# Matching IA de candidats Source: https://docs.mira.day/fr/docs/agent-sourcing/understanding-ai-matching > Comment Mira Reasoning Embedding interprète vos exigences. Va au-delà de la recherche par mots-clés pour comprendre le contexte, les signaux de séniorité et les critères implicites. Sur la plupart des plateformes, chercher un candidat revient à faire du matching par mots-clés, vous tapez "développeur Python Berlin" et vous récupérez toutes les personnes qui ont ces mots dans leur profil. C'est rapide, mais ça rate beaucoup de choses. Mira fonctionne autrement. Mira Reasoning Embedding (MRE) lit votre description, raisonne sur ce dont vous avez vraiment besoin, et évalue l'historique complet de carrière de chaque candidat par rapport à vos exigences. Voici ce que ça veut dire concrètement. *** Ce que MRE comprend et que les mots-clés ne comprennent pas [#ce-que-mre-comprend-et-que-les-mots-clés-ne-comprennent-pas] "5 ans d'expérience backend" [#5-ans-dexpérience-backend] Recherche par mots-clés : cherche "5 ans" dans le texte du profil. MRE : calcule le nombre réel d'années à partir de la chronologie des postes du candidat. Si quelqu'un a fait 3 ans dans l'entreprise A et 2,5 ans dans l'entreprise B sur des missions backend, MRE le comptabilise correctement, même si le profil ne dit nulle part "5 ans". "Quelqu'un qui a construit un produit de 0 à 1" [#quelquun-qui-a-construit-un-produit-de-0-à-1] Recherche par mots-clés : cherche littéralement l'expression "0 to 1". MRE : identifie les candidats qui ont rejoint des entreprises en phase précoce (pré-Series A, moins de 20 personnes) sur des rôles produit ou engineering, et qui y sont restés pendant une phase de croissance. Il lit des patterns de carrière, pas des mots-clés. "Profil d'entreprise en hypercroissance" [#profil-dentreprise-en-hypercroissance] Recherche par mots-clés : impossible. MRE : examine les données entreprises, tours de financement, croissance des effectifs, signaux de revenu, et identifie les candidats dont les employeurs correspondent au pattern "hypercroissance". "Grand groupe coté + expérience startup" [#grand-groupe-coté--expérience-startup] Recherche par mots-clés : deux filtres séparés, sans lien. MRE : évalue l'arc de carrière complet, trouve des personnes qui ont travaillé à la fois dans une société cotée ET dans une startup à différents moments de leur carrière, en comprenant que cette combinaison signale un type particulier de polyvalence. Ce que ça change pour vous [#ce-que-ça-change-pour-vous] Vous pouvez décrire un poste comme vous le décririez à un collègue recruteur : > *"J'ai besoin de quelqu'un de senior, technique mais au contact client, qui a fait du enterprise sales dans une startup qui avait vraiment son product-market fit, pas une boîte qui a juste levé beaucoup d'argent."* MRE décompose ça en plusieurs critères d'évaluation et les applique. Pas besoin de chaînes booléennes, de filtres ou de "syntaxe de recherche". D'où vient la technologie [#doù-vient-la-technologie] MRE est issu des travaux de recherche de Mira sur le retrieval basé sur le raisonnement. Il est actuellement premier de la catégorie Embedding et premier au classement général sur BRIGHT, un benchmark public pour la recherche par raisonnement. Mira a également construit PJBenchmark, un jeu d'évaluation spécifique au recrutement à partir de données de hiring réelles. Quatre papers décrivent l'approche : * [Time-Scaling Is What Agents Need Now](https://arxiv.org/abs/2601.02714) * [Refine Thought](https://arxiv.org/abs/2511.13726) * [PJB](https://arxiv.org/abs/2603.17386) * [CRE-T1 Preview Technical Report](https://arxiv.org/abs/2603.17387) Ce que ça ne fait pas [#ce-que-ça-ne-fait-pas] * **Ce n'est pas de la magie.** Si le bon candidat n'existe pas dans les sources de données, MRE n'en inventera pas. * **Ce n'est pas une décision d'embauche.** MRE fait remonter les meilleurs matches disponibles pour votre review. La décision finale est toujours la vôtre. * **La précision dépend de la complétude des données.** Des profils incomplets donnent des matches moins précis. Parcourir toute la Shortlist, pas juste le premier résultat, en vaut toujours la peine. Obtenir de meilleurs résultats [#obtenir-de-meilleurs-résultats] La qualité du matching dépend de la qualité de votre input : * Soyez spécifique → meilleurs matches. * Incluez les éléments "implicites" → ça active le raisonnement. * Affinez après avoir vu les résultats → chaque round devient plus précis. Voir [Rédiger une JD efficace](/fr/docs/agent-sourcing/write-an-effective-jd) pour les conseils pratiques.