Exemples d’IA dans les RH : 11 cas concrets où l’IA travaille pour les équipes RH

Malgré les automatisations existantes, les pratiques de fixation d’objectifs chez Zapier restaient incohérentes et contraignantes. Il était difficile pour les employés de formuler des objectifs mesurables et alignés, tandis que les managers manquaient de visibilité sur la qualité à travers les départements.

Les cadres traditionnels de fixation d’objectifs ne prenaient pas, et les employés, déjà surchargés, finissaient par se désengager du processus, au risque de générer des écarts d’alignement et de moins bons résultats en termes de performance.

L’approche IA

Emily Mabie, responsable de l’accompagnement des managers chez Zapier, a mis en place un système complet basé sur l’IA pour soutenir la fixation d’objectifs — depuis le coaching individuel jusqu’à l’analyse des tendances collectives. Le projet s’appuyait sur cinq outils natifs Zapier articulés entre eux en moins de deux semaines :

1. Chatbot de coaching IA : hébergé sur une page web créée par Zapier, le bot accompagne les employés avec le cadre AMP propriétaire de Zapier pour la fixation d’objectifs. L’IA fournit des conseils en temps réel, des rappels et des exemples, conformément aux attentes de Zapier en matière de conception d’objectifs efficaces et adaptables. Cela réduit les tâches RH répétitives tout en renforçant l’engagement.
2. Collecte automatisée des données : les conversations sont anonymisées et envoyées dans une base de données Zapier Table via un workflow Zapier personnalisé, créant un référentiel centralisé tout en respectant la confidentialité. Ces jeux de données deviennent précieux pour l’analyse continue.
3. Agent IA back-end : Un Agent Zapier analyse ensuite tous les dialogues enregistrés à l’aide du machine learning afin de détecter les points d’abandon et de repérer les points faibles des objectifs (p. ex. manque de clarté, non-alignement). Cette analyse révèle des schémas invisibles à l’œil humain.
4. Niveau de reporting pour les managers : l’agent fournit des analyses régulières pour permettre aux équipes formation et développement d’optimiser la facilitation de la fixation d’objectifs, transformant les conversations en stratégie et améliorant en continu les dispositifs de formation. Les décideurs bénéficient ainsi d’indicateurs clairs sur la qualité des objectifs.
5. Stratégie de diffusion et d’adoption : promotion via Slack entre collègues, ambassadeurs internes dans chaque département et une communication claire sur « qu’est-ce que je gagne à participer » ont permis d’atteindre 91 % de taux de participation lors du premier cycle (plus de 800 usages uniques du chatbot), preuve de l’adoption réussie de l’IA.

Les résultats

• 91 % de participation à la définition des objectifs via le chatbot IA—une progression marquée par rapport à l'engagement bien moindre des employés avec les systèmes précédents.
• Plus de 800 conversations de définition d’objectifs analysées, conduisant à des améliorations mesurables dans la précision et l’alignement des objectifs.
• Amélioration de la qualité des objectifs à chaque cycle : les objectifs sont devenus plus mesurables, plus stratégiques, et clairement alignés avec les priorités des départements et de l’entreprise, ce qui a permis d’améliorer directement les indicateurs de performance des employés.
• Déploiement complet du pilote à l’échelle en moins de deux semaines grâce à la culture d’expérimentation et à une infrastructure low-code chez Zapier.

À retenir pour les dirigeants

Ce n’était pas juste l’IA qui remplace un formulaire, c’était l’IA qui crée une boucle de rétroaction. Zapier a intégré l’IA tout au long du parcours de définition des objectifs : accompagnement, analyse, amélioration et renforcement de la culture. Cela a fonctionné non pas parce que l’IA faisait tout, mais parce que les professionnels RH ont conçu l’expérience avec empathie, contexte et clarté.

Point de vigilance

Même les systèmes d’IA les mieux conçus échouent si le cadre sous-jacent est faible. Zapier l’a appris à ses dépens quand son premier modèle de définition des objectifs a sous-performé malgré un chatbot techniquement abouti. Passer au modèle AMP, plus simple et intuitif, a débloqué de meilleurs résultats. La leçon ? La puissance de l’IA repose toujours sur une conception intelligente.

Parlons franchement (avec conseils)

L’IA n’est pas un raccourci vers de meilleurs résultats : c’est un scalpel, pas un marteau. Comme l’a dit Mabie :

Nous n’avons pas construit cela parce que l’IA était à la mode. Nous l’avons construit parce que la définition des objectifs était défaillante. Les gens étaient frustrés par le processus, pas par la finalité—et l’IA nous a permis de le rendre plus simple, plus rapide et réellement utile.

Si vous souhaitez reproduire le succès de Zapier :

• Commencez par un cadre solide. L’IA ne peut pas réparer des fondations défaillantes. Optez pour une structure simple et flexible, adaptée à votre équipe.
• Concevez pour la rétroaction. Utilisez l’IA pour identifier les abandons, points de confusion et réussites, puis adaptez-vous rapidement.
• Tirez parti de la culture interne. L’implication des collègues référents et la promotion native sur Slack fonctionnent mieux que les directives descendantes.
• Maîtrisez vos outils. La construction low-code et entièrement en interne de Zapier a permis de réduire les coûts et d’itérer rapidement.

Avant / Après : Zapier + IA pour la définition des objectifs

Domaine d’action	Avant l’IA	Après l’IA
Qualité des objectifs	Objectifs incohérents, vagues et mal alignés ; difficultés à ancrer les cadres	Amélioration significative de la clarté, de la précision et de l’alignement aux priorités de l’organisation grâce au coaching IA
Participation	Taux de soumission des objectifs variables ; engagement difficile à suivre	91 % de participation, avec plus de 800 sessions guidées par le chatbot enregistrées
Informations pour l’accompagnement	Pas de données centralisées pour analyser ce qui marche ou où les collaborateurs décrochent	L’agent IA a fourni des boucles de rétroaction sur la qualité des objectifs, les points de friction et les schémas d’adoption
Vitesse de déploiement	Les nouveaux outils demandent habituellement des mois de conduite du changement	Cycle complet de conception et déploiement à grande échelle en moins de deux semaines, soutenu par les pairs et la direction
Charge administrative	Relecture manuelle des objectifs et impact flou des efforts d’accompagnement	L’agent IA analyse en continu les résultats et recommande des ajustements stratégiques pour améliorer les résultats

2. Flowable

Une des trois premières banques mondiales de gestion de fortune faisait face à l’un des processus les plus complexes de la banque privée : la vérification de l’origine des fonds (« source of wealth », SOW). Avant qu’un nouveau client à haute valeur nette ne soit intégré, la banque devait s’assurer—le plus souvent avec une rigueur extrême—que son argent était propre, légitime et traçable. Cela impliquait de passer au crible des centaines de pages de documents, registres publics, opérations commerciales et historiques financiers.

Le flux de travail était manuel, répétitif et lent. Il exigeait des allers-retours constants entre le conseiller clientèle et le responsable conformité, allongeant souvent le processus à 5–6 semaines. L’expérience client en pâtissait, ce qui entraînait un taux de désistement pouvant atteindre 25–30 % dès cette première étape.

L’approche IA

Alors que la banque visait à résoudre un problème côté client, le véritable souci résidait dans les flux de travail internes qui nuisaient aussi à l’expérience employé. Elle s’est associée avec Flowable, qui a mis en œuvre une architecture IA agentique sophistiquée alimentée par des algorithmes d’apprentissage automatique pour automatiser la due diligence SOW. La transformation s’est déroulée en deux phases :

Phase 1 : Agents IA spécialisés — Flowable a déployé des agents dédiés pour extraire les données des PDF, croiser les registres publics (ex. : valider la cession d’un fondateur via la couverture médiatique), classer les parcours professionnels et résumer les trajectoires financières à l’aide du traitement du langage naturel.

Phase 2 : Système agentique orchestré — Une couche d'orchestration basée sur des cas a coordonné plus de 28 agents IA pour gérer des workflows de bout en bout. Ces agents comprenaient des modules spécialisés pour comparer les revenus historiques, vérifier les traces d'actifs et évaluer la conformité régionale — le tout dans des limites strictes de permissions de données.

De façon essentielle, Flowable a assuré des points de contrôle « humain-dans-la-boucle » (HITL) lors des étapes clés de décision. Aucun agent ne pouvait approuver ou rejeter un dossier sans une révision finale par des professionnels humains, garantissant ainsi confiance et conformité.

Les Résultats

D’après Micha Kiener, CTO et co-fondateur de Flowable :

• Le taux de désabonnement client a chuté de 25–30 % à moins de 1 % à l’étape SOW, représentant des économies importantes grâce à une meilleure fidélisation.
• Le temps de traitement a dégringolé de 40–45 jours à seulement 1–2 jours en moyenne.
• 95 % du workflow SOW est désormais totalement autonome, libérant les conseillers clientèle et les responsables de la conformité pour se concentrer sur des tâches à forte dimension humaine nécessitant leur expertise.
• Aucune résistance à l’adoption : les employés ont même accueilli cette amélioration comme une évolution attendue d’une fonction pesante, illustrant une adoption fluide de l’IA.

À retenir pour les dirigeants

En concevant un système d'orchestration spécifique à un domaine, avec transparence, contrôles et clarté des rôles, l’établissement a récupéré des revenus perdus, fidélisé ses meilleurs clients et permis à ses équipes de se consacrer à des tâches à forte valeur ajoutée, tout en améliorant considérablement l’expérience employé. Les dirigeants ont constaté un retour sur investissement immédiat de l’adoption des technologies IA.

Sujet d’inquiétude

Sans gouvernance robuste, l’IA agentique peut devenir une « boîte noire », source de risques de conformité, d’erreurs, et d’effritement de la confiance. Flowable a obtenu l’adhésion des dirigeants en instaurant une couche de gestion des cas avec permissions strictes sur les données, traçabilité et auditabilité.

Parlons sincèrement (avec conseils)

L’IA agentique n’est pas du prêt-à-l’emploi : c’est une architecture. Si vous souhaitez réellement utiliser l’IA pour des workflows régulés et à forts enjeux :

• Construisez des solutions horizontales, pas en silos, qui adressent le processus de bout en bout, et non juste des fragments.
• Priorisez la gouvernance : tracez chaque entrée/sortie, définissez les limites des agents et sécurisez les permissions sur les données.
• Le « humain-dans-la-boucle » n’est pas facultatif, c’est une sécurité et un socle de confiance. Comme le souligne Kiener :

On pense que l’automatisation consiste à retirer l’humain du processus — c’est l’inverse. L’astuce consiste à savoir où le jugement humain reste nécessaire. Notre IA s’occupe de la partie fastidieuse ; ce sont les humains qui prennent les décisions cruciales.

Avant / Après : Banque privée internationale + Flowable

Domaine clé	Avant l’IA	Après l’IA
Temps de vérification SOW	5–6 semaines par client ; allers-retours lents entre conseillers et responsables due diligence	Traitement moyen 1–2 jours avec 95 % d’autonomie IA
Désabonnement client	25–30 % d’abandon à cause des délais et re-sollicitations d’informations	<1 % d’abandon lors de l’onboarding ; processus fluide, efficace et de confiance
Charge de travail	Extraction manuelle des documents, clarifications répétées, peu de réutilisation	Plus de 28 agents IA orchestrés pour extraire, valider, résumer, et n’escalader que les exceptions
Risque de gouvernance	Utilisation initiale d’outils agents ouverts sans traçabilité ni contrôle sur les données	Plateforme Flowable basée sur des cas, permissions sur les données, traçabilité d’audit et supervision humaine

3. Maya : IA pour le recrutement

Un grand assureur vie faisait face à des difficultés de recrutement typiques des environnements d’embauche à grand volume. Les professionnels RH passaient un temps considérable à lire les CV manuellement, contacter les candidats, gérer les candidatures non qualifiées et faire le suivi — souvent via des plateformes non connectées comme les ATS, LinkedIn, l’e-mail et les sites d’emploi.

Le processus était répétitif, incohérent et sujet aux abandons : le délai avant entretien était lent, les absences des candidats surchargeaient les recruteurs, retardant l’embauche et nuisant à l’expérience des nouveaux employés comme à l’efficacité des fonctions RH.

La solution IA

L’assureur a déployé Maya, une plateforme d’IA conversationnelle et d’automatisation des workflows basée sur le traitement du langage naturel pour gérer le haut du pipeline de recrutement. Maya a été configurée pour :

• Contactez automatiquement les candidats avec des messages personnalisés et conversationnels via SMS, e-mail, ou des formulaires personnalisés.
• Sélectionnez et qualifiez les candidats sur la base de critères prédéfinis, en analysant les CV et en posant des questions spécifiques au poste grâce à des algorithmes d’apprentissage automatique—automatisant ainsi le tri des CV à grande échelle.
• Planifiez des entretiens par IA, selon la disponibilité des recruteurs, et envoyez des rappels automatisés pour réduire le taux d'absentéisme, optimisant ainsi l'une des tâches RH les plus chronophages.
• Fournissez aux recruteurs des résumés structurés des candidats en segmentant les profils qualifiés et non qualifiés avec les raisons pour chacun, permettant ainsi des décisions plus éclairées et une meilleure analyse de la qualité des candidats.
• Adaptez le ton et la personnalité (décontracté ou formel) selon l'image de marque de l'entreprise et la nature du poste.

L'installation a pris deux semaines, période durant laquelle Maya a été adaptée aux spécificités des processus de recrutement et aux exigences de conformité de l’entreprise, démontrant une adoption rapide de l’IA.

Résultats obtenus

Maya a généré des gains significatifs d’efficacité et de conversion en seulement quelques semaines après son déploiement :

• Le taux d’embauche a atteint 70 % parmi les candidats traités par Maya dans l'ensemble des agences de l’organisation.
• Le coût par entretien a chuté de 37 $ à 13 $ — soit une baisse de 65 % en deux mois, permettant une meilleure allocation des ressources pour d'autres initiatives et générant des économies substantielles.
• Le délai pour organiser un entretien est passé de 5 à 7 jours à 1 jour, améliorant considérablement la rapidité d’embauche et l’expérience candidat.
• 92 % des candidats pensaient échanger avec un être humain, pas une IA, démontrant la sophistication du traitement du langage naturel.
• Maya a entièrement pris en charge la présélection des candidats qualifiés et non qualifiés, permettant aux recruteurs de se concentrer uniquement sur les meilleurs profils et sur des missions RH stratégiques.

Conclusion pour les décideurs

L’IA conversationnelle vise un engagement précis. Maya a transformé un processus de présélection manuel et fastidieux en un flux rationalisé offrant un fort taux de conversion, permettant aux recruteurs de se concentrer sur leur valeur ajoutée : créer des liens humains et finaliser de grandes embauches tout en améliorant l’implication globale des collaborateurs dans le recrutement.

Point de vigilance

Les systèmes humains peuvent encore être un goulot d’étranglement. Maya a réussi à qualifier des candidats, mais dans certains cas, les recruteurs n’ont pas assuré le suivi, ce qui a conduit à des opportunités manquées. L’IA doit être accompagnée d’un vrai soutien des équipes, d’une responsabilisation accrue et de programmes de formation actualisés.

Retour terrain (avec conseils)

Shivam Ramphal, cofondateur de Maya AI, donne toujours le même conseil à ses clients, quel que soit leur objectif.

Nous répétons toujours aux clients : ne déployez pas l’IA avant de savoir à quoi ressemble le succès. Si vos objectifs sont flous ou si vous êtes dépassés par le volume, l’IA ne fera qu’amplifier ces problèmes. Mais si tout est cadré, elle devient un super-accélérateur.

Des IA comme Maya peuvent radicalement améliorer la performance du recrutement, mais seulement si les humains assurent leur part du travail.

• Définissez des objectifs d’embauche réalistes avant d’utiliser l’IA dans le recrutement. N’exigez pas 10 000 prospects si vous n’avez besoin que de 5 recrutements.
• Formez l’IA comme un collaborateur : précisez ce qu’elle doit dire, ce qu’elle ne doit pas dire, et le degré de formalité ou de proximité attendu.
• Servez-vous de l’IA pour compléter, pas remplacer : le rôle de Maya est la présélection – les recruteurs doivent toujours intervenir pour finaliser.

Lead Smarter in the Age of AI

Join the People Managing People community for access to exclusive content, practical templates, member-only events, and weekly leadership insights—it’s free to join.

Sign up with:

LinkedInGoogleMicrosoft

Or sign up with email:

Name*

First name Last name

Business email*

LinkedIn profile

Seniority*

Select an optionExecutive / C-suiteVPDirectorManagerIndividual ContributorOther

Company's AI adoption maturity*

Select an optionExploring opportunitiesRunning pilotsScaling adoptionEmbedded in the business model

This field is hidden when viewing the form

Job title

This field is hidden when viewing the form

Department

Select an optionExecutive LeadershipOperationsPeople & CultureTechnologyFinanceMarketingSales & Business DevelopmentProduct & InnovationCustomer SuccessLegal & ComplianceOther

This field is hidden when viewing the form

Company size

Select an option1–5051–200201–1,0001,001–5,0005,001–10,00010,000+

This field is hidden when viewing the form

Industry

Select an optionTechnology / SoftwareProfessional Services / ConsultingFinancial ServicesHealthcare & Life SciencesManufacturing & IndustrialRetail & Consumer GoodsMedia & CommunicationsGovernment & Public SectorEducationNonprofit / NGOEnergy & UtilitiesOther

This field is hidden when viewing the form

Company website

By submitting this form, you agree to receive our newsletter, and occasional emails related to People Managing People. You can unsubscribe at any time. For more details, please review our privacy policy.

This field is hidden when viewing the form

Reg Wall Module

InlineBottom BarFooterLanding PagePop UpSidebarSSO

Avant / Après : Maya AI + Globe Life

Zone d’intervention	Avant IA	Après IA
Efficacité des recruteurs	Les recruteurs triaient, contactaient et relançaient chaque candidat manuellement	Maya gérait toute la communication initiale et la présélection ; les recruteurs voyaient uniquement les profils qualifiés
Délai jusqu’à l’entretien	5 à 7 jours entre la candidature et la programmation de l’entretien	1 jour entre le premier contact et l’entretien confirmé
Coût par entretien	37 $ en moyenne	13 $ par entretien en 2 mois – une baisse de coût de 65 %
Expérience candidat	Communication décousue ; fort taux d’abandon	92 % des candidats pensaient que Maya était humaine ; taux de présence supérieur et expérience plus fluide
Implication des recruteurs	Charge de travail élevée, peu de valeur ajoutée	Les recruteurs ne s’occupaient que des candidats à fort potentiel, améliorant leur efficacité et leur moral
Taux d’embauche	Conversion floue, retardée	Taux d’embauche de 70 % pour les candidats traités par Maya

4. Intégration avec Tonkean

Une équipe RH d’une entreprise internationale avait du mal à proposer un onboarding rapide et personnalisé, en particulier pour les travailleurs externes comme les contractuels. Les processus RH manuels faisaient qu’il fallait souvent plus de 20 jours (voire plus de 30 !) pour que les nouvelles recrues disposent enfin de tous leurs outils, accès et systèmes nécessaires, ce qui retardait leur productivité et allait à l’encontre de l’objectif d’un recrutement rapide.

En plus de cela, la qualité de l’onboarding était incohérente, générique, et imposait aux managers et nouveaux employés une surcharge logistique et d’informations, ce qui avait un impact négatif sur l’expérience collaborateur et l’engagement dès le premier jour.

On s’attendait à ce que les employés « s’auto-forment » en consultant le contenu d’onboarding sur les intranets ou portails de formation, souvent sans assez de contexte ou de structure pour faciliter une montée en compétence rapide et efficace.

La solution IA

L’entreprise a collaboré avec Tonkean, une plateforme qui orchestre les opérations RH en s’appuyant sur des agents IA et des algorithmes d’apprentissage automatique. Pour l’onboarding, Tonkean :

• Surveillait les déclencheurs dans les outils SIRH (comme Workday ou Rippling) pour détecter les nouvelles embauches, les changements de poste ou les anniversaires professionnels.
• Automatisait les workflows pour lancer de manière proactive des séquences d’onboarding personnalisées en fonction du poste, du lieu et de l’équipe de chaque salarié.
• Générait du contenu d’onboarding sur mesure en collectant des documents internes non structurés comme des présentations, manuels RH, guides d’avantages sociaux et comptes-rendus de formation via le traitement du langage naturel, afin de transformer des jeux de données dispersés en parcours d’apprentissage cohérents (c’est aussi un bénéfice clé des plateformes d’expérience d’apprentissage).
• Utilisait des agents IA pour interagir avec les managers via Slack ou Teams et co-créer, en langage naturel, des plans personnalisés sur 30/60/90 jours, permettant des décisions plus factuelles concernant le développement des collaborateurs et les trajectoires de carrière.
• Permettait des interactions avec des agents en direct par réponse mail ou via des portails intégrés, pour que les nouvelles recrues puissent poser des questions comme « Où dois-je m’inscrire pour les avantages sociaux ?» et recevoir immédiatement des réponses approuvées, précises et contextualisées, selon leurs données et les outils RH de l’entreprise.
• Gérait les FAQs (ex : congé maternité, périodes d’adhésion) de manière anonyme via des interfaces conversationnelles pour réduire les frictions et préserver la confidentialité des salariés.

L’IA a été utilisée de manière proactive (déclenchement de plans) et réactive (réponse aux questions), créant une expérience collaborateur fluide, personnalisée et qualitative tout en réduisant les tâches RH répétitives.

Les résultats

• La durée d’onboarding pour les contractuels est passée de 20–30 jours à moins de 5 jours en moyenne.
• Les employés déclaraient que l’onboarding leur paraissait vraiment personnalisé, comme si « 3 ou 4 personnes s’en étaient occupées » — alors que l’IA prenait en charge l’essentiel des tâches.
• Des scores CSAT (satisfaction client) plus élevés pour l’onboarding grâce à une meilleure clarté, une exécution plus rapide et une intégration culturelle facilitée, stimulant directement l’engagement des collaborateurs.
• Changement de perception de l’IA : d’un simple levier de gain de temps à un multiplicateur de qualité : le principal ROI n’était plus la rapidité, mais l’amélioration de l’expérience collaborateur sans augmenter les effectifs.

À retenir pour les dirigeants

L’orchestration par l’IA a transformé l’onboarding : d’une simple checklist manuelle, il est devenu un parcours stratégique, évolutif et centré sur l’humain. Grâce au croisement des intégrations de données, des agents génératifs et de la conception « human-in-the-loop », l’entreprise a offert des expériences d’intégration sur-mesure à grande échelle, augmentant productivité, performance et fidélisation dès le premier jour.

Gare aux pièges

Message fort : on ne peut pas se contenter d’ajouter de l’IA sur d’anciens workflows ! Le plus grand risque reste l’écart d’attentes. L’IA impose de repenser ce que signifient « précision », responsabilité et réussite.

Et il ne faut pas s’attendre à des résultats déterministes : l’IA produira souvent des réponses différentes — mais toutes valides. Les professionnels RH doivent faire évoluer leur manière de tester et valider les résultats.

Parole d’expert (et conseils)

Sagi Eliyahu, cofondateur et CEO de Tonkean, témoigne :

Quand vous accueillez de nouveaux salariés venant de plus de 10 pays, dans différents départements, avec la moitié en tant que contractuels, il est quasi impossible de réussir l’onboarding à la main. Ce que nous avons vu ici, ce n’est pas juste plus rapide : c’est un onboarding qui donne vraiment le sentiment que quelqu’un a réfléchi à votre fonction, à votre localisation, à votre équipe. Et, pour l’essentiel, c’était de l’IA.

L’onboarding personnalisé est un véritable avantage stratégique. Si vous souhaitez :

• Réduire la période d’adaptation d’un contractuel de 30 jours à seulement 5…
• Diffuser automatiquement des informations sur les avantages propres à une région ou à un poste…
• Générer des plans personnalisés pour les 30/60/90 jours sans surcharger les managers…

Alors :

• Intégrez l'orchestration dans les processus existants (email, Slack, SIRH — pas uniquement dans de nouveaux outils)
• Privilégiez la qualité, pas seulement l'efficacité — l’IA permet d’atteindre les deux
• Préchargez le système avec des formats de contenu variés (présentations, transcriptions, documents)
• Laissez les RH gérer les « réponses validées » et former les agents IA avec des garde-fous contextuels
• Alignez RH, IT et direction autour d’une nouvelle définition de « fonctionnement conforme aux attentes »

Avant/Après : Anonymous Enterprise + Tonkean

Domaine clé	Avant l’IA	Après l’IA
Délais d’intégration	20 à 30+ jours pour que les prestataires soient totalement opérationnels	<5 jours de délai moyen d’intégration des prestataires
Qualité de l’intégration	Générique, déconnectée, obligeait souvent les nouveaux à s’orienter seuls	Plans personnalisés par l’IA selon le poste, lieu, équipe ; impression « comme si 3–4 personnes y avaient travaillé »
Charge des managers	Les managers créaient les plans à la main, souvent négligés ou bâclés	Suggestions dans Slack/Teams pour coconstruire les axes d’intégration sur 30 jours
Accès à l’information	Les employés devaient chercher sur l’intranet ou écrire aux RH	Agents IA délivrant des réponses validées et contextuelles, instantanément et de façon anonyme
Efficacité	Beaucoup de travail manuel et de temps de formation	Lecture de la documentation remplacée par des agents interactifs avec vrais contenus internes (présentations, manuels, etc.)
Scalabilité	Expériences inégales selon les profils et les localisations	Intégration cohérente et évolutive sur tous les sites et postes

5. Transformation BPO avec CogNet + IA

L’un des clients BPO de CogNet — une grande agence nationale d’intérim — était piégé dans un cycle de rapprochement financier coûteux, lent et très manuel.

Chaque mois, ce client revendait ses factures à un partenaire financier. Mais avant tout versement, ce dernier exigeait un rapprochement détaillé entre ses prévisions de paiement (d’après précédents accords) et la dette réelle — un grand écart entre les registres internes et les relevés externes.

Le problème ? L’équipe interne effectuait manuellement le rapprochement de fichiers PDF d’un million de lignes et de feuilles Excel mal structurées, par un comptable rémunéré plus de 90 000 $/an tout compris. Rien que le rapprochement prenait plus de 16 heures chaque mois, sans parler de la résolution des écarts, ce qui retardait la trésorerie et empêchait l’équipe finance de faire des analyses à plus forte valeur ajoutée.

Chez d’autres clients et pour d’autres fonctions, CogNet a observé le même schéma : des profils qualifiés englués dans des « tâches ingrates » répétitives, importantes mais non stratégiques ni transformatrices pour les RH ou d’autres activités.

L’approche IA

CogNet a mis en place une stratégie dite « Texas Two-Step » en s’appuyant sur l’apprentissage automatique et le traitement du langage naturel pour optimiser ce processus critique :

Étape 1 : Arbitrage de coûts BPO
Le client a d’abord déplacé l’activité de rapprochement « tel quel » chez CogNet, où des analystes offshore réalisaient la même tâche manuellement à un tarif bien inférieur (~11,50 $/heure). Rien que cette étape a fait baisser les coûts de 692,31 $ à 184 $ par cycle — soit 276 % d’économies.

Étape 2 : Orchestration IA appliquée
Ensuite, CogNet a construit une couche d’automatisation humaine-en-boucle s’appuyant sur des algorithmes et un Large Language Model (LLM) pour comparer des documents multi-formats (PDF, Excel, CSV) et analyser plus efficacement les données des employés.

Au lieu de demander à des personnes de repérer les écarts ligne par ligne, le LLM signalait les anomalie en quelques secondes, permettant des décisions plus éclairées et des analyses nettement supérieures. À présent, l’analyste CogNet n’a besoin que de 2 heures pour vérifier et escalader les réels problèmes, transformant un processus à 692 $ en une opération à 30 $, avec des économies substantielles à la clé.

Point crucial : la couche d’orchestration de CogNet permet de substituer différents agents IA (ex : ChatGPT, Claude) selon la tâche, le niveau de données sensibles (PHI, paie…) et la politique client. Ce design modulaire facilite la confiance dans l’automatisation sans sacrifier la conformité et rend la gestion de jeux de données diversifiés bien plus agile.

Les résultats

• Temps de rapprochement réduit de 16 heures à seulement 2 heures
• Coût réduit de 692,31 $ à 30 $ par cycle — soit 2 208 % d’économies
• Vélocité du processus accrue, permettant d’identifier les problèmes et de récupérer la trésorerie en moins de 24 heures
• Comptable réaffecté à des tâches stratégiques (analyse de rentabilité, etc.) plutôt qu’aux tableurs Excel
• Les clients revoient le BPO non plus comme simple arbitrage de main-d’œuvre, mais comme une transformation des processus avec l’IA pour les RH et au-delà

À partir de là, CogNet a reproduit ce modèle de « économies par mille réductions » sur des dizaines de processus à haute fréquence pour plusieurs clients, transformant la manière dont les équipes RH, paie et comptabilité abordaient les opérations externalisées.

Conclusion pour les dirigeants

CogNet n’a pas simplement appliqué l’IA pour réduire les coûts, il a redéfini la proposition de valeur du BPO. En alliant automatisation sans friction et esprit de service, ils ont aidé les clients à récupérer du temps, diminuer leurs coûts fixes et réinvestir leurs collaborateurs dans des missions à plus forte valeur ajoutée.

L’innovation n’était pas seulement technique, elle était aussi contractuelle. La volonté de CogNet de partager la valeur via une tarification basée sur la performance a aidé les clients à adopter une mentalité de « partenaire » plutôt que de « fournisseur », atout précieux lors du lancement de nouvelles initiatives dans les processus RH.

Attention

La technologie seule ne crée pas la confiance. Un client a d’abord résisté à l’IA pour des raisons de conformité et par méconnaissance des LLMs. Le déclic a eu lieu lors d’un pilote basse fidélité utilisant des données fictives d’employés, qui a pourtant surclassé les efforts manuels, démontrant la valeur avant d’exiger une adhésion totale.

Parole d’expert (avec conseils)

John Sansoucie, PDG de CogNet, donne un conseil simple.

La plupart des entreprises pensent que l’automatisation démarre par une grande transformation, mais en réalité, la manière la plus rapide de prouver la valeur est d’améliorer ce qui fonctionne déjà. Nous partons de l’existant, obtenons des victoires rapides, puis intégrons l’IA pour faire encore mieux.

Si vous passez votre temps à rapprocher des PDFs avec des tableurs et à payer 700 $ par cycle pour cela, ce n’est pas un problème de ressources humaines. C’est un problème de processus.

Envie de passer à l’échelle avec l’IA ? Voici ce que Cognet a bien fait :

• Commencez par transférer les processus « tels quels » pour libérer les talents
• Ajoutez l’automatisation ensuite, en vous concentrant sur les tâches structurées comme les comparaisons, la classification, l’aiguillage
• Développez des flux d’IA qui viennent en appui, et non en remplacement. Redirigez les cas complexes vers les humains
• Cadrez les attentes : les LLMs ne fournissent pas toujours la même réponse, mais elles sont souvent valides
• Mesurez le ROI en temps humain économisé, pas seulement en effectifs réduits, suivez les indicateurs qui comptent

Avant / Après : Cognet + Réconciliation d’un client de staffing

Domaine clé	Avant IA	Après IA
Processus de rapprochement	Processus manuel de 16 heures avec PDFs et Excel	L’IA signale les incohérences en quelques secondes, avec seulement 2 heures de vérification humaine
Coût par rapprochement	692,31 $ par cycle (basé sur 43 $/h pour un comptable)	~30 $ par cycle (externalisé + automatisé par IA)
Délai de trésorerie	Paiements retardés en raison de longs cycles de rapprochement	Délai de traitement sous 24h, accélérant la résolution des litiges et l’encaissement
Utilisation des talents	Des employés à forte valeur passent des heures à copier-coller et à faire des rapprochements manuels	Le comptable se concentre désormais sur la rentabilité et l’analyse financière stratégique
Scalabilité du BPO	Montée en charge linéaire par l’effectif	Montée en charge non linéaire par IA, permettant à CogNet de gérer davantage de flux sans accroître le nombre d’analystes

6. Customer.io : Workflows Slack & GPT dopés à l’IA

Customer.io, entreprise entièrement à distance implantée dans plus de 30 pays, a découvert que son organisation asynchrone — bien que productive — désorientait les nouvelles recrues. L’onboarding manquait de structure et les managers tardaient souvent à transmettre des attentes et un plan d’intégration clairs, ce qui nuisait à l’expérience collaborateur.

Les nouveaux employés décrivaient fréquemment leur début comme « devoir se débrouiller », ce qui ralentissait la productivité et diluait la culture d’entreprise — impactant finalement l’engagement et la performance.

Sans siège physique ni rencontres en personne, l’entreprise avait besoin d’un moyen d’intégration évolutif, à la fois clair et fédérateur, sans faire peser une charge excessive sur les managers déjà sollicités ou perturber les autres fonctions RH.

Le levier IA

Customer.io a mis en place une série de workflows dopés à l’IA utilisant le traitement du langage naturel pour instaurer structure et cohérence dans l’onboarding, tout en préservant la flexibilité de sa culture remote.

1. Slack + ChatGPT : Plans 30-60-90 jours sur-mesure

Pour combler le manque de clarté, l’équipe a développé un flux personnalisé intégrant ChatGPT à Slack pour permettre aux managers de générer rapidement des plans d’intégration 30-60-90 jours adaptés à chaque poste.

Ce système a réduit drastiquement le temps de création de plans — estimé entre 30 et 50 % — tout en améliorant l’alignement entre nouveaux arrivants, managers et objectifs business, permettant une gestion du développement des collaborateurs plus fondée sur les données.

2. Autonomisation des managers grâce à la co-création avec les partenaires métier

Au lieu de laisser ChatGPT agir seul, les partenaires métier ont travaillé main dans la main avec les managers pour affiner les contenus d'intégration générés par l'IA, afin de garantir que le ton, les attentes et les objectifs de développement reflètent la culture de Customer.io. Cet équilibre entre automatisation et curation humaine a permis aux managers d’adopter ce flux de travail sans sacrifier la confiance.

3. Construire une culture de l’IA grâce à la transparence

Pour renforcer l’adoption au sein des processus RH, Customer.io a créé un canal Slack dédié #AI-wins, où les employés partagent les cas d’usage réussis—aidant à normaliser l’expérimentation et à augmenter l’adhésion interne. Cela a conduit à un taux d’engagement IA interne de plus de 90 %, selon le suivi réalisé en interne.

Les résultats

• Réduction de 30 à 50 % du temps consacré à l’élaboration des plans d’intégration
• Clarté accrue de l’intégration reflétée dans les enquêtes de retour après intégration, avec de meilleurs indicateurs d’expérience collaborateur
• Plus de 90 % des employés utilisent activement l’IA dans leur travail, témoignant d’un fort engagement envers la nouvelle technologie
• Meilleur alignement initial entre les nouvelles recrues et les objectifs business, menant à une productivité plus rapide et à de meilleures performances

À retenir pour les dirigeants

Customer.io a amélioré la clarté pour les managers à grande échelle. En intégrant des flux de travail basés sur GPT dans Slack et en les associant à la supervision attentive de professionnels des RH, ils ont accéléré la productivité des nouvelles recrues sans perdre la subtilité du management humain.

Point de vigilance

Les workflows IA, s’ils ne sont pas suffisamment affinés, peuvent paraître robotiques ou impersonnels. Customer.io a évité cet écueil en intégrant les partenaires métier à la co-conception des prompts, et les managers relisaient la sortie IA avant de la communiquer aux nouvelles recrues, pour préserver l’aspect humain essentiel à l’engagement.

Parlons vrai (avec conseils)

Jen Fong, Chief People Officer chez Customer.io, avait une vision claire sur l’apport de l’IA.

Les nouvelles recrues disaient : « Je suis encore en train de comprendre. » Nous avions besoin d’un moyen évolutif pour les aider à passer de cet état à « Je sais à quoi ressemble le succès. »

L’IA ne va pas intégrer vos collaborateurs à votre place—mais elle peut vous aider à le faire mieux.

• Utilisez GPT pour structurer l’ensemble, puis laissez les managers ajouter du mentorat et de la nuance.
• Ne vous contentez pas de remettre un outil aux managers—offrez-leur un accompagnement sur la conception de prompts et l’édition, et proposez des formations si besoin.
• Commencez petit : les plans d’intégration sont un point d’entrée à faible risque et à fort retour pour développer la maîtrise de l’IA dans les fonctions RH.

Avant vs Après : Intégration avec l’IA chez Customer.io

Domaine clé	Avant l’IA	Après l’IA
Clarté pour le nouvel arrivant	Attentes floues ; plans d’intégration incohérents	Plans 30-60-90 générés par GPT plus rapides et mieux alignés aux objectifs
Charge du manager	Création manuelle de plans d’intégration chronophage	Temps réduit de 30 à 50 % avec des workflows assistés par IA
Culture d’adoption de l’IA	Phase d’exploration initiale	Plus de 90 % des collaborateurs utilisent l’IA régulièrement ; suivi via Slack
Uniformité de l’intégration	Plans très variables en ton et niveau de détail	Structure standardisée avec personnalisation humaine

7. Landing Point + Workflows IA intégrés

Landing Point, cabinet de recrutement et de staffing, faisait face à un problème courant de perte de productivité : ses recruteurs perdaient plusieurs heures par semaine à effectuer des tâches administratives manuelles. Les principaux goulets d’étranglement incluaient :

• Mise en forme des CV
• Rédaction des biographies de candidats
• Amélioration des descriptions de poste

Individuellement mineures, ces tâches finissaient par occuper 3 à 4 heures par recruteur chaque semaine. Parallèlement, certains recruteurs commençaient à tester des outils d’IA générative publics, soulevant des inquiétudes en matière de sécurité et de confidentialité des données sensibles du personnel.

L’entreprise avait donc besoin d’une solution qui accroisse l’efficacité et respecte les standards de conformité d’entreprise, tout en optimisant les processus RH clés.

L’atout IA

L’approche Landing Point s’est axée sur des workflows IA intégrés, sécurisés et propulsés par des algorithmes d’apprentissage automatique, s’adaptant directement à l’environnement de travail des recruteurs :

1. IA intégrée directement dans l’ATS

Au lieu de demander aux recruteurs d'apprendre de nouveaux outils, Landing Point a intégré des fonctionnalités d'IA pilotées par GPT directement dans leur système de suivi des candidatures (ATS) grâce au traitement du langage naturel—créant ainsi des outils RH intégrés. Cela a permis aux professionnels des ressources humaines de :

• Mettre en forme les CV en environ 3 minutes (contre 10 à 20 minutes), automatisant ainsi le processus de sélection des CV
• Rédiger des biographies de candidats en environ 1 minute (contre 15 minutes)
• Optimiser automatiquement les offres d'emploi

Résultat : 3 à 4 heures économisées par recruteur, chaque semaine, leur permettant de se concentrer sur des fonctions RH à plus forte valeur ajoutée. Ces économies de temps se sont traduites directement en réductions de coûts, l’équipe étant capable de gérer un volume plus important sans recruter de nouveaux collaborateurs.

2. Chatbot privé à usage interne

Pour offrir aux recruteurs un copilote IA plus complet, l’équipe a déployé un chatbot personnalisé hébergé dans leur environnement AWS, protégé par une authentification unique (SSO) et des journaux d’audit. Les requêtes et les résultats étaient stockés en toute sécurité, et les modèles tels qu’OpenAI et Gemini étaient utilisés sans aucune conservation des données afin de protéger celles des employés.

Ce « sandbox IA sécurisé » permettait aux recruteurs de générer des notes de recherche ou de synthétiser des données candidats sans compromettre la confidentialité, offrant des décisions plus guidées par la donnée et sans risques de sécurité.

3. Garde-fous intégrés et gouvernance

Des incidents précoces de « hallucination » ont conduit à renforcer les dispositifs de sécurité. Par exemple, lorsqu’un recruteur a omis l’étape de relecture humaine, un client a signalé des compétences de candidat erronées. Landing Point y a répondu en :

• Affinant les prompts
• Rendant la revue humaine obligatoire
• Testant les flux de travail via un « AI Think Tank » interne

Ils ont également abandonné les outils peu adoptés comme le générateur d’e-mails préconçus, préférant se concentrer sur des solutions qui maintiennent la personnalisation et améliorent l’expérience collaborateur—élément clé pour préserver la relation en recrutement.

Résultats

• Le délai de première soumission de candidat est passé de 3–6 heures à moins de 30 minutes
• Le taux d’erreurs sur les CV est passé de 3–4 % à moins de 1 %, améliorant les indicateurs de qualité
• 3 à 4 heures par recruteur et par semaine libérées des tâches de mise en forme manuelle
• L’adoption a progressé naturellement via des outils intégrés et l’ajustement des invites directement dans l’application
• Déploiement rentable, avec une infrastructure IA coûtant en moyenne ~$200/mois et 1 ingénieur IA

Conclusion pour les dirigeants

Landing Point n’a pas cherché à briller par l’automatisation, mais à s’attaquer aux véritables points de friction. En intégrant l’IA là où les équipes travaillaient déjà et en instaurant très tôt des garde-fous, ils ont délivré un ROI mesurable sans compromettre la confiance ou la confidentialité autour des données sensibles des employés.

Voici une étude de cas sur la « IA invisible » : déploiement léger, coût limité, et fort impact—permettant aux recruteurs de remplacer le temps passé sur la mise en forme par du temps consacré à la relation, tout en optimisant les processus RH clés.

Point de vigilance

Si la relecture humaine est omise, même une IA bien intentionnée peut introduire des erreurs (par exemple, des compétences de candidat inventées). Un faux-pas initial a failli compromettre la confiance d’un client.

Landing Point a résolu cela en imposant un contrôle humain, en intégrant l’ajustement des prompts dans la boucle d'assurance qualité, et en renforçant la culture d’utilisation responsable de l’IA, garantissant que les professionnels RH restent responsables de chaque résultat.

Parole vraie (conseils inclus)

L’IA ne remplacera pas les recruteurs, mais elle peut leur rendre plusieurs heures. Selon Faizel Khan, Lead AI Engineer chez Landing Point, cela ne fonctionne que si :

• Les outils sont implantés là où les équipes travaillent déjà
• La sécurité et la conformité sont prises en compte dès le départ
• On corrige les défaillances—et on retire ce qui n’est pas utilisé
• La gouvernance n’est pas une contrainte—c’est une discipline produit

Cette histoire ne porte pas sur l’automatisation totale du recrutement. Il s’agit de libérer les recruteurs pour leur permettre de se concentrer sur ce qu’ils font le mieux : construire des relations et exercer leur jugement. En commençant tôt, en ciblant les frictions du back-office, et en tirant les leçons des succès comme des échecs, nous avons prouvé que l’IA pouvait avoir un impact mesurable sans compromettre la sécurité ou la confiance.

Avant / Après : intégration de l’IA chez Landing Point

Domaine d'intérêt	Avant l’IA	Après l’IA
Charge administrative manuelle	Les recruteurs perdaient 3 à 4 heures/semaine sur les biographies, les CV et la rédaction des annonces	Tâches réduites à environ 5 minutes chacune ; 3 à 4 heures/semaine économisées par recruteur
Sécurité & conformité	Les recruteurs utilisaient des outils publics de manière ponctuelle, ce qui soulevait des préoccupations en matière de confidentialité des données	Chatbot entièrement sécurisé avec SSO, journaux d’audit et modèle sans rétention des données
Vitesse de soumission	3 à 6 heures pour envoyer le premier candidat	Premiers candidats soumis en moins de 30 minutes
Précision des CV	Taux d’erreur d’environ 3 à 4 %, principalement en raison de problèmes de formatage ou d’inadéquation	Taux d’erreur <1 %, avec une meilleure satisfaction candidats-clients
Culture d'adoption	Expérimentation initiale avec peu de structure	Adoption généralisée via intégration ATS, formation et gouvernance interne « AI Think Tank »
Coût d’exploitation	Non précisé	200 $/mois d’infrastructure et 1 ingénieur IA pour le support du déploiement complet

8. Integrity Staffing + ConverzAI « Recruiter Jamie »

Dans le recrutement de masse, la rapidité est essentielle. Les candidats postulant à des emplois industriels légers et en entrepôt postulent souvent à plusieurs offres à la fois, ce qui laisse aux recruteurs une fenêtre de quelques heures seulement pour établir un contact significatif avant que leur intérêt ne s’essouffle.

Mais les équipes de recrutement d’Integrity Staffing étaient dans l’impasse :

• Le pré-dépistage manuel consommait des heures chaque jour
• Les recruteurs ne pouvaient pas atteindre chaque candidat assez rapidement
• Des candidats qualifiés passaient à travers les mailles du filet
• Les budgets explosaient car les équipes compensaient par plus de publicité sur les sites d’emploi

Cela a conduit à une mauvaise expérience collaborateur côté candidats, à l’épuisement des professionnels RH, et à des coûts insoutenables. L’équipe avait besoin d’un moyen d’industrialiser l’engagement personnalisé auprès des candidats sans ajouter plus de recruteurs ni recourir à une automatisation froide et générique qui risquait d’aggraver encore la relation employés.

La stratégie IA

Integrity Staffing a déployé ConverzAI, un recruteur virtuel alimenté par l’IA, surnommé « Recruiter Jamie », conçu pour engager les candidats en temps réel à grande échelle grâce au traitement automatique du langage naturel et à des algorithmes d’apprentissage automatique.

Ce que fait Recruiter Jamie :

• Contacte les candidats dans les 15 minutes suivant la réception de leur candidature dans l’ATS (Bullhorn)
• Contacte via SMS, téléphone ou e-mail, selon la préférence du candidat
• Mène un pré-dépistage structuré incluant :
  • Expérience professionnelle
  • Localisation
  • Disponibilités
  • Attentes salariales
  • Besoins spécifiques au poste
• Classe les candidats comme suit :
  • Intéressé
  • Non correspondant
  • Suivi à effectuer
• Redirige les profils qualifiés vers les recruteurs humains, leur permettant de se concentrer uniquement sur les candidats engagés, favorisant ainsi des décisions plus éclairées sur l’allocation des efforts et automatisant le tri chronophage des CV

Jamie opère pendant les horaires de bureau classiques (8h–20h localement), mais poursuit les échanges par SMS et e-mail 24h/24 et 7j/7. Les notes sont directement enregistrées dans l’ATS afin de faciliter un relais immédiat, pour un flux sans couture des informations collaborateurs en soutien aux fonctions RH.

Les décideurs d’Integrity Staffing rapportent que cette démarche d’adoption de l’IA a transformé leur position concurrentielle sur le recrutement des talents.

Les résultats

De janvier 2024 à juillet 2025, Jamie a engagé plus de 66 000 candidats, livrant des résultats mesurables et multi-dimensionnels sur les principaux indicateurs :

• Augmentation de 76 % des placements totaux
• Augmentation de 80 % des embauches de candidats issus de candidatures directes
• Amélioration de 55 % de l’efficacité des recruteurs (plus de placements par recruteur)
• Temps de réponse candidats passé de plusieurs jours ou semaines à moins de 15 minutes, améliorant nettement l’expérience collaborateur
• Dépenses publicitaires réduites de plus de 75 % sur certains marchés
• Taux de désabonnement des candidats inférieur à 0,5 %, signe d’un grand confort envers les échanges avec l’IA (seuls 311 sur 66 391 candidats ont refusé d’interagir avec l’IA)

À retenir pour les dirigeants

L’IA n’a pas seulement amélioré l’efficacité, elle a changé tout le rythme du recrutement. En connectant avec les candidats en quelques minutes, Jamie a inversé la logique : on privilégie désormais les profils motivés plutôt que de courir après des leads froids.

Le résultat ? Une meilleure expérience candidat, des placements plus rapides, des coûts inférieurs, et des recruteurs consacrant moins de temps aux tâches ingrates et davantage à l’appariement de grande valeur.

Drapeau rouge

Au début, les recruteurs craignaient que Jamie paraisse trop robotique et nuise à l’engagement des employés. Mais lorsque les données pilotes ont montré que 87 % des candidats étaient intéressés et que moins de 0,5 % repoussaient l’échange, ce scepticisme s’est vite dissipé.

Ce qui a changé la donne, c’est d’avoir prouvé que l’IA n’était pas une menace, mais un partenaire qui permettait aux professionnels RH de valoriser leur savoir-faire.

Parlons franchement (avec conseils)

Cela n’a pas été un succès clé en main. L’excellence a résulté d’une gestion du changement structurée et d’initiatives stratégiques :

• Faire de l’IA un élément des procédures standards (SOP) — pas une option en plus
• Former tôt les recruteurs à la collaboration avec l’IA via des programmes dédiés
• Inclure les recruteurs dans la boucle pour renforcer la confiance dans les passations
• Utiliser les données pilotes pour lever le scepticisme et renforcer la confiance interne
• Créer des boucles de retour pour améliorer en continu les interactions et les intégrations

Avant / Après : Integrity Staffing + ConverzAI

Domaine clé	Avant IA	Après IA
Délai avant engagement	Jours (parfois semaines) ; contacts à froid	<15 minutes en moyenne entre la candidature et le premier contact
Conversion candidat	Beaucoup de pistes abandonnées ; embauches directes en retard	+80 % d’embauches directes après présélection par l’IA
Efficacité du recruteur	Temps passé à relancer, appeler à froid et filtrer manuellement	+55 % d’augmentation de la productivité des recruteurs
Volume de placements	Recruteurs submergés par le volume ; ruptures de vivier	76 % de placements supplémentaires grâce à un entonnoir filtré et plus rapide
Ressenti candidat	Engagement inégal ; relances sans réponse	Taux d’engagement de 87 %, et <0,5 % de refus d’échanges avec l’IA
Dépenses publicitaires	Dépenses élevées sur les jobboards pour alimenter les canaux froids	Jusqu’à 75 % de réduction des coûts publicitaires
Charge et stress	Recruteurs engorgés, peinant à suivre le rythme	Les recruteurs ne contactent que des candidats qualifiés et motivés
Confiance & conformité	Risque d’irrégularités dans la prospection et la présélection	Scripts standardisés et revus, intégration ATS garantissant l’équité

Conditions de succès

• Implication des dirigeants dès le début
• Formations intégrées dès l’onboarding
• Intégration facile à l’ATS (Bullhorn) et fonctionnalités de réécriture
• Mise à jour des SOP pour faire de l’IA la norme, pas l’exception
• Boucles de retour constantes pour ajuster les conversations et résoudre les problèmes

Écueils à éviter

• Ne supposez pas que les candidats vont rejeter l’IA — laissez les données démontrer leurs préférences réelles
• Ne négligez pas la conduite du changement — l’adoption dépend d’une transformation culturelle
• Naissez pas les recruteurs se sentir remplacés — insistez sur le fait que l’IA leur permet de se concentrer sur leurs points forts

9. FORE Enterprise + Hackathon IA

FORE Enterprise, architecte de solutions IA au service de clients dans les services financiers, les franchises sportives, les secteurs du logiciel, des données et du luxe, est reconnu pour relever des défis d’entreprise complexes grâce à des applications IA innovantes et évolutives.

Mais en interne, l’équipe voulait tester sa propre vélocité : serait-il possible de créer des fonctionnalités prêtes pour le client — motorisées par IA — en moins de temps, avec moins de ressources, sans compromis sur la qualité ?

Le scénario : Créer une fonctionnalité opérationnelle pour un produit de détection d’opportunités, aidant les clients à trouver, classer et analyser des prospects futurs à l’aide d’un grand modèle de langage (LLM). Habituellement, le développement exige une semaine (avec IA) ou un mois (sans). Seraient-ils capables de le faire en 24 heures ?

La réponse leur est parvenue via un hackathon IA interne — les résultats furent transformatifs, prouvant que les initiatives IA peuvent accélérer le développement sans sacrifier la qualité.

Le pari IA

FORE a organisé un hackathon IA de 24 heures, divisant tout le personnel en équipes transverses avec un objectif commun :

Utiliser l’IA pour bâtir une fonctionnalité qui soutient le sourcing de prospects avec un LLM, et la présenter en direct à un client dans la journée.

Principaux outils et méthodes IA utilisés :

• Cursor : Environnement de développement natif à l’IA avec suggestions de code en ligne et préparation des commits
• Claude + ChatGPT : Pour générer des blocs de code courts et ciblés, analyser des schémas et traiter la logique grâce au traitement du langage naturel
• "Esprit d'éditeur" : Plutôt que de laisser l’IA agir sans contrôle, les équipes utilisaient l’IA comme copilote : génération de code par petites étapes, puis édition et validation à chaque phase afin d’optimiser les résultats
• Exigences pour la démo en direct : Chaque fonctionnalité devait être testable, visuelle et explicable avec des termes accessibles au client

Résultats

• Le temps de développement s’est effondré : d’une semaine à une journée pour les fonctionnalités clés du produit
• 100 % des fonctionnalités construites par intelligence artificielle ont été approuvées par le client pour une mise en œuvre complète
• La vélocité d’ingénierie a bondi : d’environ 5 000 commits mensuels à 30 000, reflétant une productivité supérieure sans code inutile—une amélioration spectaculaire des indicateurs clés
• Les équipes ont appris à faire confiance à l’IA pour la rapidité, tout en développant un jugement aiguisé sur quand la guider ou la corriger

À retenir pour les dirigeants

Les outils d’IA seuls ne vous rendent pas plus rapide, la structure oui. En donnant aux équipes des délais courts, des objectifs de fonctionnalités décomposés et une totale liberté d’utiliser l’IA comme partenaire créatif, FORE a permis une livraison rapide sans compromis sur la qualité.

Les hackathons ne sont pas de simples gadgets. Pour les petites entreprises, ce sont des moteurs d’apprentissage accéléré qui développent les compétences de l’équipe tout en créant de la valeur : des initiatives stratégiques à ROI immédiat.

Signal d’alerte

Le code généré par l’IA n’est pas infaillible. Dans les premières phases, des outils comme Claude comprenaient mal les références d’objets, généraient des dérives de schéma ou hallucinaient des couches inutiles de complexité. Laisser le modèle tourner trop longtemps sans points de contrôle menait à une prolifération de commits et à des failles logiques.

Vérité terrain (avec conseils)

L’IA ne remplace pas les développeurs—elle accélère les meilleurs et met en lumière les faiblesses des autres. Tyler Hochman, fondateur et PDG de FORE Enterprises, partage quelques enseignements.

Nous avons continuellement appris comment fonctionnent les outils. Ils tentent souvent de compliquer excessivement les choses, ce qui peut être un piège. Si vous donnez à l’outil une tâche ouverte comme « implémente cette fonctionnalité », il ne s’en sort pas très bien ; mais si vous décomposez la tâche en A, B, C et D et vérifiez chaque étape, le résultat est nettement meilleur.

Enseignements :

• Ne laissez pas l’IA gérer des tâches larges et ouvertes. Décomposez tout en parties claires et testables.
• Vérifiez toujours la compréhension du schéma. Le modèle peut ne pas reconnaître vos structures de données nativement.
• L’édition humaine reste essentielle. L’IA donne le meilleur d’elle-même si sa production est traitée comme un brouillon initial.

Avant / Après : Hackathon IA FORE Enterprise

Domaine clé	Avant l’IA	Après l’IA
Vitesse de dev des fonctionnalités	~1 semaine par fonctionnalité (ou 1 mois sans IA)	1 jour par fonctionnalité avec code assisté par IA + structure concentrée de hackathon
Taux d’approbation client	Variable, dépendant de l’itération et QA	100 % d’approbation pour les fonctionnalités construites lors du hackathon
Productivité d'ingénierie	~5 000 commits mensuels	30 000 commits mensuels après l’implémentation IA
Coût de l’expérimentation	Élevé : nécessitait un cycle complet de sprint développeur	Faible : 24 heures de travail d’équipe structuré par fonctionnalité
Adoption de l’IA dans l’équipe	Explorations ponctuelles, faible confiance dans les modèles	Adoption élevée, confiance et compétences pratiques par la collaboration d’équipe
Gestion du risque IA	L’IA complique, interprète mal les schémas	Risque atténué grâce à des instructions étape par étape + édition humaine

10. Smartbridge + Agent IA pour le recrutement

Une entreprise de taille intermédiaire dans les services pétroliers et gaziers (500 à 1 000 collaborateurs) peinait à embaucher efficacement à grande échelle. Les recruteurs passaient un temps excessif à sourcer, évaluer et relancer les candidats manuellement—souvent en s’appuyant sur des critères subjectifs et l’intuition, ce qui entraînait lenteur et biais dans le processus de recrutement.

Avec plusieurs recruteurs traitant des volumes importants sur différents sites, l’entreprise faisait face à trois besoins urgents :

• Réduire le délai d’embauche afin d’éviter les pertes de productivité et d’améliorer l’expérience collaborateur
• Standardiser les décisions d’embauche pour plus de cohérence et moins de biais, et prendre davantage de décisions fondées sur la donnée
• Dégager du temps aux RH pour qu’ils puissent se concentrer sur la relation candidat—et pas seulement la gestion de flux

L’approche IA

Pour transformer le processus, l'entreprise s'est associée à Smartbridge, un cabinet de conseil en transformation numérique, pour déployer un copilote recruteur personnalisé alimenté par l'IA générative.

Cet outil d'IA agentique a été conçu pour se connecter directement à BambooHR et à l'ATS de l'entreprise, garantissant une intégration fluide des flux de travail et la protection des données des employés. La solution a permis de :

• Automatisation du tri des candidats via les données de l'ATS afin d'optimiser l'une des tâches RH les plus chronophages, avec des capacités sophistiquées de sélection de CV
• Recommandations contextuelles pour le suivi des recruteurs, classées par qualité et urgence, permettant des décisions plus guidées par les données
• Questions d'entretien standardisées générées à partir des descriptions de poste grâce à des technologies d'IA
• Réduction des biais en imposant des critères uniformes lors de l'évaluation des candidats, améliorant ainsi l'équité grâce à une analyse minutieuse des données
• Livraison programmée des actions du recruteur et des insights, adaptées aux besoins et aux préférences spécifiques à chaque poste—l’IA veille à ce qu’aucun détail ne soit négligé

Les résultats

Les résultats ont été considérables et vérifiables :

KPI	Avant l'IA	Après l'IA
Temps investi en recrutement	Tâches manuelles intensives sur plusieurs semaines	Réduction de plus de 70 % du temps consacré au recrutement
Délai de pourvoi des postes	Souvent retardé de 1 à 2 semaines	Cycle d'embauche réduit de 1 à 2 semaines
Homogénéité des embauches	Les recruteurs utilisaient des heuristiques différentes	Normes et insights unifiés parmi les recruteurs
Biais dans le tri	Dépend des analyses subjectives	Biais minimes, grâce à une évaluation structurée
Adoption de l’outil par les recruteurs	Utilisation manuelle de l’ATS	Adoption de l’outil par 100 % des recruteurs, avec des flux de travail intégrés

« Tous les recruteurs l’utilisent maintenant—et ils le font avec confiance. Le système fournit exactement ce dont ils ont besoin, au moment où ils en ont besoin », a déclaré Rajeev Aluru, Responsable de l’IA et de la Data Science chez Smartbridge.

À retenir pour les dirigeants

L’IA ne remplace pas les recruteurs—elle les valorise. En intégrant un copilote intelligent directement dans les outils ATS existants, Smartbridge a aidé cette entreprise du secteur de la construction et des services à standardiser la qualité de l’embauche, accélérer le délai de recrutement et réduire considérablement les efforts manuels.

L’outil fait désormais partie de l'infrastructure de base, et ce n’est plus une simple expérimentation—il démontre le potentiel transformateur de l'IA pour les RH lorsqu’elle est intégrée correctement dans les fonctions RH.

Alerte rouge

Si le système d’IA n’est pas profondément intégré dans les workflows existants, l’adoption stagne. Ce qui a fait le succès de ce cas, c’est la livraison fluide des insights directement dans BambooHR et l’ATS, préservant ainsi la dynamique et la confiance des recruteurs.

En toute franchise

La technologie fonctionne—mais l’adhésion des recruteurs dès le premier jour est essentielle.

• Ne surprenez pas votre équipe. Impliquez les recruteurs tôt dans la phase de conception.
• L’IA doit être perçue comme une aide, pas comme un remplacement. Utilisez-la pour recommander, non pour imposer.
• Gardez-la dans leurs outils. Si l’IA se trouve en dehors du système de référence, elle ne sera pas utilisée.
• Suivez les performances. Montrez aux recruteurs comment elle les aide à pourvoir les postes plus vite, mieux et plus équitablement.

11. Docebo + IA pour le recrutement, l'engagement et la gestion des connaissances

Docebo, entreprise technologique mondiale de l’apprentissage avec environ 1 000 employés répartis entre l’Amérique du Nord et l’Europe, était confrontée à des défis complexes de recrutement et d’exploitation à grande échelle. Les équipes d’acquisition de talents peinaient à garantir une évaluation cohérente des candidats, la prise de notes pendant les entretiens et la conversion rapide des échanges avec les responsables d’embauche en décisions concrètes.

Dans le même temps, les équipes RH examinaient manuellement des milliers de commentaires issus des enquêtes d’engagement chaque mois, ce qui ralentissait considérablement leur capacité à agir sur les retours et améliorer l’engagement des collaborateurs. Le partage interne de connaissances était aussi un goulot d’étranglement, notamment lors de projets comme la réorganisation structurelle.

Docebo avait besoin de l’IA non pour la nouveauté, mais pour débloquer la clarté opérationnelle, accélérer la prise de décision et améliorer l’évaluation des candidats à l’échelle d’une entreprise globale—en optimisant simultanément plusieurs fonctions RH.

L’initiative IA

Docebo a déployé l’IA sur trois flux RH essentiels grâce à l’apprentissage automatique et au traitement du langage naturel :

1. Recrutement + Intelligence d’entretien

• Granola.ai a été introduit pour aider les recruteurs et les responsables du recrutement pendant les entretiens, en transcrivant et en résumant automatiquement les notes.
• Cela a libéré les recruteurs de la tâche de retranscription après les appels et permis aux responsables du recrutement de se concentrer sur l'écoute active, renforçant l'équité et la cohérence des décisions d'embauche — l'IA contribue à éliminer les tâches RH fastidieuses.
• Les résumés servent désormais d'archive pour identifier quelles questions ont mené à de bonnes embauches, permettant d'affiner les stratégies d'entretien et de prendre des décisions plus éclairées concernant l'évaluation des candidats, créant ainsi des ensembles de données précieux pour une amélioration continue.

2. Descriptions de poste alignées sur la culture + Profilage des candidats

• Des outils d'IA ont été utilisés pour rédiger des descriptions de poste en accord avec les valeurs de Docebo, aboutissant à une nette amélioration de la qualité des candidats et à une meilleure expérience collaborateur dès le premier contact.
• Les recruteurs ont également expérimenté l'analyse par IA de contenus publics de candidats (par exemple, des publications LinkedIn) afin d'évaluer leur adéquation avec les valeurs culturelles, comme des qualités de leadership centrées sur l'humain.
• Bien que ces informations ne soient pas utilisées pour prendre des décisions finales, elles fournissent des indications pour les recrutements de leaders et alimentent les discussions de développement de carrière.

3. Analyse de sentiment des enquêtes d'engagement

• Auparavant, l'analyse de milliers de commentaires issus des enquêtes mensuelles d'engagement prenait des semaines.
• Avec la synthèse par IA utilisant des algorithmes d'analyse de données, les équipes RH pouvaient désormais détecter les tendances et les évolutions du ressenti en quelques heures, leur permettant ainsi de lancer plus rapidement des initiatives adaptées.
• Chaque commentaire demeure bien entendu examiné par un professionnel RH — mais l'IA sert de filtre de premier passage, mettant en avant les points urgents et réduisant le délai entre le retour et l'action, améliorant nettement la réactivité RH et permettant une analyse prédictive sur les risques potentiels de départ.

4. Accès à la connaissance interne avec Glean

• Glean, un outil de gestion des connaissances alimenté par l'IA, a été déployé pour éliminer les silos internes et optimiser l'accès à l'information — un des outils RH stratégiques de l'écosystème technologique de Docebo.
• Les employés peuvent interroger Glean pour obtenir des résumés des priorités des départements, des organigrammes et des actualités de projets internes, soutenant le développement de carrière en clarifiant les parcours de progression.
• Par exemple, l'équipe RH s'en est servie pour rationaliser les efforts de conception organisationnelle en faisant remonter instantanément les objectifs d'équipes et structures en temps réel à partir des données collaborateurs. Les dirigeants attestent d'une amélioration spectaculaire de la rapidité de planification stratégique.

Les résultats

• Plus de 2 heures économisées par recruteur/entreteneur et par embauche grâce à la prise de notes automatisée
• Des milliers de commentaires d'enquête analysés chaque mois en quelques heures au lieu de plusieurs semaines, améliorant la réactivité en matière d'engagement collaborateur
• Des descriptions de poste plus rapides et de meilleure qualité ont permis d'améliorer les viviers de candidats et l'expérience employé
• Meilleure calibration des recrutements grâce à l'analyse rétrospective des comptes rendus d'entretien, permettant des décisions davantage fondées sur les données
• Planification de la conception organisationnelle plus rapide grâce aux synthèses internes de Glean en temps réel

« Nous ne considérons pas l’IA comme un jeu à somme nulle. Il s’agit de révéler le meilleur de nos collaborateurs tout en gagnant en efficacité et en capacité de déploiement. » — Lauren Tropeano, VP People and Culture, Docebo.

À retenir pour les dirigeants

L’IA n’a pas besoin d’être révolutionnaire pour être transformatrice. Le succès de Docebo découle de l’intégration d’outils IA pratiques dans les processus existants : lever les obstacles liés à la prise de notes, déverrouiller l’accès aux connaissances de l’organisation, et accélérer la réaction aux feedbacks d’engagement.

La démarche était à parts égales pragmatique et centrée sur l’humain, avec une gouvernance et une expérimentation qui ont facilité une adoption durable au sein des RH.

À surveiller

Tous les outils IA ne produisent pas des résultats exploitables. Docebo a dû tester plusieurs plateformes de prise de notes avant d’en trouver une qui saisissait correctement les subtilités et faisait la distinction entre interlocuteurs. La leçon ? Testez avant d’étendre, et évaluez non seulement ce que fait l’IA, mais surtout l’utilité réelle pour vos processus RH.

Vraie discussion (avec conseils)

• Démarrez petit, développez intelligemment : Lancez avec des équipes pilotes, recueillez les retours, puis élargissez en fonction de la valeur prouvée et d’indicateurs clairs.
• IA ≠ pilote automatique : Les équipes doivent toujours faire preuve d’esprit critique et de discernement pour interpréter et appliquer les analyses produites par l’IA.
• La gouvernance est capitale : Définissez des frontières d’accès aux données (par exemple, aucun accès aux systèmes RH sensibles) et formalisez les règles d’utilisation responsable des données collaborateurs.

Avant / Après : le parcours IA de Docebo

Domaine clé	Avant l’IA	Après l’IA
Prise de notes d’entretien	Transcription manuelle après chaque appel ; niveau de détail et d’effort variable	Les résumés Granola économisent plus de 2 heures par poste ; les managers se concentrent sur l’écoute plutôt que la saisie
Analyse des enquêtes d’engagement	Codification manuelle de milliers de commentaires, nécessitant des semaines de travail	Les synthèses thématiques IA permettent des cycles retour-action quasi instantanés
Recherche de candidats	Descriptions de poste noyées dans un océan d’annonces génériques du secteur	Les offres d’emploi rédigées par IA, alignées sur les valeurs de l’entreprise, attirent des candidats mieux adaptés
Recherche en conception organisationnelle	Heures/jours à fouiller les e-mails et Slack pour comprendre la structure des équipes	Glean expose en quelques secondes les objectifs d’équipe et les organigrammes
Évaluation culturelle	Peu de visibilité sur les comportements des candidats axés sur l’humain	Les évaluations alimentées par IA des contenus publics fournissent des indices sur l’adéquation à la culture

5 enseignements clés tirés du terrain sur l’IA en RH

Après avoir exploré des dizaines de mises en œuvre réelles, voici les principaux enseignements issus des équipes qui pratiquent véritablement cette transformation — non pas en théorie, mais sur le terrain :

More Articles

• Les petites équipes gaspillent leur plus grand atout en IA
• « Prêt pour l’IA » est une expression, pas une stratégie
• Deux conférences, un problème : ce que les concepteurs et les DRH ne se disent pas

1. L’intégration surpasse l’invention

Les projets les plus efficaces ont incorporé des technologies d’IA dans les outils déjà utilisés par les équipes — comme Slack, les plateformes ATS ou les SIRH. La gestion du changement a alors été facilitée, l’adoption de l’IA plus rapide, et le retour sur investissement s’est fait sentir plus tôt. Les professionnels RH ont pu utiliser l’IA pour les RH sans bouleverser les processus existants. Plutôt que d’introduire de tout nouveaux outils RH, les implémentations réussies ont enrichi ce que les équipes connaissaient déjà, réduisant ainsi les résistances et accélérant la création de valeur.

2. Le jugement humain reste essentiel

Même les systèmes IA les plus avancés ne prennent pas de décisions seuls. Dans chaque cas, l’humain restait impliqué, ce qui renforçait la confiance, améliorait les résultats et garantissait l’équité dans le recrutement, l’intégration, et l’évaluation des performances des employés. L’apprentissage automatique et les algorithmes viennent en soutien — ils ne remplacent pas le discernement des professionnels RH expérimentés. Les responsables qui comprennent ce principe voient l’IA comme un complément et non un substitut, construisant ainsi des systèmes plus robustes et fiables.

3. L’adoption nécessite la confiance, pas seulement la technologie

Les équipes qui ont su tirer le meilleur parti de l’IA ont investi dans la formation, la transparence et le partage en interne. L’adoption de l’IA n’est pas qu’une question technique : c’est aussi culturel. Les équipes les plus performantes ont fait de l’IA un allié et non une menace, maintenant ainsi l’engagement des collaborateurs tout au long des projets. Une adoption réussie de l’IA a nécessité de répondre aux inquiétudes sur la sécurité de l’emploi, de démontrer la valeur via des pilotes et de célébrer publiquement les réussites pour créer une dynamique positive.

4. La personnalisation stimule la performance

La rapidité compte, mais la qualité est primordiale. L’IA a eu le plus fort impact lorsqu’elle a permis des expériences contextuelles et personnalisées — pour les candidats, managers ou nouveaux collaborateurs — améliorant ainsi l’expérience globale des employés. Qu’il s’agisse de créer des plans d’intégration ou d’analyser du feedback à partir de données collaborateurs, la spécificité a surpassé la simple mise à l’échelle. Le traitement automatique du langage naturel a rendu possible cette personnalisation à grande échelle sur de nombreuses fonctions RH, soutenant des parcours d’apprentissage individualisés, des échanges sur le développement de carrière et des communications ciblées. Les meilleures implémentations ont utilisé l’analyse de données et la prédiction pour anticiper les besoins individuels, évitant ainsi l’approche standardisée.

5. Les petits pilotes montent rapidement en puissance

La plupart des réussites ont commencé par des expérimentations à faible risque mais à fort impact : un chatbot pour fixer des objectifs, un plan 30/60/90 généré par GPT, ou encore le filtrage automatisé des CV. Dès que l’impact était mesuré — économies, gains d’efficacité — les équipes passaient rapidement à l’échelle, avec crédibilité et assurance. Ces initiatives ciblées ont permis de valider l’apport de l’IA pour les RH avant de la déployer dans toute l’entreprise pour transformer les processus RH ou les tâches associées. Commencer petit a permis aux équipes de tester les technologies IA, d’optimiser les consignes, de constituer des jeux de données appropriés et de bâtir une gouvernance solide avant de généraliser — multipliant ainsi les chances d’une adoption réussie et durable de l’IA.