Derrière les outils que tout le monde utilise et que personne ne regarde vraiment.
Un recruteur ouvre un profil LinkedIn: “Leadership.” “Strategic Planning.” “Change Management.” “Python.” “Financial Analysis.” Les mots sont propres, bien alignés, validés par quelques contacts, parfois même accompagnés de petites confirmations sociales qui donnent l’impression que d’autres professionnels ont vu ces compétences en action et acceptent maintenant d’y associer leur nom.
Le recruteur continue son travail de spéléologue de surface.
Souvent, quelque chose d’important manque déjà au milieu de cette scène : personne dans le processus n’est réellement capable de vérifier ce que ces mots veulent dire une fois le travail commencé.
Le système traite pourtant ces compétences comme des données exploitables. Pour LinkedIn, pour l’ATS, pour les filtres de recherche, pour le recruteur qui scanne rapidement une liste de profils, le mot devient un signal suffisant pour commencer à classer les candidatures, alors qu’entre deux personnes affichant exactement la même compétence il peut exister un écart immense, une personne qui a piloté une transformation organisationnelle pendant trois ans, absorbé des conflits politiques, restructuré des équipes, porté les conséquences du changement jusqu’au bout, et une autre qui a assisté à deux réunions internes pendant qu’un consultant externe faisait le travail réel.
Les deux profils affichent “Change Management”, le système voit une correspondance, mais le plus étrange dans tout ça reste probablement ailleurs.
Le recrutement moderne fonctionne déjà largement sur des terminologies que les gens autour de la table ne maîtrisent pas toujours complètement. Des recruteurs qui embauchent des développeurs sans comprendre réellement les différences entre SQL, C++, Python ou HTML ni les philosophies techniques qui viennent avec eux. Des entreprises qui cherchent du “leadership” sans être capables de définir précisément ce qu’elles attendent une fois la personne assise dans le poste. Des organisations qui cherchent un analyste financier senior capable de construire des modèles complexes, comprendre les risques opérationnels et soutenir la prise de décision stratégique, puis filtrent pourtant les CV avec des mots comme “comptabilité”, “finance” ou “CFO”, avant de se demander pourquoi elles reçoivent surtout des profils qui n’ont jamais réellement fait le travail qu’elles essaient de remplir.
LinkedIn n’a pas créé cette logique. LinkedIn a simplement repris un système qui confondait déjà les mots avec la compréhension et l’a rendu plus rapide, plus fluide, plus automatisé.
Alors les mêmes compétences commencent à apparaître partout, les mêmes blocs de mots circulent d’un profil à l’autre et tout le monde comprend progressivement ce qu’il faut écrire pour continuer à exister dans les résultats de recherche.
Tu crois lire des compétences alors que tu regardes souvent des mots qui ont appris à se faire passer pour des preuves.
Et certains des profils les plus solides deviennent presque invisibles ici, non pas parce qu’ils ont moins fait, mais parce qu’ils décrivent leur travail avec précision pendant que d’autres apprennent à construire un profil optimisé pour les systèmes qui les lisent.
Tu as déjà préféré quelqu’un qui savait nommer le travail à quelqu’un qui savait réellement le faire.
La technologie aurait pourtant pu demander autre chose comme où cette compétence avait été utilisée, sur quel projet, pendant combien de temps, avec quelles conséquences observables, quelles traces réelles existent derrière le mot, quelles erreurs ont été traversées pendant le processus, mais un système construit pour accélérer le tri fonctionne beaucoup plus vite quand il compare des étiquettes.
Le système fait exactement ce qu’on lui demande et le problème, c’est qu’on ne lui demande pas si le travail a été fait, on lui demande si le mot est présent.
Le réel laisse toujours des traces.
