career-ops : un agent de recherche d'emploi open source, local d'abord, qui juge avant de postuler

De quoi s'agit-il : un agent open source de recherche d'emploi, du côté du candidat

career-ops est un projet open source hébergé sur GitHub. Son slogan est « The open-source AI job search agent ». L'auteur est santifer (Santiago Fernández de Valderrama Aparicio). L'origine est simple. Il a passé des mois à envoyer des CV dans le silence. Au lieu d'en envoyer davantage, il a construit le filtre dont il avait besoin. Le README donne ses chiffres : 740 offres évaluées, 68 candidatures, 12 entretiens, 1 offre d'emploi. Il dit avoir été le premier utilisateur de l'outil et l'avoir mis en open source après avoir décroché le poste. Selon le README, il a quitté ce poste six mois plus tard, et l'équipe continue aujourd'hui à développer career-ops.

Le fonctionnement tient en une phrase. Vous collez une offre. Sur votre propre machine, l'outil vous dit si l'annonce est toujours ouverte et si elle vous convient. Il adapte ensuite votre CV et rédige vos réponses au formulaire. La dernière étape reste humaine : « You press Submit », c'est vous qui envoyez.

Principe de conception : juger d'abord, agir ensuite

La plupart des outils d'IA pour la recherche d'emploi résolvent un problème de production : générer des CV plus vite, envoyer des candidatures en masse. career-ops part de l'autre bout. Il résout d'abord un problème de jugement. Le README s'ouvre sur un contraste : les entreprises utilisent l'IA pour filtrer les candidats, et l'auteur a donné aux candidats une IA pour choisir les entreprises. La première réponse de l'outil n'est pas un document, c'est un verdict. Si le verdict est « do not apply », vous récupérez votre soirée. S'il revient avec un plan, vous savez quoi faire ensuite.

La démonstration montre la recherche de l'auteur : une liste d'offres notées, un compteur rouge des offres classées « do not apply », puis un rapport d'évaluation complet. L'interface est en espagnol. Le README existe en 17 langues, dont l'anglais, l'espagnol, l'allemand, le français, le japonais, le coréen et le chinois simplifié et traditionnel.

Fonctionnement et ce qui peut être vérifié

Une précision d'abord. Le texte dont nous disposons est le début du README. Il ne décrit pas les détails internes : critères de notation, structure des prompts, méthode de collecte des offres, format de stockage. Nous ne traitons donc que ce que le README affirme, et ce qu'on peut en déduire raisonnablement. Premièrement, le local d'abord. Le README indique : « Open source. Local. In the AI CLI you already use. » L'outil fonctionne dans le client en ligne de commande que vous utilisez déjà, pas dans un service hébergé. L'entrée est une seule commande : npx @santifer/career-ops init. Cela suggère une distribution sous forme de paquet npm qui installe le flux de travail dans votre environnement. Votre CV, votre historique de candidatures et les verdicts n'ont pas besoin d'être confiés à une plateforme tierce.

Deuxièmement, des modèles interchangeables. Le README renvoie vers un document RUNNING_ON_A_BUDGET et mentionne des modèles gratuits et locaux. Pour qui ne veut pas payer chaque évaluation, la barrière baisse. Le compromis est net : les petits modèles locaux sont en général moins bons que les grands modèles cloud pour juger un long texte et pour la qualité de rédaction. Troisièmement, la vérification « l'offre est-elle encore ouverte ». Beaucoup de candidats perdent du temps sur des annonces déjà retirées. Réunir « encore ouverte » et « me convient-elle » dans une seule évaluation est une idée pratique. Le README n'explique pas la méthode, nous ne la devinons pas. Quatrièmement, l'humain dans la boucle. L'outil rédige et adapte, mais une personne envoie. Le README en fait un manifeste de six lignes : mieux postuler à moins d'offres ; le signal plutôt que le volume ; les preuves plutôt que les mots-clés ; un humain décide ; local d'abord ; de la dignité des deux côtés de la table.

Chiffres clés et lecture prudente

Les chiffres 740, 68, 12 et 1 forment un entonnoir parlant. L'auteur a évalué plus de dix fois plus d'offres qu'il n'a postulé, et il a postulé environ cinq à six fois plus qu'il n'a eu d'entretiens. La plupart des offres ont été écartées à l'évaluation. C'est l'inverse d'une stratégie d'envoi en masse.

Il faut rester prudent. C'est le parcours d'une seule personne, pas une expérience contrôlée. Le README ne donne pas le taux de réussite sans l'outil et ne peut pas écarter l'effet du secteur, de l'expérience, de la région ou du moment. C'est un témoignage solide, pas une preuve d'efficacité. Il n'y a pas non plus de mesure de latence ni de coût : le coût dépend du modèle choisi.

Les signaux communautaires sont plus nombreux. Le projet est signalé comme premier dépôt du jour sur Trendshift, présenté sur Product Hunt et soutenu par le programme open source de Vercel. Le README cite aussi des articles de WIRED et de Business Insider. Un fichier HIRED.md compte les histoires publiques de personnes embauchées avec un badge dynamique ; chaque carte est une issue publique lisible. Ce sont des éléments avancés par le projet lui-même. Ils sont vérifiables sur les pages liées, mais nous ne les avons pas tous contrôlés.

Impact pour les développeurs et le marché

Pour les développeurs, career-ops est un cas d'étude utile : une tâche très personnelle devient un flux de travail distribuable, exécuté dans un outil d'IA en ligne de commande généraliste plutôt que dans une application dédiée. Avantages : réutilisation de l'accès aux modèles que vous avez déjà, faible coût de distribution, modifications faciles par la communauté.

Pour le marché de l'emploi, c'est une tentative de rééquilibrage. Les recruteurs filtrent les CV par algorithme depuis des années, alors que les candidats n'avaient que des modèles et du bourrage de mots-clés. career-ops donne un outil d'évaluation aux candidats et s'oppose ouvertement au volume. Traiter « ne pas postuler » comme une valeur centrale du produit est remarquable, car la plupart des outils mesurent le succès au nombre de candidatures envoyées.

Limites et risques

D'abord, la qualité de l'évaluation dépend du modèle. Les notes, l'adéquation et le verdict « do not apply » sont des sorties de modèle et peuvent être fausses. Il faut les lire comme un conseil, pas comme un jugement. Ensuite, la confidentialité. Le local d'abord réduit le risque de fuite, mais avec un modèle cloud le contenu de votre CV part chez le fournisseur. Un modèle local l'évite, au prix de la qualité. Puis, la véracité des textes rédigés. L'adaptation automatique doit rester fidèle à votre expérience réelle. Le principe « les preuves plutôt que les mots-clés » va dans le bon sens, mais l'outil ne vérifie pas les faits. Celui qui appuie sur envoi en porte la responsabilité.

Enfin, la base de preuves est étroite : surtout le récit de l'auteur et des témoignages. Il n'existe pas d'évaluation indépendante et reproductible.

Évolutions possibles

La structure du README laisse voir plusieurs pistes : plus de langues pour la documentation et l'interface, une bibliothèque croissante d'histoires d'embauche et une communauté autour du manifeste, qui affiche un compteur de signatures. L'étape la plus utile serait un benchmark public : comparer plusieurs modèles sur un jeu fixe d'offres pour la décision « postuler ou non » et mesurer l'accord avec le jugement humain.

Conclusion

La valeur de career-ops n'est pas de vous faire postuler plus, mais de vous faire postuler moins et mieux. Il place le jugement avant l'action, laisse la décision à une personne et garde les données chez vous.

Les preuves viennent surtout d'un cas unique et de témoignages, à lire avec prudence. L'idée est claire et l'essai coûte peu : une commande npx et une offre à laquelle vous alliez postuler ce soir.