Surikai engineering, accueilÉchangerContactez-nous
FREN

IA APPLIQUÉE · RH ET MÉTIER

Intégrer l’IA là où elle apporte un gain métier.

Nous concevons des solutions d’IA reliées à vos documents, à vos données et à vos processus : recherche en langage naturel, assistants ou agents. Les RH sont notre domaine de spécialité, et la même démarche s’applique aux autres métiers. Les instructions données au modèle, la préparation des données et l’évaluation des résultats intègrent les exigences de chaque usage, dont la non-discrimination, la confidentialité des données personnelles, le RGPD et l’AI Act.

Échanger sur votre projet Le projet Hub
Illustration de l’IA appliquée aux données métier

NOTRE APPROCHE

Une IA appliquée à des usages précis

Les gains les plus nets apparaissent souvent sur des tâches qui mobilisent beaucoup de temps, par exemple :

  • Retrouver des profils dans une base de CV
  • Répondre à une question à partir des politiques et des accords internes
  • Préparer l’analyse de candidatures
  • Rapprocher des offres et des profils

Nous partons de ces usages et des documents réellement disponibles, puis nous définissons avec l’équipe projet les critères qui permettront de juger le résultat. Les réponses renvoient vers leurs sources, et les équipes conservent l’évaluation et la décision.

Le modèle d’IA est choisi parmi différents fournisseurs, selon l’usage, la confidentialité requise et le budget. Nous recommandons des modèles européens, comme ceux de Mistral AI, et un calcul des embeddings sur un serveur privé lorsque le volume et l’infrastructure le permettent. Un changement de modèle modifie aussi le comportement de l’assistant à instructions identiques ; les tests sont donc rejoués à chaque changement.

Voir l’architecture 100 % européenne

PROMPT ENGINEERING

Des instructions conçues pour les exigences des RH

La qualité, le délai et le coût d’un assistant dépendent en grande partie des instructions données au modèle. Nous les rédigeons, les testons et les faisons évoluer comme une spécification, avec des règles adaptées aux usages RH.

  • Des instructions versionnées et testées

    Les instructions sont rédigées, testées et conservées comme une spécification, version après version.

    Détails
    • Rôle de l’assistant et format des réponses
    • Obligation de citer les sources
    • Conduite à tenir lorsque l’information n’existe pas dans les documents
    • Comparaison de chaque version à la précédente sur les mêmes scénarios avant sa mise en service

  • Des clauses de non-discrimination

    Dans un usage de recrutement ou de gestion des carrières, les instructions demandent au modèle de s’en tenir aux compétences et aux expériences en lien avec le besoin.

    Détails
    • Exclusion des critères de discrimination définis par le Code du travail, comme l’âge, le sexe, l’origine, la situation de famille, le lieu de résidence ou l’état de santé
    • Pseudonymisation des textes transmis, qui limite l’exposition des identités et des informations sans rapport avec le besoin
    • Tests dédiés pour vérifier l’application de ces clauses

  • Des réponses évaluées sur des scénarios

    L’assistant est évalué sur des scénarios représentatifs, avec des corpus fictifs qui évitent d’exposer des données réelles.

    Détails
    • Expériences proches et reformulations
    • Critères géographiques
    • Absence de réponse et exclusions de visibilité
    • Examen des sources citées avec la même attention que la qualité du texte

  • Un temps de réponse et un coût maîtrisés

    Lors de la mise au point d’un assistant de recherche sur un corpus de test, la révision des instructions et de la configuration a ramené le temps de réponse d’environ 45 à 11 secondes par question, avec le même modèle et la même architecture.

    Détails
    • Réduction du nombre d’appels au modèle et du volume de tokens
    • Suivi du coût par requête
    • Quotas d’usage par groupe d’utilisateurs pour garder un budget prévisible

Certains usages de l’IA pour le recrutement ou la gestion des carrières relèvent des systèmes que l’AI Act classe à haut risque. La documentation des instructions, les tests, la traçabilité des réponses et la supervision humaine contribuent à préparer ses exigences, selon la qualification du système et le rôle de chaque acteur.

RAG ET CONFIDENTIALITÉ

Une recherche qui maîtrise les données transmises au modèle

Le RAG permet au modèle de répondre à partir de documents sélectionnés dans votre corpus. Avant tout traitement par l’IA, les textes sont pseudonymisés : noms, coordonnées et liens personnels sont retirés, tandis que les expériences et les informations utiles à la recherche sont conservées. Les originaux restent dans la plateforme avec leurs propres droits d’accès, et les textes pseudonymisés restent des données personnelles soumises au RGPD.

La sélection des documents combine des critères structurés, appliqués avec les droits d’accès et les exclusions de visibilité, et une recherche par le sens orientée par HyDE. La réponse repose uniquement sur les documents réels retrouvés, dont seuls les extraits retenus sont transmis au modèle.

À l’indexation de chaque document
Document original

Conservé dans la plateforme, avec ses droits d’accès.

Pseudonymisation

Noms, coordonnées et liens personnels retirés.

Données structurées et embeddings

Critères exacts comme la zone de mobilité, et index pour la recherche par le sens.

À chaque question
Besoin en langage naturel

La demande de l’utilisateur, avec ses critères.

Filtres déterministes

Critères structurés, droits d’accès et exclusions de visibilité.

Recherche vectorielle

Orientée par HyDE, dans le corpus autorisé.

Frontière avant le LLM
LLM · réponse sourcée

Seuls les extraits pseudonymisés retenus sont transmis ; la réponse renvoie à ses sources.

Recherche · Les critères structurés et les droits sont appliqués de manière déterministe ; le LLM reçoit uniquement les extraits pseudonymisés retenus.

Explorer le conseil RGPD

BONNES PRATIQUES

Questions utiles

Quel modèle d’IA privilégier ?

Nous recommandons des modèles européens, comme ceux de Mistral AI, utilisés par exemple dans notre réalisation Hub. L’architecture reste ouverte à d’autres fournisseurs : le modèle est choisi selon l’usage, la confidentialité requise et le budget, et nous prévoyons dès la conception de pouvoir le remplacer.

Faut-il transmettre l’identité des personnes au modèle ?

Dans la plupart des usages RH, ce n’est pas nécessaire. Nous recommandons de transmettre au modèle des textes pseudonymisés et de produire des réponses sans identité, l’accès au dossier nominatif restant dans l’application, après contrôle des droits. La pseudonymisation réduit l’identification directe ; les textes restent des données personnelles au sens du RGPD.

Quelle place laisser à la décision humaine ?

Nous concevons l’assistant pour préparer le travail : retrouver les dossiers, examiner les éléments qui répondent au besoin et signaler ce qui reste à vérifier. L’évaluation, les échanges avec le candidat et la décision restent du ressort du recruteur, ce qui contribue à la supervision humaine attendue par l’AI Act.

À quels autres usages cette démarche s’applique‑t‑elle ?

Elle s’applique à une base de connaissances, à des politiques et ressources RH, à l’analyse de candidatures ou au rapprochement d’offres et de profils, ainsi qu’à des corpus documentaires d’autres métiers. Pour chaque projet, nous définissons les usages, les droits d’accès et les critères de qualité.

Par où commencer un projet ?

Un premier cas d’usage limité, avec un corpus représentatif et quelques scénarios de test, permet de mesurer la pertinence, le délai et le coût avant d’élargir. Des données fictives peuvent servir aux premiers essais.

Parlons de votre projet

Une opportunité de valeur ajoutée avec l’IA à discuter ?

Décrivez l’usage envisagé et les documents concernés. Un premier échange suffit souvent pour voir si l’IA apporte un gain réel et à quelles conditions.

Échanger sur votre projet