de la shortlist au message, nous expliquons en détail comment la recherche, l'évaluation et le contrôle humain s'enchaînent parfaitement.

Comment transmettre la shortlist vers l'approche et le suivi

Le sourcing ne s'arrête évidemment pas au filtrage. Vous voulez savoir précisément qui a déjà été approché, qui répond et quels candidats peuvent passer au tour suivant. C'est pourquoi il est crucial que la recherche et le suivi s'enchaînent logiquement. Nous positionnons donc notre plateforme comme un environnement complet pour trouver, approcher et suivre les talents. Les candidats déjà approchés sont directement reconnus avant qu'une nouvelle prospection ne démarre, les messages restent toujours sous contrôle humain et l'avancement reste clair. Curieux de voir comment d'autres équipes utilisent cela plus largement ? Vous trouverez du contexte supplémentaire dans nos exemples pratiques de l'IA en recrutement.

Un processus reproductible de sourcing IA en langage naturel pour les équipes avec de nombreux postes

Collaborer sans dépendre d'un seul spécialiste

Dans de nombreuses équipes, un seul collègue maîtrise la recherche booléenne et le reste du service s'appuie sur ses connaissances. Cela rend le processus assez fragile. En cherchant avec des phrases naturelles, la collaboration devient beaucoup plus transparente et simple. Les recruteurs, consultants et sourceurs comprennent en effet la requête de départ plus vite et de la même manière. Vous pouvez ainsi évaluer plus facilement ensemble, transmettre le travail plus rapidement et justifier clairement pourquoi un candidat est retenu ou non.

Quand le sourcing itératif aide pour les profils de niche

Le sourcing itératif signifie simplement que vous cherchez étape par étape et continuez à apprendre de chaque résultat intermédiaire. Cela fonctionne particulièrement bien pour des postes avec une grande variété d'intitulés ou de parcours. Vous n'avez donc pas besoin de formuler la première requête parfaitement dès le départ. Cette méthode est particulièrement précieuse pour les profils de niche ou les postes moins courants ; vous découvrez ainsi bien plus vite quels mots, contexte et filtres font vraiment la différence.

Comment les cabinets et les équipes corporate l'utilisent concrètement

Les cabinets, les entreprises de détachement et les équipes de recrutement corporate travaillent peut-être dans des contextes différents, mais la base est souvent exactement la même. Vous démarrez large, filtrez le bruit évident, arrêtez dès que vous avez une liste exploitable et ne construisez une shortlist qu'à ce moment-là. Pour les équipes qui mènent de nombreuses missions en parallèle, nous avons une page dédiée au sourcing IA pour les cabinets de recrutement. Nous y montrons comment cette méthode s'articule parfaitement avec les processus de recrutement quotidiens.

Exercice de sourcing IA en langage naturel : transformez un poste en quatre phrases simples

Phrase 1 : décrivez le travail que la personne doit faire

Commencez par écrire ce qu'un candidat doit réellement savoir faire. Pensez par exemple à : « Cherchez quelqu'un qui construit des relations clients de façon autonome, planifie des rendez-vous et transforme avec succès des opportunités commerciales en résultats. » Partez toujours du travail lui-même. Cela donne beaucoup plus de direction qu'une longue liste de mots-clés isolés et vous aide à cerner précisément le contenu du rôle.

Phrase 2 : ajoutez une exclusion stricte

Ajoutez ensuite une exclusion claire. Par exemple : « Pas d'indépendant, seulement des candidats ouverts à un contrat salarié. » Choisissez ici une exigence qui ne fait vraiment aucun doute. N'ajoutez pas plusieurs exclusions à la fois d'emblée. Vous apprendrez moins du résultat initial et augmenterez en plus le risque d'exclure trop tôt de bonnes personnes.

Phrase 3 : ajoutez une préférence pratique

Il est maintenant temps d'ajouter une préférence pratique, comme « habiter à environ 30 minutes de trajet de Lyon ». Gardez toujours ici une marge pour une vérification manuelle, car ce type de préférence peut parfois être assoupli sans qu'un candidat soit immédiatement inadapté. C'est justement cette étape qui vous aide énormément à passer d'une requête large à une liste plus exploitable.

Phrase 4 : rendez l'expérience pertinente concrète

Terminez le tout par l'expérience qui compte vraiment. Par exemple : « Minimum 3 ans d'expérience pertinente en B2B dans un rôle terrain. » Relisez ensuite vos quatre phrases d'un œil critique et vérifiez qu'elles sonnent encore comme un français naturel et fluide. Si c'est le cas, vous disposez généralement d'un excellent point de départ pour votre sourcing. Vous voulez tester cela directement dans un vrai flux de travail ? Grâce au lien essayez Elvatix vous-même, vous découvrez de vos propres yeux comment cela fonctionne en pratique.

Questions fréquentes sur le sourcing IA en langage naturel

Dans quelle mesure une première requête peut-elle être large ?

Souvent plus large que ce que pensent la plupart des recruteurs. Tant que l'essentiel du travail, la région souhaitée et le contexte de base sont clairs, vous pourrez ensuite ajuster de façon ciblée. L'objectif principal de cette première étape est de voir précisément où se situe le bruit et quels filtres seront réellement nécessaires à un stade ultérieur.

Quand modifier la requête et quand modifier les filtres ?

Modifiez votre requête si le contenu des résultats ne correspond pas bien. Utilisez en revanche des filtres lorsque le contenu est correct, mais que la liste est encore trop grande ou trop confuse. Voyez-vous par exemple trop de profils de sales sédentaire alors que vous cherchez un commercial terrain ? Vous devez alors reformuler la description du travail plus précisément. Voyez-vous en revanche des candidats formidables qui habitent simplement trop loin ? Un filtre pratique apporte alors la bonne solution.

Comment transformer une liste de candidats en shortlist ?

Utilisez une grille de score avec exigences strictes, points forts et éventuels points de doute. Évaluez ensuite, pour chaque candidat, pourquoi il ou elle correspond bien. Placez directement en tête de liste les matchs les mieux étayés et conservez dans un groupe à part les profils qui ne semblent pas tout à fait parfaits. Votre shortlist devient ainsi non seulement plus facile à justifier, mais aussi immédiatement plus pratique pour la prospection réelle.

Que faire des candidats qui correspondent presque ?

Mettez ces profils de côté et notez clairement ce qui manque ou reste flou. Regardez ensuite si vous pouvez résoudre cette information manquante avec une vérification rapide. Cela fonctionne nettement mieux que d'écarter quelqu'un tout de suite. Les bons candidats n'affichent en effet pas toujours exactement le même intitulé de poste ou le même parcours sur leur profil que ce qui est décrit dans votre annonce.

Le sourcing IA en langage naturel remplace-t-il l'évaluation du recruteur ?

Non, absolument pas. Il vous aide seulement à passer plus vite d'une requête large à une liste exploitable. Le recruteur garde à tout moment le contrôle des critères, du résultat et de l'approche. La qualité de la shortlist finale dépend donc toujours d'une évaluation humaine solide et d'un suivi personnel de qualité.