Le symptôme : une IA qui n'impressionne que la première fois
Votre ATS a annoncé de l'IA. Vous avez testé : un bouton « générer une annonce », un résumé de CV, peut-être un chatbot. La première démo impressionne, puis l'usage retombe en quelques semaines. La recherche renvoie toujours les mêmes profils que vos filtres manuels, l'« assistant » rédige des textes que vous devez copier-coller, et rien ne s'exécute vraiment tout seul.
Ce scénario est tellement répandu qu'il a un nom : le problème du bolt-on. Et il ne se corrige pas avec une mise à jour, car c'est un problème de fondations.
IA bolt-on : une greffe sur un logiciel d'avant l'IA
Un ATS legacy a été conçu entre 2005 et 2018 : une base relationnelle pensée pour des filtres et des listes, des modules empilés au fil des rachats, des données réparties entre plusieurs systèmes. Quand l'IA est arrivée, ces éditeurs ont fait le choix rapide : greffer une couche IA par-dessus, via des appels à un modèle externe.
Conséquences structurelles :
- L'IA ne voit qu'une fraction de la donnée. Elle reçoit le CV qu'on lui envoie, pas l'historique complet : les notes d'entretien d'il y a deux ans, les missions refusées, les échanges email, le contexte client.
- Elle ne peut pas agir. Générer un texte, oui. Mettre à jour un statut, lancer une séquence, planifier un entretien : rarement, car chaque action demande une intégration spécifique dans un système qui n'a pas été prévu pour.
- La recherche reste de la recherche par mots-clés habillée d'IA : le moteur d'indexation d'origine n'a pas changé, « dev fullstack JS » et « ingénieur React/Node » restent deux choses différentes.
- Chaque fonctionnalité IA est un silo de plus : un add-on de matching, un add-on de transcription, un add-on de rédaction, souvent facturés séparément.
AI-native : l'IA comme fondation, pas comme option
Une plateforme AI-native est construite après 2020, autour de trois choix d'architecture :
- Une base de données unique. Candidats, missions, clients, échanges, timesheets : tout vit au même endroit. L'IA voit la totalité du contexte, sans synchronisation ni connecteur.
- La compréhension sémantique au cœur. Les profils et les missions sont indexés par le sens (embeddings, recherche vectorielle), pas seulement par mots-clés. Le moteur comprend qu'un « lead développeur Node » peut staffer une mission « architecte backend JavaScript ».
- Un agent qui agit. L'IA n'est pas un module de rédaction : c'est un acteur du système qui exécute (qualifier, relancer, planifier, générer les dossiers) avec des permissions et une traçabilité natives.
La différence de résultat est mesurable : sur le matching, les approches par mots-clés plafonnent autour de 65 % de précision, quand la compréhension sémantique sur données complètes dépasse 90 %. Ce n'est pas un écart d'algorithme, c'est un écart d'accès à la donnée.
Bolt-on vs AI-native : le tableau
| Critère | ATS legacy + IA bolt-on | Plateforme AI-native |
|---|---|---|
| Données vues par l'IA | Le document transmis | Tout l'historique unifié |
| Recherche | Mots-clés + habillage IA | Sémantique native |
| Capacité d'action | Génération de texte | Exécution de bout en bout |
| Fonctionnalités IA | Add-ons facturés séparément | Incluses, sur la même base |
| Amélioration | Au rythme des add-ons | Chaque donnée enrichit tout le système |
| Expérience | Copier-coller entre modules | L'IA travaille là où vous travaillez |
Les 5 signes que votre ATS fait du bolt-on
- L'IA est un add-on payant avec sa propre ligne tarifaire par module.
- La recherche IA renvoie les mêmes résultats que vos filtres manuels, dans un autre habillage.
- L'« assistant » produit du texte mais ne peut rien exécuter dans le système.
- Les fonctionnalités IA sont arrivées par rachats d'outils tiers, chacune avec son interface.
- À la démo, l'éditeur montre ses données de démonstration et esquive le test sur les vôtres.
Pourquoi l'écart se creuse au lieu de se combler
On pourrait penser que les éditeurs legacy vont rattraper leur retard. C'est mal mesurer l'ampleur du chantier : passer d'une architecture 2010 à une architecture AI-native ne consiste pas à ajouter des fonctionnalités, mais à refondre la base de données, le moteur de recherche et le modèle de permissions. Des années de travail, en maintenant l'existant pour des milliers de clients.
Testez Cobalt, l'ATS AI-first européen
Démo personnalisée 30 min avec vos données réelles. Comparez directement avec votre ATS actuel. Migration assistée gratuite si vous décidez de passer.
Pendant ce temps, les plateformes AI-native profitent d'un cercle vertueux : chaque candidat ajouté, chaque compte rendu, chaque placement enrichit la même base et améliore le matching, les suggestions et les agents. Le bolt-on additionne des modules ; l'AI-native compose des effets.
C'est le pari architectural de Cobalt depuis le premier jour : une base unique, une recherche sémantique native et un agent, Balt, qui exécute sur cette base. Les résultats mesurés chez les clients (time-to-fill divisé par deux, environ 30 % de placements en plus à effectif constant) viennent de l'architecture, pas d'une fonctionnalité.
Le test décisif avant de signer (ou de renouveler)
Ne jugez jamais l'IA d'un ATS sur une démo standard. Imposez trois épreuves sur vos données réelles :
- La requête sémantique : « profils capables de tenir une mission d'architecte data chez un client industriel, disponibles sous 2 mois, jamais présentés à ce client ». Si le moteur exige des mots-clés exacts, c'est du bolt-on.
- L'action de bout en bout : « relance les candidats sans réponse et propose des créneaux ». Si la réponse est un texte à copier-coller, c'est du bolt-on.
- La question qui fâche : « quelles données votre IA voit-elle exactement, et où sont-elles hébergées ? » L'hésitation vaut réponse.
Conclusion : ce n'est pas vous, c'est l'architecture
Si l'IA de votre ATS vous déçoit, vous n'êtes ni trop exigeant ni mal formé : vous constatez la limite structurelle d'une greffe. La bonne question pour 2026 n'est pas « quel ATS a le plus de fonctionnalités IA » mais « quel ATS est construit pour que l'IA voie tout et agisse ». C'est toute la différence entre une IA qui fait des démos et une IA qui fait des placements.