Sémaphore

Une veille emploi qui trie avant moi

Chaque jour, près de 200 offres arrivent de dix sites d'emploi. Sémaphore les rassemble, retire les doublons, lit les annonces en entier, mesure le trajet et les note contre un profil. Il en reste une quinzaine à lire, et le temps gagné va aux candidatures.

Ouvrir la démonstration Comment ça marche

La démonstration tourne sur des données fictives, en lecture seule.

Le problème

Chercher un poste de chef de projet digital et IA en Île-de-France, c'est surveiller une dizaine de sites qui publient les mêmes annonces sous des noms différents, souvent tronquées, rarement avec le lieu exact. La plupart ne correspondent pas : mauvais métier, mauvais contrat, trajet impossible.

Le volume n'est pas le vrai problème. Le tri l'est : lire 200 annonces pour en garder une quinzaine, chaque jour, laisse peu de temps pour faire les candidatures.

Comment ça marche

  1. Collecter

    Dix sources chaque jour : API France Travail et Adzuna, APEC, Welcome to the Jungle, Choisir le Service Public, HelloWork, Cadremploi, Free-Work, Indeed et LinkedIn. S'y ajoutent les pages carrières d'une douzaine d'employeurs, lues par l'API publique de leur logiciel de recrutement.

  2. Nettoyer

    Une même annonce republiée ailleurs est reconnue et écartée. Quand un site n'en donne qu'un extrait, l'annonce complète est récupérée avant la note. Stages, alternances et métiers hors cible ne sont jamais enregistrés.

  3. Noter

    Chaque offre reçoit une note sur 100 : des règles simples (mots-clés, salaire, contrat) pour 40 %, et le jugement d'un modèle de langage qui lit l'annonce contre le profil pour 60 %. Le trajet en transports est calculé pour de vrai, porte à porte. Le modèle explique sa note : raisons, points d'alerte, mots-clés à reprendre dans le CV.

  4. Préparer

    Pour une offre retenue, Claude Code rédige un CV adapté, une lettre et un dossier de préparation à l'entretien, à partir de faits vérifiés uniquement. Rien ne part sans relecture : Sémaphore prépare, l'humain décide et envoie.

    Voir un exemple annoté

Un exemple de bout en bout

Une offre et un candidat inventés, pour montrer ce que Sémaphore prépare et pourquoi. Chaque document est annoté : ce qui a été adapté à l'offre, et ce que l'outil s'interdit.

L'offre · notée 84 sur 100 · trajet 27 min · recommandation « postuler »

Chef de projet IA générative · Mutuelle des Tilleuls

CDI · Paris 9e · 50 à 58 k€

  • Cadrer les cas d'usage de l'IA générative avec les directions métier
  • Piloter le déploiement d'un assistant interne, d'abord pour les conseillers de la gestion des sinistres
  • Animer la conduite du changement et former les équipes
  • Suivre les indicateurs d'usage. Une connaissance du RAG est un plus.

Mots-clés relevés à la notation

  • IA générative
  • cas d'usage
  • assistant interne
  • conduite du changement
  • formation
  • indicateurs d'usage
  • RAG

1 · Le CV adapté

Alex Moreau

Chef de projet IA générative

7 ans de gestion de projet digital

1

L'intitulé exact de l'annonce, que les logiciels de tri comparent en premier. Le parcours, lui, ne bouge pas : rien n'est inventé.

Le CV complet, annoté

2 · La lettre

Votre annonce place l'assistant des conseillers au centre du poste, et précise qu'il doit d'abord servir la gestion des sinistres. C'est le bon point de départ…

2

Pourquoi eux, avec leurs mots : un détail de l'annonce, lu avant d'écrire. Aucune phrase qui irait à n'importe quelle entreprise.

La lettre complète, annotée

3 · Le kit d'entretien

« L'annonce cite le RAG. »
Je ne l'ai pas pratiqué moi-même. Je sais ce qu'un assistant doit trouver dans les documents…

3

Les points faibles nommés avant le recruteur, avec une réponse vraie. Le RAG, absent du parcours, reste hors du CV et se prépare ici.

Le kit complet, annoté

En chiffres

Données réelles de l'outil, de juillet à novembre 2026.

  • ≈ 20 000offres collectées en quatre mois
  • 200 → 14offres par jour, avant et après le tri
  • 64 %écartées automatiquement par le modèle
  • ≈ 125 000annonces déjà connues ou en double, écartées à la collecte

À quoi ça ressemble

Captures de la démonstration, sur données fictives.

Vue À traiter : les offres notées au-dessus du seuil, triées par note, avec la source, le lieu et le trajet.
La pile du jour : seules les offres au-dessus du seuil de tri.
Fiche d'une offre : note détaillée, raisons du modèle, points d'alerte, mots-clés et trajet.
La fiche d'une offre : pourquoi cette note, et ce qu'il faut vérifier.
Tableau des candidatures en colonnes, de À postuler à Offre reçue.
Le suivi des candidatures, de la décision à la réponse.
Veille marché : rendement par source, compétences les plus demandées, salaires par famille de postes.
La veille marché : quelles sources rapportent, ce que les annonces demandent.

Mesurer avant d'activer

Chaque réglage du tri a été confronté aux décisions prises à la main sur plus de mille offres. Une idée qui ne bat pas la mesure ne part pas en production, même quand elle paraît bonne.

Le seuil de tri

Fixé à 65 sur 100 : 85 % des offres retenues à la main restent au-dessus, avec deux fois moins d'offres non pertinentes qu'au seuil précédent.

L'écartement automatique

Le modèle peut sortir une offre de la pile. Vérifié avant d'activer : aucune offre retenue à la main ne figurait parmi celles qu'il proposait d'écarter.

Le bruit du modèle

Noter deux fois la même offre donne 1,5 à 2,4 points d'écart. Une amélioration du prompt doit donc dépasser ce bruit : la dernière testée gagnait 2 offres sur 60, elle n'a pas été retenue.

Les nouvelles sources

Les pages carrières de 48 employeurs apportaient 1 015 offres absentes, mais 3 % seulement utiles. Douze employeurs ont été gardés. Une autre source publique, testée sur 20 résultats réels, a été écartée.

Ce que le projet m'a appris

Dans les coulisses

Ma façon de travailler

Je ne suis pas développeur. J'ai cadré chaque besoin, fait écrire le code par Claude Code, et vérifié chaque étape sur les données réelles avant de la mettre en service. Les règles et les pièges rencontrés sont consignés au fil de l'eau, pour que le projet reste maintenable.

La sécurité fait partie du cadrage, pas de la finition : une revue dédiée a refermé tout ce qui n'avait pas à être ouvert. Et comme les annonces sont écrites par des inconnus, l'assistant qui prépare les candidatures les traite comme des données à analyser, jamais comme des consignes à suivre, et le modèle qui note ne peut répondre que dans un format borné.

La technique

  • Serveur Node.js, base SQLite, collecte planifiée
  • Tableau de bord en HTML, CSS et JavaScript, sans framework
  • Notation par un modèle de langage, en sortie structurée
  • Temps de trajet calculé par l'API d'Île-de-France Mobilités
  • Hébergé en conteneur Docker, sauvegardé chaque jour
  • Sécurité de l'outil réel : accès par mot de passe et HTTPS, serveur jamais exposé directement, requêtes venues d'autres sites refusées, en-têtes stricts contre l'injection de scripts et l'affichage en iframe, aucune clé ni donnée personnelle dans le code

Ouvrir la démonstration