Pourquoi les modèles discriminatifs surpassent les LLM génératifs dans le tri des candidatures

Les systèmes classiques de suivi des candidatures reposent sur des filtres de mots-clés bruts, tandis que les solutions récentes d'IA générative résument les CV en paragraphes de texte ou génèrent des scores numériques non calibrés. Concevoir des outils de sélection de candidats au-dessus de grands modèles de langage (LLM) génératifs révèle des limites nettes : le décodage autorégressif étape par étape engendre une latence inutile, l'échantillonnage entraîne des résultats incohérents pour des entrées identiques, et les chiffres générés manquent d'une véritable calibration statistique.

Latence générative et scores non calibrés

Les LLM génératifs calculent leur sortie jeton par jeton selon un processus séquentiel. Cette architecture introduit des délais inhérents et un coût par jeton de sortie plus élevé que pour le traitement des entrées. Bien que le décodage contraint force les modèles génératifs à respecter des schémas JSON structurés, il ne fait que restreindre le formatage des jetons sans transformer la sortie sous-jacente en une probabilité statistique calibrée.

Lors du tri des candidats, une évaluation générée de 70 % par un LLM reflète une prédiction textuelle stylistique plutôt qu'une mesure probabiliste réelle. Comme les modèles génératifs évaluent chaque entrée de façon indépendante sans référence interne unifiée et échantillonnent fréquemment leurs sorties via des paramètres de température non nuls, des compétences identiques peuvent donner des scores variables. De plus, les sorties génératives ne peuvent pas signaler quand la confiance sous-jacente du modèle est faible, ce qui oblige les opérateurs humains à vérifier chaque résultat quelle que soit sa précision.

Prise de décision discriminative avec TypeSafe Jev

Afin de résoudre le tri comme un problème de reconnaissance de formes, TypeSafe AI a lancé en septembre 2026 un modèle nommé Jev. Conçu comme un modèle discriminatif de Système 1 non génératif, Jev évite totalement la génération de texte. Il évalue plutôt les données d'entrée par rapport à un ensemble fixe de questions typées et renvoie des scores numériques accompagnés de probabilités calibrées. Co-fondé par l'ancien chercheur en RLHF Diogo Almeida, TypeSafe a entraîné Jev à l'aide de l'apprentissage par renforcement pour des décisions calibrées (RLCD) afin de garantir que les métriques de confiance signalées reflètent directement les taux de précision réels.

Puisqu'un modèle discriminatif fonctionne sur des espaces de réponses prédéfinis, les hallucinations structurelles deviennent impossibles. Lorsqu'il est intégré dans des outils de recrutement tels que des portails d'agences construits avec Next.js et Supabase, Jev évalue simultanément plusieurs critères d'emploi à travers le texte des candidats. Plutôt que de prendre des décisions de rejet automatisées, les sorties de probabilités calibrées signalent les scores à faible confiance pour un examen humain tout en triant proprement les candidats à haute confiance.

Illustration éditoriale générée par IA ; ce n’est pas une photographie documentaire.

Source: How to Build an AI Résumé Screening Tool with Next.js, Supabase, and TypeSafe Jev