Présentation

Yeah Nah est un service web dédié aux annonces d’emploi en Australie. L’utilisateur copie le texte complet d’une offre, le colle dans l’interface, et le système renvoie deux éléments : une version « roast » qui décortique chaque ligne et expose le sens réel, ainsi qu’un BS score compris entre 0 et 100. Un score de 0 indique un texte rédigé en anglais clair, tandis que 100 correspond à du pur marketing sans contenu factuel. Les citations sont reproduites mot‑pour‑mot, ce qui garantit que le texte analysé reste identique à l’annonce originale.

Architecture technique

Le cœur du service repose sur un modèle de langage génératif capable d’interpréter le texte fourni et de reformuler chaque phrase selon deux axes : la traduction littérale et la description fonctionnelle du poste. Le modèle est invoqué via une API cloud, ce qui permet de traiter les requêtes en temps réel sans héberger le modèle en interne. Le backend stocke temporairement les annonces pendant 90 jours afin d’ajuster les prompts ; après ce délai, le texte source est supprimé, tandis que la version roast est conservée pour la consultation publique.

Méthodologie du scoring

Le BS score est calculé à partir d’une analyse comparative entre le texte d’origine et la version « plain English ». Le système quantifie le nombre de tournures marketing, de termes vagues et de promesses non vérifiables. Chaque occurrence augmente le score proportionnellement, aboutissant à un indice maximal de 100. Le score final est présenté à l’utilisateur avec la version roast, offrant ainsi un repère visuel du niveau de « spin » présent dans l’annonce.

Implications et limites

Le service se concentre exclusivement sur le contenu rédactionnel, excluant toute évaluation de la culture d’entreprise ou des conditions de travail. La conservation des annonces pendant 90 jours soulève des questions de confidentialité : bien que le texte soit supprimé après ce délai, il reste accessible pendant la période de test des prompts. De plus, la dépendance à un modèle de langage générique introduit un risque de biais ; le score reflète les critères d’évaluation du modèle, qui peuvent varier selon les versions d’API utilisées. Enfin, l’absence de métriques publiques sur la précision du score limite la vérifiabilité indépendante du service.