Le scoring candidat consiste à attribuer à chaque profil une note sur des critères liés au poste, avec des pondérations fixées avant de regarder qui que ce soit, afin de classer la liste et de décider qui contacter en premier. La méthode tient en quatre gestes : les critères indispensables servent de filtre éliminatoire, les critères souhaitables reçoivent un poids, chaque critère est noté sur une échelle avec des repères écrits, et les ex aequo sont départagés par une règle décidée à l’avance. L’IA peut appliquer ces critères à chaque profil d’une longue liste, mais c’est le recruteur qui les définit et qui relit le résultat, en particulier les profils écartés.
Qu’est-ce que le scoring candidat
Le scoring candidat est la pratique qui consiste à noter chaque candidat face aux exigences d’un poste précis, critère par critère, puis à additionner ces notes en un score unique qui ordonne la liste. Il intervient avant l’entretien, pendant le sourcing et la présélection, et répond à une seule question : quels profils méritent en premier le temps du recruteur.
Le classement des candidats est le résultat du scoring candidat : la liste triée du score le plus élevé au plus bas. La grille de notation des candidats est le document qui réunit les critères, les poids et l’échelle, et elle sert pour chaque profil d’une même recherche.
Le scoring candidat n’est pas l’évaluation d’entretien. Noter des réponses en entretien repose sur d’autres preuves et sur une autre grille, traitées dans nos listes de contrôle pour évaluer les candidats. Le scoring avant entretien n’utilise que ce que montre un profil ou une candidature : expérience, compétences, localisation, langues, parcours.
Comment noter des candidats étape par étape
Pour noter des candidats, le recruteur rédige les critères à partir du brief, les répartit entre filtres et critères pondérés, note chaque profil sur une échelle fixe avec repères, additionne les notes pondérées et départage les ex aequo avec une règle décidée à l’avance. Toute la grille est écrite avant d’ouvrir le premier profil, pour que la liste ne redessine pas les critères.
- Rédiger les critères à partir du brief. Chaque critère de la grille de notation découle d’une exigence du poste validée avec le manager ou le client, pas de ce que présente le premier bon profil.
- Séparer l’indispensable du souhaitable. Les critères indispensables sont des filtres ; les critères souhaitables portent un poids.
- Fixer une échelle avec des repères. Chaque valeur de l’échelle a une description écrite.
- Noter chaque profil avec la même grille. Mêmes critères, même ordre, mêmes preuves.
- Classer, départager et relire. Trier par total, appliquer la règle de départage et faire relire par une personne le haut de la liste et les profils écartés.
Les critères indispensables comme filtre
Un critère indispensable est une exigence sans laquelle le candidat ne peut pas occuper le poste, et dans le scoring candidat il fonctionne en éliminatoire, pas en points. Un poste de développeur backend senior qui exige Go en production, ou un poste commercial qui exige un allemand courant, écarte les profils qui ne le remplissent pas, quel que soit leur score ailleurs.
Gardez la liste des critères indispensables courte : deux à quatre critères. Chaque critère éliminatoire supplémentaire réduit la liste et tend à faire passer des préférences pour des exigences, comme une école précise ou un ancien employeur.
Les critères pondérés et les points
Dans le scoring candidat, les critères souhaitables reçoivent un poids qui reflète leur importance pour le poste, et les poids totalisent 100 % pour que les totaux restent comparables d’un profil à l’autre. Une répartition courante donne le plus de poids à la compétence centrale du poste et moins aux compétences secondaires, au secteur ou à la localisation.
Définir les poids revient à construire une matrice de sélection, expliquée pas à pas dans notre guide de la matrice de sélection. Pour le scoring candidat, la seule règle en plus est que les poids sont figés avant de noter le premier profil et ne changent pas pendant la recherche.
Une échelle de notation avec des repères écrits
Une échelle de notation des candidats fonctionne quand chaque valeur a un repère écrit qui dit quelle preuve la justifie. Une échelle de 0 à 3 suffit en général pour la présélection de profils : 0 signifie aucune preuve dans le profil, 1 une preuve indirecte, 2 une preuve claire, 3 une preuve claire et récente au niveau exigé par le poste.
Les repères permettent à deux recruteurs de donner la même note au même profil. Sans eux, un « 2 » de l’un et un « 2 » de l’autre ne mesurent pas la même chose, et le classement reflète qui a noté plutôt que qui correspond au poste.
Départager les ex aequo et relire le classement
Une règle de départage est un critère choisi à l’avance pour ordonner des candidats au même score total, par exemple l’ancienneté de la dernière pratique de la compétence centrale ou la proximité des bureaux du client. L’écrire avant de noter évite de trancher les égalités à l’intuition.
Le classement des candidats doit ensuite être relu par une personne à deux endroits : le haut de la liste, avant tout contact, et les profils éliminés ou les moins bien notés, pour repérer les erreurs de lecture. Les profils bien notés qui ne sont pas retenus pour ce poste ont leur place dans un vivier de talents pour les prochains postes plutôt qu’à la corbeille.
Exemple de scoring candidat : trois profils pour un poste
Cet exemple de scoring candidat est fictif et sert à illustrer la méthode. Un recruteur de cabinet de recrutement cherche un data engineer senior pour un client à Barcelone. Critères indispensables : au moins quatre ans de construction de pipelines de données et un anglais professionnel. Critères pondérés : Spark ou équivalent (40 %), stack data cloud (30 %), expérience fintech (20 %), basé à Barcelone ou ouvert à la mobilité (10 %). Échelle de 0 à 3.
| Critère | Type | Profil A | Profil B | Profil C |
|---|---|---|---|---|
| 4 ans ou plus de pipelines de données | Filtre | Validé | Validé | Éliminé (2 ans) |
| Anglais professionnel | Filtre | Validé | Validé | Validé |
| Spark ou équivalent (40 %) | Poids | 3 | 2 | — |
| Stack data cloud (30 %) | Poids | 2 | 3 | — |
| Expérience fintech (20 %) | Poids | 0 | 3 | — |
| Barcelone ou mobilité (10 %) | Poids | 3 | 1 | — |
| Total pondéré (sur 3) | Résultat | 2,10 | 2,40 | Écarté |
Le profil B arrive premier alors que le profil A a la compétence centrale la plus forte, parce que le critère fintech pèse vraiment pour ce client. Le profil C est écarté par un filtre, pas par les points, et la personne qui relit vérifie que ces deux ans de pipelines ne cachent pas un profil qui se décrit mal.
Comment classer des candidats avec l’IA en 2026
Pour classer des candidats avec l’IA, le recruteur rédige les critères de scoring en langage naturel et l’IA les applique à chaque profil de la liste, puis renvoie la liste ordonnée avec les raisons de chaque position. L’IA fait la lecture à grande échelle ; le recruteur garde la main sur les critères, contrôle un échantillon de notes et relit chaque profil écarté avant que cela devienne une décision.
Trois règles rendent le classement des candidats par IA utile et défendable :
- Le classement par IA part des critères du brief. Le modèle doit noter les compétences, l’expérience et la localisation définies par le recruteur, sans déduire l’adéquation d’une photo, d’un nom ou d’autres traits personnels. Le processus complet est détaillé dans notre guide de la sélection de personnel avec l’IA.
- Le classement par IA montre ses raisons. Une note sans la preuve qui la justifie ne peut pas être relue : le résultat doit indiquer quelle partie du profil remplit chaque critère.
- Le classement par IA n’écarte personne seul. Selon l’article 22, paragraphe 1, du RGPD, la personne concernée a le droit « de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé » produisant des effets juridiques ou significatifs similaires : une personne doit donc valider chaque refus.
Au titre de l’AI Act de l’UE, le règlement (UE) 2024/1689, les systèmes d’IA destinés à analyser et filtrer les candidatures et à évaluer les candidats figurent parmi les systèmes à haut risque de l’annexe III, point 4 a), et le règlement (UE) 2026/1744 a fixé au 2 décembre 2027 l’application de leurs obligations à haut risque ; leurs conséquences concrètes sont expliquées dans notre guide de la présélection des candidats par IA et de l’AI Act.
Comment HeyTalent filtre et classe les profils LinkedIn
HeyTalent classe les profils LinkedIn selon les critères que définit le recruteur : des variables IA rédigées en langage naturel sont appliquées à chaque profil d’une liste de recherche, et les profils qui ne les remplissent pas sont filtrés. En Agent Mode, l’agent transforme un brief en recherche avec les filtres avancés de LinkedIn, lit chaque profil et les classe selon les critères du recruteur dans un tableau dynamique.
Les listes de sourcing sont assez longues pour justifier cette étape : selon les données de HeyTalent, la plateforme a analysé plus de 100 000 profils LinkedIn uniques, et une liste de recherche type réunit environ 49 candidats. HeyTalent extrait ces profils en temps réel, si bien que l’expérience notée est celle du candidat au moment de la recherche.
Le recruteur garde la main sur le résultat. Le parcours dans HeyTalent se termine par la relecture de la liste et des messages par la personne, qui ajuste ce qu’elle veut et lance seulement ensuite la campagne LinkedIn. HeyTalent estime avoir fait gagner à ses utilisateurs plus de 1 000 heures de revue manuelle de profils.
HeyTalent classe des profils LinkedIn, pas des CV, et ne note pas les entretiens : il n’extrait pas les CV vers des champs candidat, et l’évaluation d’entretien reste dans la grille du recruteur. HeyTalent ne rend pas non plus un classement par IA conforme à lui seul : les obligations que l’AI Act impose à un déployeur restent à la charge du cabinet ou de l’employeur qui utilise ce classement.