Une entreprise de 300 personnes a déployé un assistant IA interne pour son équipe RH de 8 personnes. Réponses aux questions des salariés, résumé des entretiens, aide à la rédaction des offres d'emploi. 4 mois après : voici les résultats, les surprises et les leçons.
Le contexte et les objectifs
L'équipe RH recevait en moyenne 120 questions par semaine de la part des salariés : congés, mutuelle, formation, paie, onboarding. 80% de ces questions avaient des réponses dans la documentation existante, mais les documents étaient éparpillés et peu accessibles.
L'objectif : déployer un chatbot interne alimenté par la documentation RH de l'entreprise, accessible via Teams, disponible 24h/24.
L'architecture technique
Nous avons opté pour une architecture RAG (Retrieval Augmented Generation) : les documents RH (conventions collectives, règlement intérieur, procédures) sont indexés dans une base vectorielle. À chaque question, les passages pertinents sont récupérés et injectés dans le contexte du LLM avant la réponse.
Stack technique : LangChain pour l'orchestration, Chroma pour la base vectorielle, GPT-4o comme LLM de base, Microsoft Teams comme interface. Déploiement sur Azure pour rester dans l'environnement Microsoft existant.
Point critique : nous avons ajouté une mention systématique en bas de chaque réponse : "Cette réponse est basée sur la documentation RH en vigueur. En cas de doute, contactez directement votre gestionnaire RH." Essentiel pour la conformité et la confiance.
Les surprises (bonnes et mauvaises)
La bonne surprise : l'adoption immédiate
Contrairement à ce qu'on craignait, les salariés ont adopté l'outil très rapidement, notamment les équipes en horaires décalés qui n'avaient pas accès aux RH en temps réel. Le taux d'utilisation a dépassé nos prévisions dès la première semaine.
La mauvaise surprise : les questions hors périmètre
L'assistant a reçu des questions très personnelles que nous n'avions pas anticipées : situations de harcèlement, problèmes de santé, conflits avec des managers. Nous avons dû rapidement ajouter une logique de détection et de redirection vers un humain pour ces cas sensibles.
Les leçons pour réussir votre déploiement
1. Commencez par les questions les plus fréquentes et les réponses les plus simples. Ne cherchez pas à couvrir 100% des cas dès le départ.
2. Prévoyez absolument un mécanisme d'escalade vers un humain. Un assistant IA sans sortie humaine est un risque réputationnel et légal.
3. Mettez à jour la base documentaire chaque fois qu'une procédure change. Un RAG sur de la documentation obsolète est pire que pas de RAG du tout.
Avec toute mon attention,
Article très complet et ancré dans la réalité du terrain. On retrouve exactement les mêmes patterns chez nos clients. La partie sur les coûts d'inférence est particulièrement précieuse, c'est un sujet que peu d'articles abordent franchement.
Merci Thomas ! Effectivement, l'optimisation des coûts est souvent négligée en phase de prototypage mais devient critique en production. N'hésitez pas à nous contacter si vous voulez approfondir ce point.
Je partage cet article à toute mon équipe. La distinction entre « démo impressionnante » et « production robuste » est exactement le débat qu'on a en ce moment en interne. Le conseil sur les human checkpoints est actionnable immédiatement.
Très bon article. Je nuancerais sur le délai de 18 jours pour déployer un premier agent, dans mon expérience c'est plus proche de 4 à 6 semaines quand on intègre vraiment les contraintes de sécurité et de RGPD.
Remarque tout à fait juste Marc. Les 18 jours correspondent à un premier agent en environnement de test ou pour un cas d'usage bien délimité. En production avec toutes les contraintes enterprise, votre estimation est réaliste.