Recommander n'est pas apparier
Un moteur de recommandation cherche à maximiser l'intérêt perçu : il propose ce qui a des chances de plaire. Un algorithme de matching poursuit une finalité plus exigeante : établir une correspondance justifiable entre les compétences d'une personne et les exigences d'un métier, puis tracer le chemin pour combler l'écart. La ressemblance de surface ne suffit pas, car deux profils qui se ressemblent peuvent viser des débouchés très différents selon leur expérience et leurs contraintes de vie. Confondre les deux approches revient à confondre séduction et pertinence, au détriment de la personne orientée.
Cette nuance produit des architectures différentes. Là où la recommandation s'appuie souvent sur des signaux comportementaux — clics, durées de visionnage, historiques de navigation — le matching mobilise des référentiels structurés : compétences, prérequis, niveaux, débouchés. La qualité du résultat dépend directement de la qualité de ces référentiels, et non de la puissance de calcul disponible. L'effort porte donc sur la donnée et son entretien dans le temps, plutôt que sur la seule taille du modèle employé. Cette finalité d'emploi distingue le matching d'un simple moteur de contenus, quel que soit le vocabulaire marketing employé pour les présenter au grand public.
Les données qui font tenir un matching
Trois familles de données entrent en jeu. Du côté du profil : compétences acquises, expérience, contraintes personnelles. Du côté du métier : exigences du poste, compétences attendues, passerelles existantes. Du côté du parcours : durée, prérequis, contenu, débouchés observés. L'appariement se joue dans la mise en correspondance de ces trois plans, et l'absence de l'un d'eux rend tout le reste bancal, aussi sophistiqué soit le modèle statistique employé. Un système qui ignore les contraintes personnelles propose des parcours théoriquement pertinents mais impossibles à suivre au quotidien.
Les référentiels de compétences publient souvent ces liens sous forme de correspondances plus ou moins fines. Plus la granularité est grande, plus le matching est précis, mais plus le travail de maintenance est lourd. C'est un arbitrage permanent entre finesse et tenue dans le temps, qu'aucun algorithme ne règle à la place des équipes. Ces équipes doivent actualiser les référentiels au rythme des évolutions de métiers et des nomenclatures officielles qui les décrivent, sous peine de voir le moteur proposer des voies devenues obsolètes.
Biais, équité et explicabilité
Un algorithme d'orientation touche des décisions qui engagent un parcours de vie. Il doit donc être examiné avec attention. Si les données historiques reflètent des inégalités d'accès, le système les reproduira, parfois en les amplifiant. Les critères comme l'origine, le genre ou l'âge doivent être exclus ou surveillés, et les résultats testés par sous-population avant toute mise en service, avec des indicateurs d'écart suivis dans la durée plutôt qu'un contrôle ponctuel oublié dès la mise en production.
L'explicabilité est l'autre exigence. Un conseiller qui oriente doit pouvoir dire pourquoi une formation est proposée plutôt qu'une autre, et contester le résultat. Une correspondance opaque, même statistiquement pertinente, reste inutilisable dans un accompagnement réel où la personne attend des raisons compréhensibles, un droit de réponse et la possibilité de faire valoir sa propre lecture de son projet professionnel face à une recommandation automatique. La confiance se construit dans cette transparence, pas dans la perfection apparente d'un score.
Du score à la décision d'orientation
Un score de matching n'est pas une décision. Il classe des possibilités et signale des écarts ; il ne remplace ni l'entretien, ni la connaissance du terrain, ni la prise en compte du projet personnel. Le placer au centre de la conversation plutôt qu'à son service est une erreur courante, et elle se paie en confiance perdue par la personne accompagnée comme par le professionnel qui relaie un résultat sans en comprendre les ressorts ni pouvoir en discuter les limites.
Bien conçu, il allège la partie mécanique du travail : repérer les passerelles, mesurer les écarts de compétences, simuler des trajectoires. Le temps libéré revient à l'accompagnement, là où se joue réellement la réussite de l'orientation. L'algorithme n'a jamais prétendu remplacer le jugement d'un conseiller qui connaît le tissu économique local, les entreprises du bassin et les personnes qu'il suit au fil des années. Il assiste l'orientation ; il ne la décide pas, et cette frontière mérite d'être explicite pour tous les utilisateurs du dispositif.
Aller plus loin
Ces compétences se situent au croisement de la donnée et de l'orientation, et Cabinet MARA les enseigne dans des formations 100 % en ligne. La formation Conseiller d'Orientation Augmenté par IA figure dans vers le catalogue des 31 formations.
Vous voulez maîtriser ce sujet en pratique ?
Cabinet MARA forme en ligne, sur des cas réels, avec des modules courts et un suivi de progression.
Voir la formation liée Les 31 formations