Notation plus intelligente, recrutement plus précis : une mise à jour majeure de l’API CV Match Score

Nous venons de déployer l’une des améliorations les plus demandées pour le point de terminaison Resume/CV & Job Description Compatibility Scoring. Si vous créez des intégrations ATS, des outils de présélection des candidats ou des tableaux de bord d’analytique RH sur SharpAPI, cette mise à jour débloque un tout nouveau niveau de contrôle sur la manière dont les correspondances sont notées.

Voici toutes les nouveautés, pourquoi elles comptent et comment commencer à les utiliser dès aujourd’hui.

TL;DR

• Le paramètre context est désormais un contrat de directives formel, et non plus une note libre.
• Vous disposez de trois formes de directives simples : EMPHASIZE, DEEMPHASIZE et CREDIT.
• Les directives influencent désormais le score overall_match — pas seulement les métriques individuelles.
• Les qualifications standard d’une famille de postes (pensez à Excel / SQL / Power BI pour les postes en finance) sont créditées automatiquement même lorsque la description de poste oublie de les mentionner.
• La longueur maximale de context est officiellement fixée à 5000 caractères.

👉 Accédez directement à la page produit : sharpapi.com/en/catalog/ai/hr-tech/resume-cv-job-match-score

Le problème que nous cherchions à résoudre

Lorsque nous avons lancé pour la première fois le point de terminaison CV Match Score, il évaluait chaque CV par rapport à chaque description de poste à l’aide d’un tableau de pondération fixe : compétences, expérience et stack technique en tête ; formation, certifications et soft skills comme signaux complémentaires. Cela fonctionne à merveille pour le scénario de recrutement moyen — mais le recrutement n’est jamais moyen.

Une startup qui recrute un profil junior valorise la formation et les qualifications bien plus que dix ans d’expérience. Une équipe de recrutement pour des contrats s’intéresse aux compétences, pas à l’ancienneté. Une entreprise remote-first ne veut pas que la localisation fasse baisser le score. Et parfois, la description de poste oublie simplement de lister les qualifications évidentes — comme Excel pour un analyste financier — laissant le moteur de scoring supposer qu’elles n’ont pas d’importance.

Les clients continuaient à poser la même question :

« Comment dire au moteur que pour ce poste, la formation compte plus que l’expérience ? »

Désormais, vous le pouvez.

✨ Nouveautés

1. Un contrat de directives formel pour le paramètre context

Le champ context existait déjà, mais son comportement était flou — de longues instructions rédigées en prose avaient souvent des effets imprévisibles. Nous l’avons remplacé par un contrat propre et prévisible construit autour de trois formes de directives.

Les directives peuvent être librement combinées dans une seule chaîne context :

EMPHASIZE: skills. EMPHASIZE: education. DEEMPHASIZE: experience. CREDIT: Excel and Analytics certificates.

Vous n’avez pas non plus besoin de mémoriser le schéma complet des 20 métriques. Les sujets acceptent des catégories en anglais courant comme skills, experience, education, certificates, location, management ou tenure, et le moteur les mappe en interne sur les métriques associées.

2. context modifie désormais le score overall_match

Avant cette mise à jour, overall_match était calculé à partir d’une moyenne pondérée codée en dur des 20 métriques individuelles — ce qui signifiait que même si context modifiait les scores individuels, le chiffre global final restait souvent obstinément inchangé.

Ce n’est plus le cas. Les directives ajustent désormais le tableau de pondération interne avant le calcul de la moyenne pondérée. Un simple EMPHASIZE: skills se répercute désormais jusqu’au score final.

Voici à quoi cela ressemble sur le plan conceptuel :

Pondérations de base :      skills=3, experience=3, education=1, certifications=1 ...
Après EMPHASIZE: skills + DEEMPHASIZE: experience + EMPHASIZE: education :
Pondérations ajustées :     skills=4, experience=2, education=2, certifications=1 ...
overall_match = Σ(score × adjusted_weight) / Σ(adjusted_weights)

Même CV. Même description de poste. Angle d’évaluation différent. C’est là toute la magie.

3. Les qualifications standard d’une famille de postes sont désormais créditées

Voici un exemple réel issu des retours clients :

Une JD en finance indiquait « Required: Excel, Python, analytics skills » mais ne listait aucune certification spécifique. Un candidat avec des certifications Advanced Excel, SQL et Power BI obtenait certifications_match: 0 — parce que la JD ne disait rien sur les certifications.

C’est évidemment erroné. Ces certifications sont standard dans le secteur pour les postes en finance, et le moteur aurait dû les créditer.

Avec cette mise à jour, lorsque la description de poste n’énumère pas les certifications requises mais que le CV liste des qualifications couramment attendues pour la famille de postes, le moteur les crédite désormais proportionnellement dans la plage 40–70, avec le raisonnement indiqué dans le champ explanations.

Cela s’applique à plusieurs familles de postes :

• 💼 Finance / postes d’analyste → Advanced Excel, SQL, Power BI, Tableau
• 👨‍💻 Ingénierie logicielle → Git, CI/CD, certifications de plateformes cloud
• 📊 Gestion de projet → PMP, PRINCE2, Scrum, Agile
• 🏥 Santé → CPR, BLS, certifications de spécialité

Fini les scores nuls sur des qualifications évidentes simplement parce que la JD était paresseuse.

4. Limite de 5000 caractères formalisée pour context

Nous avons fixé une limite supérieure claire et généreuse de 5000 caractères pour le champ context. C’est largement au-dessus de toute charge réaliste de directives — assez d’espace pour des dizaines de directives plus des notes explicatives — tout en maintenant le prompt complet dans des budgets de tokens sûrs.

Les requêtes dépassant cette limite renvoient une erreur de validation HTTP 422.

Modèles recommandés

Voici les recettes context qui ont donné les meilleurs résultats lors de notre validation interne. Utilisez-les comme point de départ, puis ajustez-les.

Modèle 1 — Recrutement junior / débutant

Donnez la priorité aux qualifications et au potentiel plutôt qu’aux années d’expérience.

EMPHASIZE: skills. EMPHASIZE: education. DEEMPHASIZE: experience. CREDIT: Excel and Analytics certificates.

Modèle 2 — Recrutement technique senior

La correspondance de stack est critique ; la formation formelle est secondaire.

EMPHASIZE: skills. EMPHASIZE: technical_stack_match. DEEMPHASIZE: education.

Modèle 3 — Recrutement leadership / management

L’expérience managériale l’emporte sur les compétences techniques pratiques.

EMPHASIZE: management. EMPHASIZE: experience. DEEMPHASIZE: technical_stack_match.

Modèle 4 — Recrutement remote-first

La localisation ne doit pas pénaliser les candidats.

DEEMPHASIZE: location. EMPHASIZE: skills.

Bonnes pratiques

• Soyez précis. CREDIT: Excel, SQL, Power BI fait bouger l’aiguille. Une formulation abstraite comme « practical competency outweighs formal credentials » ne le fait pas.
• Utilisez des paires contrastées. Combinez EMPHASIZE avec DEEMPHASIZE dans la même requête — le contraste est un signal fort.
• Nommez explicitement les outils et les qualifications. Évitez les qualités vagues comme « talent » ou « potential ».
• Évitez les instructions en pourcentage. Des directives comme « reduce weight by 50% » sont interprétées de manière conservatrice comme une seule étape DEEMPHASIZE. Utilisez des directives discrètes — elles sont plus fiables.
• Gardez context ciblé. Une poignée de directives ciblées surpasse de longs paragraphes rédigés en prose.

⚠️ Ce que context peut et ne peut pas faire

Remarque sur les métriques arithmétiques : context ajuste toujours leur poids dans overall_match — il ne réécrit simplement pas le score individuel lui-même. Si un candidat a une ancienneté moyenne d’un an, stability_score reflète ce fait indépendamment des directives, mais vous pouvez faire en sorte qu’il compte plus ou moins dans le résultat global.

Un exemple complet de requête

POST /api/v1/hr/resume_job_match_score
Content-Type: multipart/form-data
Authorization: Bearer <YOUR_API_KEY>

file:     <resume.pdf>
content:  "Junior Finance Associate — entry-level role.
           Required: Excel, Python, financial modelling, analytics."
language: English
context:  "EMPHASIZE: skills. EMPHASIZE: education.
           DEEMPHASIZE: experience. CREDIT: Excel and Analytics certificates."

La structure de la réponse est inchangée — vous obtenez toujours les 20 métriques notées plus explanations pour les plus importantes — mais les chiffres reflètent désormais les pondérations ajustées par directives.

Un mot sur la non-détermination

Le paramètre context est notre principal levier pour orienter le moteur, et nous l’ajustons en continu sur la base des cas réels que nos clients nous remontent. Si vous tombez sur un scénario où la sortie ne correspond pas à vos attentes, envoyez-nous la requête/réponse exacte — c’est le retour le plus précieux que nous puissions recevoir.

Pour commencer

Prêt à essayer ? Voici votre shortlist :

1. Consultez les détails du produit : Resume/CV & Job Description Compatibility Scoring
2. Voyez-le en action : CVMatchScore.com — un produit entièrement fonctionnel construit sur ce point de terminaison exact
3. Récupérez une clé API depuis votre tableau de bord SharpAPI et envoyez votre première requête
4. Dites-nous ce qui manque — chaque modèle de directive que nous avons livré a commencé comme un retour client

Bon matching. 🎯

👉 Essayez l’API Resume/CV & Job Description Compatibility Scoring dès aujourd’hui : sharpapi.com/en/catalog/ai/hr-tech/resume-cv-job-match-score

Photos de CV par Vecteezy