Automatiser le tri des CV avec Make (2026)

Une offre d'emploi publiée un lundi matin, 214 candidatures reçues avant le vendredi. Un recruteur seul, ou une petite équipe RH qui gère aussi l'onboarding, la paie et les entretiens en cours. Personne, dans cette configuration, ne lit 214 CV avec la même attention au premier qu'au deux-centième — et c'est précisément là que la présélection humaine commence à ressembler moins à un jugement qu'à une loterie de fatigue.

La réponse la plus commune en 2026 n'est plus "embaucher un assistant RH de plus" mais "faire lire les CV par une IA avant qu'un humain ne les voie", souvent via un scénario Make plutôt qu'un ATS complet. Le problème, ce n'est pas l'idée : c'est que la plupart des recruteurs qui veulent tester ça se retrouvent face à deux options mal calibrées pour leur taille — un ATS complet à plusieurs milliers d'euros par an, ou une IA générique à qui il faut copier-coller un CV à la main, candidat par candidat, ce qui ne fait gagner de temps que sur le jugement, pas sur le tri lui-même.

Make occupe l'espace entre les deux. Ce n'est pas un ATS et ça ne prétend pas l'être : c'est une plateforme d'automatisation qui peut regarder une boîte mail ou un formulaire de candidature, en extraire le CV, l'envoyer à un modèle de langage avec la fiche de poste, récupérer un score et un résumé, et tout ranger dans un tableau — sans qu'un humain touche à un seul CV avant que le classement soit prêt.

Les questions qui reviennent le plus souvent quand un recruteur envisage ce genre de scénario ne sont pas techniques en premier lieu : est-ce que c'est légal de laisser une IA rejeter implicitement des candidats avant un humain ? Est-ce que le score reflète vraiment la compétence ou juste la présence de mots-clés ? Et concrètement, combien de temps et d'argent ça prend à construire, comparé à un ATS avec de l'IA native comme Manatal ou Ashby ? Ce sont les trois questions que cet article traite dans l'ordre, avec les chiffres et les textes de loi qui existent réellement en 2026 — pas une promesse de gain de temps non chiffrée.

Pourquoi trier des CV à la main ne tient plus la route

Le chiffre qui résume le problème vient d'une étude de la Harvard Business School, régulièrement republiée depuis 2021 et dont les ordres de grandeur restent citées comme référence en 2026 : les systèmes de tri automatisé — même les plus rudimentaires, à base de mots-clés — rejettent entre 70 et 88% des candidatures avant qu'un humain ne les examine. Le tri existe déjà, dans l'immense majorité des recrutements. La vraie question n'est jamais "faut-il trier automatiquement ?" mais "avec quel outil, et sous quelle supervision ?"

Le tri manuel pur, lui, a un coût caché que peu de recruteurs chiffrent explicitement : le temps de lecture d'un CV correctement évalué (expérience, compétences, cohérence de parcours) tourne autour de 3 à 5 minutes pour un lecteur attentif. Sur 200 candidatures, ça représente 10 à 16 heures de travail continu — soit deux jours pleins rien que pour arriver à une liste de candidats à contacter, avant même le premier entretien.

Un scénario de présélection automatisé, qu'il tourne sur Make ou sur un ATS à IA native, ramène cette masse à un sous-ensemble gérable. La pratique documentée dans plusieurs guides de recrutement 2026 consultés pour cet article converge vers le même ordre de grandeur : sur 200 CV reçus, une présélection automatisée correctement calibrée ne fait remonter que 15 à 20% des profils comme réellement pertinents — soit 30 à 40 candidatures que le recruteur lit vraiment, avec le temps que ça mérite, plutôt que 200 qu'il survole.

Ce déplacement change la nature du travail du recruteur plus qu'il ne le supprime. Le temps gagné sur le tri ne disparaît pas : il se réinvestit, dans la quasi-totalité des cas documentés, sur les entretiens eux-mêmes — plus longs, mieux préparés, avec des questions ciblées sur les zones d'ombre que le résumé généré par l'IA a identifiées plutôt que sur un simple contrôle de présence des mots-clés attendus.

Ce que la présélection automatisée ne fait pas, en revanche, mérite d'être dit avant la partie technique : elle ne remplace jamais le jugement sur l'adéquation culturelle, la motivation réelle ou la trajectoire de carrière — des dimensions qu'aucun modèle de langage ne lit correctement sur un simple document PDF. Un scénario bien construit le sait et se limite à un rôle de filtre grossier, pas de décision finale. C'est cette limite, précisément, que la loi européenne a commencé à graver dans le droit en 2026 — développée dans la section sur l'AI Act plus bas.

Le scénario Make de tri de CV, étape par étape

Le principe général tient en quatre étapes, indépendamment des modules exacts choisis : réception de la candidature (email ou formulaire), extraction du texte du CV, envoi de ce texte accompagné de la fiche de poste à un modèle de langage avec des instructions de notation précises, puis écriture du résultat — score, résumé, points forts et réserves — dans un endroit que le recruteur consulte déjà.

Le point de bascule le plus fréquemment mal négocié se situe entre l'étape 2 et l'étape 3 : un CV mal extrait (mise en page à deux colonnes, tableau de compétences en image plutôt qu'en texte) produit un texte tronqué ou désordonné, et le modèle IA note alors un profil sur une base incomplète — sans le signaler comme tel si le prompt ne l'y invite pas explicitement. C'est le premier réglage à tester avec de vrais CV avant tout déploiement, pas un détail technique secondaire.

Construire le scénario : les modules concrets à assembler

Voici la structure concrète, module par module, pour un premier scénario fonctionnel — sans prétendre remplacer la documentation Make, mais avec assez de détail pour partir d'une page blanche.

1. Déclencheur — "Watch emails" ou module formulaire. La plupart des recruteurs dédient une adresse email à la candidature (candidature@monentreprise.com) et branchent le module Email de Make en mode "surveiller les nouveaux messages" ; une alternative plus propre consiste à passer par un formulaire (Tally, Typeform) qui impose un champ de dépôt de fichier CV et un champ "poste visé", évitant les emails mal formatés.
2. Extraction du fichier. Le module Email ou Formulaire renvoie une pièce jointe PDF ; un module de conversion (PDF.co, ou l'extraction texte native selon le module d'entrée) transforme ce PDF en texte brut exploitable par l'étape suivante — c'est l'étape la plus fragile du scénario, à tester en priorité avec des CV réels et variés.
3. Appel au modèle IA avec un prompt structuré. Le module OpenAI (ou Claude, Gemini selon la connexion choisie) reçoit le texte du CV et la fiche de poste, avec des instructions précises : noter de 0 à 10 la correspondance avec les critères listés, lister trois points forts, trois réserves, et trois questions à poser en entretien — jamais une notation ouverte du type "donne ton avis", qui produit des sorties incohérentes d'un CV à l'autre.
4. Structuration de la réponse. Demander explicitement au modèle une sortie au format JSON (score, résumé, forces, réserves, questions) plutôt qu'un texte libre évite l'étape fastidieuse de reparsing manuel et permet d'écrire chaque champ dans une colonne distincte à l'étape suivante.
5. Écriture dans le tableau de suivi. Un module Google Sheets, Airtable ou Notion ajoute une ligne par candidature, avec le score en colonne triable — c'est ce tableau, pas la boîte mail, qui devient le vrai tableau de bord du recrutement pour ce poste.
6. Notification et point d'arrêt humain. Un module Slack ou email envoie un résumé groupé (par exemple une fois par jour) au recruteur, plutôt qu'une alerte par candidature — et surtout, aucune étape du scénario n'envoie de refus automatique au candidat sans qu'un humain n'ait validé la liste, pour les raisons légales détaillées dans la section suivante.

Biais, RGPD et AI Act : ce que la loi impose en 2026

C'est la question que la plupart des tutoriels d'automatisation du recrutement laissent de côté, et c'est pourtant celle qui détermine si un scénario Make de tri de CV est utilisable légalement en France en 2026, pas seulement techniquement fonctionnel.

Le cadre a bougé deux fois cette année. L'AI Act européen, entré en vigueur en août 2024, classe explicitement les systèmes d'IA utilisés pour le recrutement, la présélection et l'évaluation des candidats dans la catégorie "haut risque", à l'annexe III du règlement — au même titre que les systèmes utilisés en santé ou en justice. Cette classification impose, entre autres, une supervision humaine obligatoire, une documentation technique du système et une traçabilité des critères de décision.

Le calendrier précis mérite d'être cité sans arrondir : les obligations de transparence et le droit à l'explication pour les candidats s'appliquent depuis août 2026, tandis que le régime complet de conformité pour l'IA de recrutement — audits de biais renforcés, évaluation de conformité avant mise sur le marché pour les éditeurs de logiciels RH — a été reporté au 2 décembre 2027 par le Digital Omnibus adopté en mai 2026. Concrètement, un recruteur qui monte un scénario Make aujourd'hui est déjà soumis à l'obligation de transparence, pas encore au régime de conformité complet.

Deux obligations concrètes en découlent pour n'importe quel scénario Make de tri de CV. La première : informer les candidats, dans l'offre d'emploi ou l'accusé de réception de candidature, qu'un système automatisé intervient dans la présélection — une simple ligne ("votre candidature peut être présélectionnée avec l'aide d'un outil d'analyse automatisée avant l'examen par notre équipe RH") suffit à couvrir cette obligation de transparence. La seconde, plus structurante : garder une trace de pourquoi chaque candidat a obtenu son score, pour pouvoir répondre si un candidat demande une explication — ce que la sortie structurée du modèle IA (score + justification textuelle) couverte dans la section précédente fournit nativement, à condition de la conserver.

Sur les biais, les données existantes ne concernent pas Make spécifiquement — c'est un problème du modèle IA sous-jacent et des données sur lesquelles il a été entraîné, pas de la plateforme d'automatisation. Une étude de référence menée par des chercheurs de l'Université de Chicago et de l'UC Berkeley, publiée en 2023 et toujours citée en 2026 comme base de comparaison, a montré que des CV identiques recevaient 9,5% de réponses en moins lorsqu'ils portaient des prénoms à consonance afro-américaine — y compris lorsqu'ils étaient traités par des systèmes automatisés cherchant, sur le papier, à être neutres. Le mécanisme documenté : les systèmes IA héritent des biais présents dans les données d'entraînement, qui reflètent des décennies de pratiques d'embauche elles-mêmes biaisées.

Ce que ça change concrètement pour un scénario Make : ne jamais inclure le nom, la date de naissance, la nationalité, l'adresse ou la photo dans le texte envoyé au modèle IA pour le scoring — seulement l'expérience, les compétences et le parcours. Cette anonymisation partielle avant l'appel au modèle IA, techniquement triviale à ajouter dans le scénario (un module de nettoyage de texte avant l'étape de scoring), réduit une bonne partie du risque documenté sans complexité additionnelle réelle.

Ce genre de réaction, qui revient sous des formulations diverses dans les communautés professionnelles anglophones consultées pour cet article, pointe une méfiance de fond plus qu'un rejet technique précis — et elle rejoint directement l'esprit du texte européen : ce n'est pas l'usage de l'IA dans le tri qui pose un problème légal en soi, c'est l'absence de transparence sur son usage et l'absence de supervision humaine sur la décision finale.

La CNIL a confirmé le 3 avril 2026 que le recrutement figure parmi ses priorités de contrôle pour l'année, avec trois angles précis annoncés : l'information réellement délivrée aux candidats sur l'usage d'outils automatisés, les durées de conservation des CV et données associées, et l'usage effectif de systèmes de décision automatisée dans le processus. Un scénario Make qui coche les trois — mention de transparence dans l'offre, purge programmée des données au-delà d'une durée définie, validation humaine avant tout rejet — traverse ce contrôle sans souci particulier ; un scénario qui accumule silencieusement des CV dans un tableur depuis deux ans, beaucoup moins.

Ce que coûte réellement Make pour ce cas d'usage

Make facture par crédits, et le calcul pour un scénario de tri de CV dépend de trois éléments qui varient d'un recruteur à l'autre : le nombre de modules dans le scénario, le volume de candidatures traitées par mois, et la longueur du texte envoyé et reçu par le modèle IA à chaque appel.

Chaque exécution du module IA consomme 1 crédit d'opération, auquel s'ajoute un coût en tokens qui dépend du modèle choisi et de la longueur du CV — un CV de deux pages avec une sortie structurée courte (score, trois lignes de résumé) coûte nettement moins en tokens qu'une sortie longue avec un résumé détaillé par candidat. Les modules d'extraction de fichier et d'écriture dans un tableur ajoutent chacun 1 crédit d'opération supplémentaire par exécution — un scénario complet à 5 modules consomme donc autour de 5 crédits d'opération par candidature traitée, plus le coût variable des tokens IA.

Pour situer ces volumes concrètement : un cabinet de recrutement ou une PME qui traite 300 candidatures par mois sur un scénario à 5 modules consomme environ 1 500 crédits d'opération, plus les tokens IA — ce qui dépasse le plan Free et justifie le passage au plan Core, pour un coût mensuel qui reste, dans la quasi-totalité des configurations testées par la communauté Make sur des cas d'usage comparables, inférieur à 20$ par mois pour ce seul scénario.

Comparé au coût d'un ATS payant à IA native (développé dans la section suivante), l'écart est net sur le prix d'entrée — mais Make ne remplace pas les fonctions annexes d'un ATS (page carrière publique, suivi de pipeline visuel, planification d'entretiens intégrée), qui pèsent dans le choix final autant que le prix du tri seul.

Make face aux ATS à IA native : Manatal, Recruitee, Ashby

Make n'est pas la seule route vers un tri de CV assisté par IA. Trois ATS avec scoring IA intégré dominent la conversation en 2026 pour les tailles d'équipe qui envisagent aussi Make, chacun avec un positionnement et un prix différents.

Manatal se positionne clairement sur le segment PME et cabinets de recrutement indépendants, avec un prix d'entrée à 15$ par utilisateur et par mois en facturation annuelle qui inclut nativement le scoring IA, le parsing de CV et l'intégration LinkedIn. Sa note G2 (4,8/5 sur 147 avis) est la plus haute des trois ATS comparés ici, mais plusieurs avis pointent un défaut précis et documenté : le pourcentage de correspondance affiché par l'IA ne reflète pas toujours l'adéquation réelle, avec des profils marqués comme fortement compatibles alors que leur expérience ne correspond pas aux exigences du poste — le même type de faux positif qu'un scénario Make mal calibré peut produire s'il n'est pas testé sur des cas réels avant mise en production.

Recruitee, qui opère désormais sous la marque Tellent Recruitee après un rachat par PSG Equity, cible les équipes en croissance qui ont besoin de structure collaborative plutôt que de la sophistication technique d'Ashby. Sa note G2 (4,5/5 sur 450 avis, le volume d'avis le plus élevé des trois) reste solide, mais des retours récents signalent des hausses de prix annuelles perçues comme agressives — un point à vérifier avant engagement contractuel, dans un secteur où le coût par utilisateur grimpe vite dès que l'équipe RH s'agrandit.

Ashby occupe le haut du panier avec un positionnement analytics-first : reporting avancé, personnalisation poussée des pipelines, scoring IA intégré à une plateforme pensée pour des équipes de recrutement déjà structurées. Son prix d'entrée (400$/mois pour une entreprise jusqu'à 100 salariés) en fait l'option la plus chère des trois pour une petite structure — approximativement le double de ce que facturent des ATS comparables comme Greenhouse ou Lever à taille équivalente, un écart que seule une équipe recrutement avec un volume soutenu de postes ouverts justifie réellement.

Le choix entre ces quatre options dépend moins de la qualité brute du scoring IA — les quatre utilisent des mécanismes proches (extraction, comparaison sémantique, notation) — que du volume de recrutement et du besoin ou non d'une vitrine candidat. Une entreprise qui recrute deux à trois postes par an n'a probablement pas besoin d'un ATS à 400$/mois : un scénario Make gratuit ou à moins de 20$/mois couvre le besoin réel. Une équipe qui recrute en continu sur plusieurs postes simultanés, avec plusieurs recruteurs qui doivent collaborer sur le même pipeline, gagne du temps avec un ATS dédié — le coût de Make grimpe alors moins vite en argent qu'en temps de maintenance du scénario.

Verdict : qui devrait automatiser son tri de CV maintenant

Le vrai critère de décision n'est pas "quel outil a le meilleur score IA" — les mécanismes sous-jacents sont proches d'un outil à l'autre. C'est "est-ce que je recrute assez souvent pour amortir le coût et la maintenance d'un ATS dédié, ou est-ce qu'un scénario Make gratuit ou presque suffit à mon volume réel ?" Un recruteur qui publie deux offres par an n'a structurellement pas besoin d'Ashby à 400$/mois ; une équipe RH qui gère dix postes ouverts en permanence perd plus de temps à maintenir un scénario Make artisanal qu'elle n'en gagnerait à payer un ATS pensé pour ce volume.

Ce qui ne dépend d'aucun de ces choix, en revanche, c'est l'obligation légale : depuis août 2026, informer les candidats qu'un système automatisé intervient dans leur présélection n'est plus une option de bonne pratique, c'est une exigence de l'AI Act et du RGPD, vérifiée activement par la CNIL. Automatiser le tri, oui — le faire sans en informer personne ni garder un humain dans la boucle de décision finale, non, quel que soit l'outil derrière l'automatisation.

Articles liés

• Make AI Agents : quelle autonomie, quels risques (2026) — pour aller plus loin sur les garde-fous à poser avant de laisser un scénario Make agir de façon plus autonome que le tri de CV.
• Make pour alimenter son CRM depuis les emails (2026) — un pipeline Make proche dans sa structure (email en entrée, IA, tableur en sortie), appliqué à la prospection plutôt qu'au recrutement.
• n8n vs Zapier vs Make : quel outil d'automatisation choisir (2026) ? — utile si le volume de recrutement grandit au point d'envisager une alternative technique à Make.
• Clay vs Sales Navigator : quelle prospection LinkedIn (2026) ? — même logique d'enrichissement de profils via IA, appliquée au sourcing de candidats sur LinkedIn plutôt qu'à la présélection de CV entrants.
• Automatiser l'onboarding client avec Notion, Make et l'IA (2026) — pour la suite du parcours une fois un candidat recruté et transformé en collaborateur à intégrer.
• Notion AI : automatiser l'onboarding RH de vos employés (2026) — l'étape juste après ce tri de CV : intégrer le candidat retenu une fois le contrat signé.