Dans les articles précédents, j’ai beaucoup parlé de 10x Thinking, cette manière de raisonner popularisée dans la Silicon Valley qui consiste à ne pas améliorer un système de 10 %, mais à le repenser pour le rendre dix fois plus performant. Je l’ai explorée à travers des contextes où le changement d’échelle est relativement lisible : le développeur x10 , rendu possible par l’IA générative ; le recruteur x 10 dans l'interim, capable d’absorber des volumes massifs tout en se recentrant sur la décision ; puis le recrutement x10 en entreprise à forte marque employeur, où le défi n’est plus d’attirer, mais de traiter intelligemment un afflux de candidatures.
Mais sur des marchés pénuriques, comme ceux sur lesquels nous recrutons chez SFEIR, le x10 ne se décrète pas. Il ne s’obtient ni par l’automatisation massive, ni par une simple addition d’outils. Il se construit, étape par étape, dans la pratique quotidienne du métier.
Chez SFEIR, nous n’avons pas trouvé la solution magique qui permettrait de faire x10 du jour au lendemain. En revanche, nous avons fait un choix clair : augmenter concrètement notre équipe Talent Acquisition, sans dénaturer la relation humaine qui est au cœur de notre valeur.
C’est dans cette logique que nous avons commencé à construire notre première application.
Beaucoup d’IA, mais un sentiment de stagnation
Ce projet est né d’un constat paradoxal. Nous utilisions déjà largement les modèles de langage : pour converser, créer des assistants, nous aider ponctuellement dans nos recrutements, notamment via Gemini et nos outils internes comme RAISE. Et pourtant, malgré cette adoption avancée, un sentiment persistait : celui de stagner.
En parallèle, nous portons une promesse forte autour de la GenAI dans notre marque employeur. Nos métiers — développement logiciel, data, IA, cloud — sont littéralement en train d’être transformés par ces technologies. Il devenait incohérent de ne pas pousser nous-mêmes l’expérimentation plus loin, en tant qu’équipe recrutement.
Nous avons donc posé un objectif collectif : passer la certification Google Generative AI Leader. Cette formation a été un déclic. Elle nous a permis de mieux comprendre le fonctionnement réel des modèles, de découvrir d’autres outils, mais surtout de sortir d’un usage purement conversationnel pour entrer dans une logique produit. Autrement dit, ne plus “utiliser de l’IA”, mais concevoir des usages durables et partageables.
Comment augmenter le recruteur sans déshumaniser le recrutement ?
À partir de là, la question n’était plus de savoir quel outil choisir, mais comment structurer une augmentation cohérente du recruteur, adaptée à nos contraintes : des marchés pénuriques, des profils rares, une majorité de recrutements réalisés par la chasse, et une forte exigence sur la qualité de la relation candidat.
Nous avons rapidement compris que la réponse ne pouvait pas être un outil figé. Les avancées en IA sont trop rapides. Tous les six mois, de nouveaux usages émergent, de nouvelles possibilités apparaissent. Ce projet serait donc, par définition, un chantier permanent.
C’est ainsi qu’est née notre application low code / no code, que nous avons appelée TA GenAI Academy, avec une baseline volontairement simple : moins d’opérations, plus d’impact, plus de justesse relationnelle
Une application pensée par usages, au service de l’intelligence collective
Dès le départ, nous avons fait des choix pragmatiques, sans dogmatisme. Nous utilisons principalement des outils de l’écosystème Google — Antigravity pour développer l’application, AI Studio pour créer des mini-applications, des assistants IA paramétrés pour des usages très ciblés, et NotebookLM pour travailler en logique RAG à partir de notre base documentaire interne. Non par conviction idéologique, mais parce que c’est notre environnement de travail. D’autres écosystèmes, notamment Microsoft, permettent exactement les mêmes choses. Le sujet n’est pas l’outil. Le sujet est l’usage.
Nous avons structuré l’application autour de six grandes familles, correspondant aux moments clés du recrutement chez SFEIR. L’objectif est clair : capitaliser sur l’intelligence collective. Nous sommes quinze recruteurs. Chacun expérimente. L’application nous permet de centraliser ce qui fonctionne réellement, sous forme d’assistants, de prompts et de mini-apps testés et validés par l’équipe.
Le premier pilier concerne le sourcing (Talent Discovery), notre enjeu majeur sur un marché pénurique. Nous recrutons souvent les mêmes types de profils, sur des expertises rares. L’objectif n’est pas de “trouver des candidats” automatiquement, mais d’aider le recruteur à mieux penser sa recherche. Nous avons ainsi créé une mini-application de sourcing stratégique capable de proposer des pistes, des angles et des hypothèses à partir d’un objectif donné. En parallèle, nous travaillons sur l’automatisation intelligente du nurturing et sur le tri des candidatures dans notre ATS, avec une veille active sur des solutions capables d’identifier des signaux faibles indiquant qu’un profil va devenir bientôt à l’écoute du marché.
Le deuxième pilier concerne l’évaluation (Talent Assessment). Évaluer des profils techniques sans être soi-même développeur reste l’un des plus grands défis pour un recruteur. Nous avons donc conçu plusieurs assistants spécialisés : un assistant générant des questions techniques de vérification à partir d’un CV, un autre dédié à l’évaluation de la maturité d’un candidat sur la GenAI dans sa pratique métier, et un assistant de “vente candidat”, capable de formuler les arguments clés à partir de notre marque employeur. Ici, l’IA ne remplace pas l’entretien. Elle prépare le recruteur à mieux le mener.
Nous avons également construit un notebookLM (utilisation en RAG) sur les missions. Chez SFEIR, nous sommes en ESN et nous recrutons sur profil, pas sur mission, ce qui rend parfois la projection difficile pour les candidats. Nous avons automatisé la création de fiches missions à partir de Google Forms remplis par nos consultants, généré des slides automatiquement, et centralisé l’ensemble dans NotebookLM. Nous disposons ainsi d’une base de connaissances vivante, interrogeable en langage naturel, capable de fournir des exemples concrets et crédibles.
Le troisième pilier repose sur l’expérience candidats, car chaque interaction compte, chaque message laisse une trace. Nous avons paramétré des assistants capables de produire des comptes rendus d’entretien à partir de transcriptions, de générer des emails personnalisés de suivi ou de refus.
Le quatrième pilier porte sur la communication et la marque employeur. Il s’agit ici décliner notre Employee Value Proposition dans les annonces, les messages d’approche et les contenus LinkedIn. Sur un marché pénurique, la marque employeur ne se joue pas au niveau corporate. Elle se joue dans chaque interaction recruteur–candidat.
Le cinquième concerne le pré-boarding, l’onboarding et les sujets RH. Nous avons construit des assistants RAG alimentés par nos documents internes, capables de répondre à la grande majorité des questions récurrentes sans solliciter systématiquement les équipes support, et automatiser la création de supports administratifs.
L’IA comme coach du recruteur
La dernière brique, sans doute l’une des plus puissantes, est celle de l’IA comme outil de coaching. Nous avons créé un assistant capable d’analyser une transcription d’entretien, non pas pour produire un compte rendu, mais pour donner un feedback au recruteur : analyse du temps de parole, axes d’amélioration, capacité à convaincre, préparation du prochain échange. Le recruteur peut ainsi se coacher lui-même, en continu, dans un marché exigeant.
À ce stade, une évidence s’impose. Construire des outils, des applications ou des produits pour augmenter les métiers n’est qu’une partie de l’équation. Car à mesure que les métiers s’augmentent, les équilibres internes se déplacent. Les rôles évoluent. Les attentes changent. Et avec eux, une question devient centrale : quelle posture de leadership est nécessaire pour accompagner des équipes dont le travail, la valeur et l’autonomie sont profondément transformés par l’IA ? C’est précisément ce basculement managérial que j’explore dans le prochain article.
A lire sur le même thème :
Pourquoi la vraie promesse de l’IA n’est pas le +10 %, mais le x10
Recruteur x10 : ce que l’intérim nous apprend sur l’impact réel de l’IA
Pourquoi l’efficacité ne suffit plus en recrutement
Leader à l’ère de l’IA : quelle posture incarner quand les métiers s’augmentent ?
