Scorer 1 000 CV avec Claude API et grille pondérée

Ce que vous saurez faire à la fin

• Scorer automatiquement 1 000 CV en moins de 20 minutes avec Claude API
• Concevoir une grille pondérée alignée avec votre fiche de poste
• Générer un rapport CSV avec top 50 candidats + justifications détaillées
• Éviter les biais de genre, âge, origine par anonymisation pré-traitement
• Calculer le ROI : économiser 40 à 60 heures de pré-sélection RH par campagne

Prérequis

• Compte Anthropic avec clé API et au moins 20 USD de crédit
• Python 3.10+ installé, pip, virtualenv
• Un dossier avec 1 000 CV en PDF (ou URL drive partagé)
• Une fiche de poste clairement définie (titre, compétences must/nice, expérience)

Étape 1 — Construire la grille de scoring pondérée

Sans grille, Claude note au pif. Définissez 5 à 7 critères avec un poids total de 100.

Critère                      Poids   Échelle
Expérience domaine           30      0-10
Compétences techniques       25      0-10
Langues (FR/EN/Wolof)        10      0-10
Diplôme                      10      0-10
Réalisations quantifiées     15      0-10
Adéquation géographique      10      0-10

Étape 2 — Anonymiser les CV pour éviter les biais

import re

def anonymiser(texte: str) -> str:
    # Nom (1ère ligne souvent), email, téléphone, date naissance, photo
    texte = re.sub(r'\b[A-Za-z.]+@[A-Za-z.-]+\.\w+', '[EMAIL]', texte)
    texte = re.sub(r'\+?\d{2,3}[\s-]?\d{2,3}[\s-]?\d{2,3}[\s-]?\d{2,4}', '[TEL]', texte)
    texte = re.sub(r'\b\d{1,2}[/\.-]\d{1,2}[/\.-]\d{2,4}\b', '[DATE]', texte)
    # Première ligne probablement nom
    lignes = texte.split('\n')
    if len(lignes) > 0:
        lignes[0] = '[NOM]'
    return '\n'.join(lignes)

Étape 3 — Extraire le texte des CV PDF

import pypdf, os

def cv_en_texte(chemin_pdf):
    reader = pypdf.PdfReader(chemin_pdf)
    return "\n".join(page.extract_text() for page in reader.pages)

cvs = []
for fichier in os.listdir("cvs/"):
    if fichier.endswith(".pdf"):
        texte = anonymiser(cv_en_texte(f"cvs/{fichier}"))
        cvs.append({"id": fichier.replace(".pdf",""), "texte": texte})

Étape 4 — Prompt de scoring structuré

PROMPT = """<role>
Tu es un expert RH spécialisé dans le recrutement tech en Afrique de l'Ouest.
</role>

<fiche_poste>
Titre : Développeur Full-Stack Senior (React + Node.js)
Expérience : 5+ ans
Compétences must : TypeScript, React 18+, Node.js, PostgreSQL, REST API
Compétences nice : Next.js, Docker, CI/CD, OpenAPI, tests E2E
Langues : Français courant + Anglais technique
Localisation : Dakar ou remote compatible GMT+0
</fiche_poste>

<grille>
Experience_domaine (30) : 5+ ans React/Node noté 10, 3-5 ans noté 7, etc.
Competences_techniques (25) : combien des "must" présents
Langues (10) : FR courant + EN écrit = 10
Diplome (10) : Master/Ingénieur = 10, Licence = 7
Realisations (15) : chiffres concrets présents (utilisateurs, revenu, performance)
Geographie (10) : Dakar = 10, Afrique = 7, autres = 4
</grille>

<instruction>
Lis le CV et note chaque critère de 0 à 10. Calcule le score pondéré total sur 100.
Écris 2 lignes max expliquant les points forts, 1 ligne pour les réserves.
</instruction>

<format>
JSON strict :
{
  "scores": {"experience_domaine": X, "competences_techniques": X, "langues": X, "diplome": X, "realisations": X, "geographie": X},
  "total": XX,
  "forces": "...",
  "reserves": "..."
}
</format>

<cv>
{CV_ICI}
</cv>"""

Étape 5 — Lancer le scoring en parallèle

import anthropic, json, csv
from concurrent.futures import ThreadPoolExecutor

client = anthropic.Anthropic()

def scorer_cv(cv):
    prompt = PROMPT.replace("{CV_ICI}", cv["texte"][:8000])
    msg = client.messages.create(
        model="claude-haiku-4-5",  # rapide et pas cher, suffisant
        max_tokens=600,
        messages=[{"role":"user","content": prompt}]
    )
    try:
        data = json.loads(msg.content[0].text)
        return {"id": cv["id"], **data}
    except:
        return {"id": cv["id"], "total": 0, "error": msg.content[0].text[:200]}

with ThreadPoolExecutor(max_workers=10) as pool:
    resultats = list(pool.map(scorer_cv, cvs))

# Export CSV
with open("scoring.csv", "w", newline="") as f:
    w = csv.DictWriter(f, fieldnames=["id","total","forces","reserves"])
    w.writeheader()
    for r in sorted(resultats, key=lambda r: r.get("total",0), reverse=True):
        w.writerow({k: r.get(k,"") for k in ["id","total","forces","reserves"]})
print("Top 10 :")
for r in sorted(resultats, key=lambda r: r.get("total",0), reverse=True)[:10]:
    print(f"  {r['id']}: {r['total']}/100")

Étape 6 — Calibrer et vérifier la qualité

1. Faites scorer 20 CV aussi par un recruteur humain expérimenté
2. Calculez la corrélation Spearman entre score IA et score humain
3. Cible : > 0,75. Si plus bas, affinez la grille et les exemples dans le prompt
4. Toujours faire relire le top 50 par un humain avant entretien

Étape 7 — Coût et temps

À comparer au coût humain : 40 à 60 h de pré-sélection à 15 000 FCFA/h = 600 000 à 900 000 FCFA.

Étape 8 — Aspects juridiques et éthiques

• Informez les candidats : « Votre CV est pré-trié par une IA, décision finale humaine »
• Anonymisez nom, photo, origine, genre avant scoring
• Conservez les scores et justifications 6 mois (traçabilité RGPD/Loi sénégalaise 2008)
• Auditez annuellement : vérifiez que la distribution des scores ne défavorise aucun groupe

Erreurs courantes

• Prompt trop vague : « Note ce CV sur 10 » → notes incohérentes
• Pas d’exemples : sans few-shot, Claude dérive après 100 CV
• Utiliser Sonnet systématique : Haiku suffit pour cette tâche, 12× moins cher
• Oublier la validation humaine : l’IA pré-trie, les humains décident

Prochaines étapes

• Passer à un modèle fine-tuné si vous recrutez le même profil > 20 fois par an
• Intégrer dans un ATS (Greenhouse, Workable) via API
• Ajouter un module d’analyse de lettre de motivation et d’adéquation culturelle