Traduire une description de poste en recherche candidat avec l'AI

Une description de poste finie n’est pas une recherche candidat. C’est un mur de paragraphes (responsabilités, exigences, soft skills, “nice-to-have”) que personne ne peut coller directement dans LinkedIn Recruiter. L’étape de traduction, c’est là que la majorité des recruteurs passent du temps en plus : vous fixez la JD, puis commencez à copier manuellement des compétences dans des filtres, en espérant ne pas avoir raté le mot-clé qui aurait fait remonter le bon candidat.

L’AI raccourcit ce travail sensiblement. Collez la JD dans Gemini, ChatGPT ou Microsoft Copilot. Demandez un set structuré de compétences et une chaîne booléenne. Déposez la sortie dans les filtres mots-clés et compétences de LinkedIn Recruiter Lite. Vous avez fini.

Cornelia, de la chaîne HR Recruiting Uncovered, fait le tour de ce workflow sur un rôle fictif d’ingénieur système et finit avec 130 profils qualifiés. Ce guide décortique son process, montre les prompts qui marchent et explique où le workflow a encore besoin de jugement humain.

Pourquoi la traduction manuelle JD-vers-recherche traîne

En bref : Une JD technique typique empile beaucoup de signaux pertinents pour le candidat à travers compétences, outils, années d’expérience, langues, certifications et préférences de localisation. Mapper manuellement chacun dans le bon filtre LinkedIn est lent. L’AI extrait et structure cette information depuis un seul prompt.

Ouvrez une JD technique typique et essayez de compter les signaux sur lesquels un sourceur doit agir :

Compétences requises, souvent mélangées dans le document
Stack technique, parfois caché dans les responsabilités plutôt que dans la section exigences
Années d’expérience
Éducation (domaines de diplôme, équivalents)
Langues (anglais, allemand, espagnol, faciles à manquer)
Localisation et politique remote/hybride
Soft skills (la majorité dont vous devriez ignorer en recherche)
Préférences d’expérience industrie (souvent implicites)
Outils et plateformes spécifiques au rôle
Certifications

Une JD d’ingénieur senior peut facilement lister des dizaines de ces signaux. Le job du recruteur, c’est d’extraire ceux qui améliorent la précision de recherche et de sauter ceux qui la blessent. “Forte mentalité de problem-solving” rend une JD lisible mais casse une chaîne booléenne.

Fait manuellement, c’est du grunt work. Fait avec l’AI, c’est un seul prompt.

Le workflow : de la JD aux filtres LinkedIn en cinq étapes

En bref : Créez un projet, collez la JD dans votre outil AI de choix, demandez à la fois une liste structurée de compétences et une chaîne booléenne, déposez-les dans les filtres mots-clés et compétences de LinkedIn Recruiter Lite, puis empilez les filtres années d’expérience et localisation. L’AI gère la structuration ; vous gérez les jugements.

Le workflow de Cornelia sur LinkedIn Recruiter Lite :

Étape 1 : créer un projet nommé et daté

Avant de chercher, créez un projet. Cornelia recommande d’inclure le titre du rôle et la date de recherche dans le nom du projet, par exemple System Engineer — Feb 1. Deux raisons :

LinkedIn Recruiter Lite n’a pas de rappels de relance automatique. La date dans le nom du projet vous rappelle quand envoyer la relance d’1 ou 2 semaines aux candidats qui n’ont pas répondu.
Si vous faites tourner plusieurs recherches sur des jours pour le même rôle, des projets datés gardent les pools candidats séparés.

Sautez la description du projet et les autres champs optionnels. Comme le dit Cornelia, ces champs ne sont pas pertinents pour la recherche et prennent juste du temps.

Étape 2 : coller la JD dans votre outil AI

N’importe quel outil AI général marche : Gemini, ChatGPT, Microsoft Copilot, Claude. Le prompt est court :

Voici une description de poste. Extrais :
1. Une liste propre de toutes les compétences techniques mentionnées (une par ligne)
2. Une chaîne booléenne adaptée à LinkedIn Recruiter
   qui combine les compétences les plus importantes avec AND/OR

Description de poste :
[COLLER LA JD COMPLÈTE ICI]

L’AI retourne deux artefacts :

Une liste de compétences, formatée en bullets, prête à déposer dans le filtre compétences de LinkedIn
Une ou plusieurs chaînes booléennes, typiquement une version “étroite” (haute précision, moins de candidats) et une version “large” (précision plus basse, plus de candidats)

La préférence de Cornelia, c’est de démarrer avec le booléen le plus étroit et de le large si le pool de candidats est trop petit.

Étape 3 : décider ce qui va où

LinkedIn Recruiter Lite vous donne deux champs principaux pour l’information de compétences :

| Champ | Le mieux pour | Limite | |---|---|---| | Skills & Assessments | Compétences discrètes et bien connues (Python, AWS, Kubernetes) | LinkedIn auto-suggère ; lié aux compétences que LinkedIn reconnaît | | Keywords | Chaînes booléennes, maîtrise de langue, outils de niche, exigences soft | Texte libre, support booléen complet |

Quand l’AI retourne une longue liste de compétences, ne les balancez pas toutes dans le même champ. Découpez-les :

Mettez les compétences les plus importantes et bien reconnues dans Skills & Assessments
Mettez le reste, plus toute exigence de langue, outils de niche ou qualificateurs d’expérience, dans la chaîne booléenne Keywords

Ce découpage compte parce que LinkedIn pondère les filtres compétences différemment des matchs mots-clés. Empiler trop de compétences à un endroit peut sur-filtrer la recherche.

Étape 4 : utiliser les keywords pour ce que les filtres ne peuvent pas exprimer

Recruiter Lite manque plusieurs filtres que la version corporate de LinkedIn Recruiter a, notamment un filtre de langues dédié. Si la JD demande la fluidité en anglais et allemand, vous ne pouvez pas filtrer dessus directement. La correction, c’est de mettre les exigences de langue dans la chaîne booléenne keyword :

("system engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR EMI) AND
("English" AND "German")

Le principe de Cornelia, paraphrasé : quand LinkedIn ne vous donne pas assez de filtres natifs, poussez les exigences dans la chaîne booléenne keyword et la recherche fera quand même remonter les bons candidats.

La même chose s’applique aux certifications, plateformes de niche et toute exigence que LinkedIn ne supporte pas nativement.

Étape 5 : empiler les filtres structurés

Une fois que les compétences et le booléen sont en place, ajoutez les filtres structurés que LinkedIn supporte :

Années d’expérience : posez une fourchette (Cornelia a utilisé 5-13 ans pour une exigence “5+ ans”)
Localisation : listez les villes, pas juste les pays
Titres de jobs : cliquez à travers les auto-suggestions de LinkedIn et excluez les variantes qui ne matchent pas la séniorité. Une suggestion “Junior System Engineer” n’est pas utile pour un rôle senior.

Sautez ces filtres sauf si la JD le demande explicitement :

Écoles et majors : les ingénieurs avec plusieurs années d’expérience ont rarement leur diplôme comme signal le plus fort ; l’historique de travail est plus fiable
Industries : ne filtrez que si le hiring manager a explicitement demandé de l’expérience industrie
Taille d’entreprise : même caveat
Récemment rejoint LinkedIn : pas utile pour les rôles seniors

Dans l’exemple de Cornelia, la recherche atterrit à 130 candidats dans le projet, prêts pour l’outreach.

Un exemple travaillé : JD ingénieur système

En bref : Depuis une JD avec Python, PowerShell, Bash, VPN et exigences bilingue anglais/allemand, un seul prompt Gemini extrait la liste de compétences et la chaîne booléenne. Le résultat est un projet Recruiter Lite avec 130 candidats qualifiés après application des filtres localisation et expérience.

Voici la JD abrégée avec laquelle Cornelia a travaillé :

System Engineer

Localisation : Francfort ou Essen (on-site) Type : temps plein, permanent

Responsabilités : design d’infrastructure, automatisation et scripting (Python, PowerShell, Bash), sécurité et conformité (VPN, access manager, configurations EMI), configuration networking.

Exigences : 5+ années d’expérience comme ingénieur système ou similaire, hands-on avec Python, PowerShell et Bash, expérience préalable de setup VPN et outils access manager, fluidité en anglais et allemand, forte mentalité de problem solving, diplôme en informatique, IT ou équivalent.

Après avoir collé ça dans Gemini et demandé compétences + booléen, l’AI a retourné quelque chose de proche de :

Compétences extraites :

Administration système
Design d’infrastructure
Python
PowerShell
Bash
Configuration VPN
Gestion d’accès
Configuration EMI
Configuration réseau
Sécurité et conformité

Booléen (étroit) :

("system engineer" OR "infrastructure engineer") AND
(Python AND PowerShell AND Bash) AND
(VPN OR "access manager") AND
("English" AND "German")

Booléen (large) :

("system engineer" OR "systems engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR networking)

Déposez le booléen étroit dans le champ keyword de LinkedIn. Déposez les top compétences dans Skills & Assessments. Ajoutez Francfort et Essen comme localisations. Posez les années d’expérience à 5-13. La recherche atterrit à 130 candidats, ce qui est gérable pour le premier mois d’outreach puisque LinkedIn Recruiter Lite vous plafonne à 30 emails par mois.

Ce que l’AI fait bien, et ce qu’elle ne fait pas

En bref : L’AI est fiable pour extraire les hard skills, outils et chaînes booléennes. Elle est non fiable pour les soft skills, alias spécifiques à l’industrie et jugements sur quelles exigences pondérer plus fort. Utilisez l’AI pour l’extraction structurée. Gardez les humains dans la boucle pour les appels stratégiques.

Un tableau de bord depuis l’utilisation réelle :

| Ce que l’AI fait bien | Ce qui a encore besoin de vous | |---|---| | Extraire hard skills et outils | Décider quelles compétences pondérer plus fort | | Générer la syntaxe booléenne (AND/OR/NOT correct) | Choisir étroit vs large pour la taille de votre pool | | Tirer les années d’expérience | Négocier avec le hiring manager sur la flexibilité du “5+ ans” | | Identifier les exigences de langue | Savoir quelle langue le profil d’un candidat sous-vend | | Lister les soft skills | Décider quelles soft skills sauter en recherche | | Générer plusieurs variantes booléennes | Choisir la variante qui matche votre cible de séniorité |

Cornelia est directe sur le point des soft skills : elle les laisse de côté parce qu’ils sont redondants et inutiles en recherche. Son argument, c’est que tout ingénieur qui exerce depuis plusieurs années a évidemment développé une mentalité de problem-solving, donc filtrer sur l’expression n’ajoute pas de précision.

La même logique s’applique à “team player”, “self-starter” et la majorité des autres soft skills. L’AI les inclura volontiers dans une chaîne booléenne. Vous devriez les retirer.

Là où ce workflow arrête de scaler

En bref : Le workflow Gemini-plus-LinkedIn marche pour un rôle à la fois. Au-delà d’un certain volume, vous finissez à faire tourner le même cycle de prompt JD-vers-recherche à répétition, switcher entre trois onglets, et perdre la trace de quels candidats ont été sourcés pour quel rôle. Les CRM intégrés aux JD font ça une fois, puis réutilisent la JD parsée à travers tout le pipeline.

Le workflow manuel a des effets de plafond clairs :

Taxe de répétition. Le volume style agence veut dire faire tourner le cycle de prompt JD-vers-booléen à chaque ouverture de rôle. Chaque cycle est rapide quand la JD est propre et lent quand elle est en désordre. Sur une semaine chargée, le temps s’accumule.

Perte d’état. La chaîne booléenne vit dans l’historique de chat de votre outil AI. Les compétences vivent dans LinkedIn. Les notes candidat vivent dans un tableur. La JD vit dans votre email. Des semaines plus tard, quand un candidat répond, reconstruire le contexte vous coûte du temps.

Pas de réutilisation. La JD parsée qui a alimenté la recherche LinkedIn est la même JD parsée dont vous avez besoin pour les scripts de screening, scorecards et messages d’outreach. Faire le parsing quatre fois séparées, une par artefact, c’est du travail gaspillé.

Des outils comme Recrudoc parsent la JD une fois et réutilisent la sortie structurée partout. Le JD Parser extrait exigences, compétences, années d’expérience, localisation et bande salariale dans un objet structuré. Ce même objet pilote ensuite les scorecards de matching candidat, la génération de questions de screening et les templates de messages d’outreach, sans cycles de copier-coller entre onglets.

Si vous sourcez sur LinkedIn mais voulez sauter l’étape de prompt manuel, l’Hybrid Search de Recrudoc accepte une JD ou des notes d’intake brutes et retourne des candidats matchés depuis votre base existante. Recherche sémantique et keyword travaillent ensemble pour trouver des candidats dont les profils utilisent des synonymes de vos termes de requête.

Coupler ça avec d’autres workflows

En bref : Ce workflow est un morceau du pipeline JD-vers-embauche. Couplez-le avec une bonne écriture de JD à l’avant et une fluidité booléenne à l’arrière pour les pools de candidats de plus haute qualité.

Trois workflows compagnons rendent cette approche plus forte :

Réussissez la JD avant d’extraire d’elle. Notre guide Écrire des descriptions de poste avec des prompts AI couvre les workflows de générateurs de prompts et les structures qui produisent des JD précises et search-friendly.
Apprenez la syntaxe booléenne pour pouvoir vérifier ce que l’AI produit. Notre guide des chaînes booléennes LinkedIn vous donne des templates copier-coller pour 15 rôles courants.
Empilez ça dans une stratégie de sourcing complète. Nos stratégies de sourcing candidat pour 2026 font le tour de où le parsing JD piloté par AI s’inscrit dans le playbook plus large LinkedIn-plus-sources-passives.

Les profils LinkedIn vieillissent inégalement, surtout dans les domaines techniques. Cornelia pointe que les ingénieurs mettent à jour stack technique et certifications régulièrement mais mettent rarement à jour soft skills ou langues. Un candidat dont le profil montre English-only peut avoir atteint le C1 allemand depuis sa dernière édition. Sauvegardez ces profils dans votre pipeline quand même, et laissez l’appel de screening confirmer la maîtrise de la langue.

C’est l’écart que l’AI ne ferme pas. Les profils changent plus vite qu’ils ne sont indexés. L’œil du recruteur fait encore le filtrage final.

Vous voulez la traduction JD-vers-recherche intégrée à votre CRM ? Essayez Recrudoc CRM gratuitement. Collez n’importe quelle JD et obtenez des exigences parsées, des chaînes booléennes et des candidats matchés depuis votre base en quelques secondes.

Sources

The insights in this article are based on the following industry expert discussion:

“Translating a Job Description into Candidate Search with AI” — Cornelia, HR Recruiting Uncovered, YouTube