Agent IA qui analyse et évalue automatiquement un CV par rapport à une offre d’emploi (via n8n)

Cette première étape consiste à connecter ton workflow à un document Google Docs contenant une offre d’emploi. Le texte de cette offre servira ensuite de base pour évaluer automatiquement le niveau de compatibilité avec chaque CV reçu.

Le module Google Docs permet d’extraire le contenu d’un document Google de manière simple, sans avoir à copier-coller manuellement l’annonce. Cela te permet de rendre l’analyse totalement dynamique et réutilisable.

➡️ Paramètres à personnaliser :

• Opération : Get (lecture d’un document existant)
• URL du document : renseigne ici l’URL du Google Docs contenant l’offre à analyser
• Connexion : sélectionne ton compte Google Docs (OAuth2)

Tu peux utiliser une URL différente à chaque exécution, selon l’offre à laquelle tu veux comparer le CV. Cela rend l’analyse adaptable à tous tes recrutements.

Cette étape active un agent IA intégré dans n8n, chargé de comparer automatiquement un CV avec une offre d’emploi. Le texte de l’annonce et le contenu du CV sont traités ensemble dans un prompt structuré afin d’obtenir un score de compatibilité précis.

Par défaut, l’analyse repose sur 4 critères pondérés, pour un total de 100 points :

• Compétences clés (40 points) : évalue le taux de correspondance entre les compétences requises et celles présentes dans le CV
• Expériences similaires (30 points) : mesure la proximité entre les expériences passées et les missions du poste
• Outils et méthodologies (20 points) : vérifie la maîtrise des outils ou méthodes spécifiés dans l’offre
• Formation (10 points) : compare le niveau et la spécialisation du diplôme avec les exigences de l’annonce

Le résultat est un JSON structuré, contenant les scores par critère et un score global, qui peut ensuite être exploité dans le reste du workflow.

Important : cette pondération est entièrement personnalisable. Tu peux modifier les critères d’analyse, ajuster les poids ou intégrer de nouveaux indicateurs comme la localisation, les langues parlées, les disponibilités, etc.

Tu peux ainsi adapter l’agent IA à ton propre barème ou à des processus de recrutement très spécifiques.

Cette étape connecte le scénario à un modèle de langage avancé, utilisé pour analyser le contenu du CV et de l’offre d’emploi. Par défaut, le workflow utilise GPT-4o d’OpenAI, un modèle de dernière génération reconnu pour sa précision et sa stabilité.

Le modèle est appelé via le module LangChain Chat Model, ce qui permet de déléguer les tâches complexes d’analyse sémantique et de pondération directement à l’IA, avec une réponse structurée au format JSON.

Important : tu peux remplacer GPT-4o par un autre modèle compatible si tu le souhaites. Par exemple, GPT-3.5 si tu veux réduire les coûts, ou un modèle hébergé en interne si tu préfères garder tes données localement.

Tout est paramétrable dans cette étape : choix du modèle, options de génération, température, nombre de tokens, etc. Le workflow est pensé pour rester flexible selon ton infrastructure et tes contraintes.

Une fois que l’agent IA a analysé le CV et l’offre d’emploi, il renvoie une réponse complète contenant le score global, le détail par critère, et un résumé.

Cette étape utilise le module Structured Output Parser pour transformer la réponse de l’IA en données structurées. Cela permet de récupérer des champs clairement identifiés, comme :

• match_score : le score global sur 100
• criteria.skills, criteria.experience, etc. : scores individuels
• summary : un résumé lisible de l’analyse

L’intérêt de cette étape est d’obtenir une structure JSON propre et exploitable, qu’on peut ensuite envoyer dans Google Sheets, Notion, Airtable ou utiliser pour déclencher des actions automatiques (comme un email ou une alerte interne).

Avantage : tout est déjà formaté, tu peux directement utiliser ces données dans les prochaines étapes de ton workflow, sans devoir les retraiter à la main.

Une fois l’analyse du CV terminée, cette étape permet de centraliser toutes les données dans Google Sheets. Chaque ligne correspond à un candidat, identifié par son email.

Le module Google Sheets est configuré ici en mode “Update” pour modifier une ligne existante en fonction de l’adresse email du candidat. Cela permet de ne pas créer de doublon et de garder un tableau toujours à jour.

Données mises à jour automatiquement :

• match_score : score global calculé par l’IA
• skills, experience, tools, education : score par critère
• summary : résumé de l’analyse
• job_title : poste analysé

Les données sont transmises depuis le parser structuré de l’étape précédente. Grâce à cette intégration, tu peux exploiter tes résultats dans un tableau clair, les filtrer, les classer, ou les relier à d’autres automatisations (ex : alertes, email de réponse, mise à jour CRM…)

Important : tu peux personnaliser à 100 % les colonnes mises à jour, la méthode de correspondance (par exemple avec un identifiant unique), ou ajouter des colonnes supplémentaires pour enrichir encore le suivi des candidatures.

Grâce au nœud “If”, tu peux automatiser une première décision : faut-il traiter cette candidature plus loin ?

Ici, nous avons défini un seuil arbitraire de 20 points (sur 100). Si le score global match_score du candidat est inférieur à ce seuil, alors le workflow peut :

• Envoyer un message type de refus (automatisé)
• Ignorer complètement le candidat dans le traitement en aval
• Le classer à part dans un onglet ou une base dédiée

Cette étape sert à filtrer les candidatures très éloignées du profil recherché avant d’enclencher des actions plus avancées (mise à jour CRM, notifications, etc.).

Bien entendu, tu peux adapter la logique : changer le seuil, combiner plusieurs critères (ex : score + absence d’outil clé), ou créer plusieurs branches conditionnelles pour différents niveaux de traitement.

Dans ce scénario, si le score du candidat est trop faible (inférieur à 20 dans notre exemple), on peut automatiser l’envoi d’un email de refus via Gmail.

Le message est personnalisé dynamiquement avec le nom du poste visé, ce qui permet un minimum de contextualisation :

Subject : Your Application – {{ $json.job_title }}

Hi,

Thank you for your interest in the {{ $json.job_title }} position. After reviewing your application, we’ve carefully assessed the match between your profile and the key requirements for this role.

At this time, we believe there is not enough alignment to proceed with the next steps of the process.

We appreciate the time and effort you put into your application and wish you all the best in your job search and future professional endeavors.

Warm regards,  
Romain  
CEO

Cette étape illustre bien ce qu’il est possible d’automatiser une fois l’analyse effectuée.

Mais rien n’est imposé : tu peux très bien choisir d’envoyer une notification Slack, de stocker en base pour un traitement manuel, ou de créer une tâche de suivi dans ton CRM. C’est totalement personnalisable.

Ici, l’automatisation de l’email sert simplement à illustrer la logique complète de préqualification, jusqu’à l’action.