Déploiement d’un agent IA d’automatisation des CV et d’un chatbot IA interne de recherche de profils

Le projet a vite dépassé le simple cadre fonctionnel. Une fois l’agent IA et le chatbot conçus, il fallait les intégrer proprement dans l’existant, avec une approche robuste côté données, recherche et exécution des workflows.

Le premier gros sujet a été la recherche et le matching de profils. L’objectif était simple sur le papier, à partir d’un extrait d’appel d’offres, identifier les profils les plus cohérents. En pratique, le problème est plus fin. On a séparé le matching en deux dimensions, les hard skills, c’est-à-dire les compétences et technologies attendues, et le contexte des missions, plus proche des soft skills et de l’expérience réelle.

Plusieurs pistes ont été explorées. On a testé des approches proches du RAG avec embeddings, en vectorisant les compétences extraites des profils et celles issues des appels d’offres pour comparer les similarités. On a aussi expérimenté une vectorisation plus globale, en travaillant sur la synthèse d’un appel d’offres et sur la vectorisation fine de chaque expérience d’un profil. L’idée était de combiner ces signaux, puis éventuellement de reranker les profils les plus proches.

En parallèle, on a poussé la recherche full-text PostgreSQL assez loin. Une vue matérialisée a été construite pour agréger les expériences et appliquer des poids différents selon les colonnes. Les compétences, le contexte, les réalisations ou encore le poste occupé ne portent pas le même signal. Le scoring a été ajusté progressivement pour éviter les faux positifs, notamment quand l’utilisateur saisit beaucoup de mots-clés. Plus la requête est dense, plus le ranking devient sensible à la pondération.

Un autre défi important a concerné le choix du modèle pour l’extraction de données structurées. Extraire proprement des expériences, des compétences et des contextes à partir d’un CV hétérogène n’est pas trivial. Tous les modèles ne se valent pas sur ce type de tâche. On a donc mis en place un benchmark interne avec un Google Sheet dédié pour comparer les performances des différents modèles. En parallèle, un outil de test interne a été développé pour exécuter les mêmes prompts sur plusieurs modèles et mesurer la qualité, la cohérence des sorties et la stabilité dans le temps. Ce travail de comparaison a permis de sélectionner les modèles les plus adaptés à la structuration, en tenant compte à la fois de la qualité des résultats, de la latence et des coûts.

Enfin, l’orchestration via Mastra a demandé de l’adaptation. La librairie était encore en beta au démarrage et évoluait régulièrement. Les mises à jour fréquentes impliquaient des ajustements côté code pour maintenir la stabilité du système et éviter les régressions.

Ces défis relèvent moins de l’IA en tant que telle que de son intégration dans un système réel. Dès qu’on parle d’agent connecté à une base interne RH, de recherche structurée et d’infrastructure sécurisée, on est sur un sujet d’architecture IA et de robustesse, pas uniquement de modèle.