Comment on a construit un VRAI agent IA d'orientation professionnelle

Ce qui se passe vraiment quand vous cliquez sur « générer »

« Agent IA », « propulsé par l'IA » — ces termes circulent partout, mais ils recouvrent des réalités très différentes. Envoyer un prompt à un LLM et afficher la réponse, c'est déjà de l'IA. Construire un système qui raisonne, vérifie, itère et s'améliore, c'en est aussi — mais ce n'est pas du tout la même chose.

On a construit un système d'agent IA pour l'orientation professionnelle. Et aujourd'hui, on ouvre le capot — composant par composant, sans jargon inutile mais sans simplification excessive.

Un bilan de compétences, c'est un processus structuré. Un bénéficiaire passe des tests psychométriques (personnalité, valeurs, intérêts professionnels), répond à des questionnaires sur son parcours, ses aspirations, ses contraintes, puis reçoit des propositions d'orientation personnalisées.

Traditionnellement, c'est un conseiller humain qui analyse manuellement l'ensemble de ces données pour formuler des recommandations. Ce processus est long, subjectif, et dépend énormément de l'expérience individuelle du conseiller et de sa connaissance — forcément limitée — du marché de l'emploi.

C'est exactement le type de tâche où l'IA excelle — à condition de ne pas la laisser seule.

Parce qu'un LLM livré à lui-même, sans structure, sans données vérifiées, sans pré-filtrage, c'est un oracle qui hallucine avec assurance. La puissance du raisonnement est là. Mais sans cadre, elle dérive.

Avant de plonger dans chaque composant, voici la carte complète de ce qui se passe entre le moment où un bénéficiaire clique sur « Générer mes propositions » et celui où il reçoit ses recommandations personnalisées.

2.1 Les technologies en jeu

Si certains de ces termes vous sont étrangers, pas de panique — on va tout décortiquer. Et il y a un glossaire en fin d'article.

Imaginez un médecin qui consulte le dossier d'un patient avant un rendez-vous. Il ne lit pas les données brutes de la base de l'hôpital — il consulte une synthèse structurée : antécédents, traitements en cours, résultats d'analyses.

Le ContextBuilder, c'est exactement ça. Il prend les données brutes du bénéficiaire — réparties dans une dizaine de tables en base — et les transforme en un document structuré et lisible que l'agent IA peut comprendre et exploiter.

3.1 Ce qu'il compile : 9 sections, 50+ champs

Question légitime : si Claude est si intelligent, pourquoi ne pas lui envoyer les 1 500 fiches métiers et le laisser choisir ?

4.1 L'algorithme : 4 axes pondérés

Chaque métier est scoré selon quatre axes, avec des pondérations calibrées pour refléter l'importance relative de chaque critère. Le poids le plus élevé va à la compatibilité psychométrique — c'est le facteur le plus prédictif.

Résultat : une shortlist de candidats pertinents, triés par score global décroissant. Ce sont eux que l'agent recevra pour son analyse qualitative.

Imaginez que vous cherchez un livre dans une bibliothèque. La recherche classique (SQL, mots-clés), c'est chercher un livre par son titre exact. Le RAG, c'est pouvoir dire au bibliothécaire : « je cherche un livre sur des gens qui aident d'autres gens à traverser des moments difficiles » — et qu'il vous ramène « Assistant social », « Éducateur spécialisé » et « Psychologue clinicien », même si aucun de ces mots ne figurait dans votre demande.

5.1 Comment ça fonctionne, concrètement

5.2 Pourquoi c'est différent d'une recherche classique

Un consultant en stratégie, aussi brillant soit-il, ne peut pas travailler uniquement de mémoire. Il a besoin d'accéder à des bases de données, de consulter des rapports, de vérifier des chiffres. Le MCP (Model Context Protocol), c'est exactement ça : un protocole qui permet à l'IA d'accéder à des outils externes de manière autonome.

6.1 Les types d'outils à disposition de l'agent

C'est ici que tout se joue. Et c'est ici que la différence avec un chatbot classique est la plus visible.

Un chatbot classique : vous envoyez une question, il renvoie une réponse. Un échange, terminé. Un agent : il reçoit une mission, il réfléchit, il utilise un outil, il analyse le résultat, il ajuste, et il recommence — jusqu'à ce qu'il ait suffisamment d'éléments pour conclure.

C'est le pattern ReAct (Reasoning + Acting), théorisé par la recherche en IA. Chez nous, ce n'est pas un concept de papier — c'est implémenté en production, avec de vrais utilisateurs.

7.1 Les garde-fous

Un prompt, dans notre contexte, ce n'est pas une phrase envoyée à ChatGPT. C'est un document structuré qui définit l'identité complète de l'agent : son expertise, sa méthodologie, ses règles absolues, et le format attendu de ses réponses. Nos prompts sont des fichiers Markdown, versionnés, maintenus comme du code.

8.1 Les principes non négociables

Le prompt définit un ensemble de règles absolues que l'agent ne peut pas contourner. Les principales :

8.2 4 modes opératoires

La génération complète — pré-scoring + compilation + boucle d'agent — prend entre 30 secondes et 2 minutes. C'est beaucoup trop long pour une requête HTTP classique.

Quand le bénéficiaire clique sur « Générer », la requête part quasi instantanément dans une file d'attente. Un worker en arrière-plan récupère le message et lance le pipeline complet. L'interface affiche un indicateur de progression et vérifie régulièrement le statut. Quand le traitement est terminé, les propositions s'affichent.

Si quelque chose échoue (API indisponible, timeout, erreur interne), le système retente automatiquement avec des délais croissants. Le bénéficiaire voit un message explicatif — jamais un écran blanc.

Le système ne s'arrête pas à la première génération. C'est un point fondamental.

Pour synthétiser tout ce qui précède, voici ce qui caractérise un système d'agent par rapport à une intégration LLM plus simple.

11.1 Les 4 piliers d'un agent

Ce sont ces 4 dimensions combinées qui font la différence entre une intégration LLM et un système d'agent. L'une n'est pas « meilleure » que l'autre en soi — mais elles ne répondent pas aux mêmes problèmes.

Transparence oblige — le système n'est pas terminé.

12.1 Court terme

12.2 Moyen et long terme

Mon point de vue

Si vous êtes arrivé jusqu'ici, vous avez maintenant les clés pour évaluer n'importe quel produit qui se revendique « agent IA ». Posez ces questions :

C'est cette conviction qui guide nos choix techniques.