Le défi : un vivier sous-exploité et des journées passées au téléphone
Le besoin est né dans l’équipe recrutement de NextGen, qui recrute des consultants pour ses clients. Le quotidien d’une équipe de recrutement d’ESN concentre cinq irritants :
- CVthèque sous-exploitée : la recherche par mots-clés manque les profils dont la compétence est écrite autrement, et le sourcing externe repart de zéro alors que le bon candidat est déjà dans la base.
- Candidatures non lues : les candidatures entrantes s’accumulent plus vite qu’elles ne sont lues.
- Préqualification chronophage : les mêmes questions, disponibilité, mobilité, prétentions, sont posées des dizaines de fois par jour, souvent à des candidats qui ne répondent pas.
- Relances et rendez-vous manuels : chaque relance et chaque prise de rendez-vous passent par le recruteur.
- Un cadre réglementaire exigeant : le recrutement figure parmi les usages à haut risque du règlement européen sur l’IA, et les données des candidats relèvent du RGPD.
L’ambition : confier à des agents IA le premier kilomètre du recrutement, de la CVthèque au rendez-vous, en laissant chaque décision au recruteur.
Le choix d’une orchestration d’agents spécialisés, explicable et souveraine
Un assistant conversationnel posé sur un formulaire n’aurait traité ni la recherche dans la CVthèque, ni les appels, ni les relances. Nous avons fait cinq choix de conception :
- Des agents spécialisés plutôt qu’un prompt unique : chaque agent a une responsabilité étroite, des garde-fous veillent sur l’ensemble, et le comportement se corrige agent par agent.
- L’explicabilité par conception : chaque recommandation vient avec son score et sa justification rédigée ; le recruteur décide.
- Aucune dépendance captive : modèles, téléphonie, transcription et synthèse vocale sont des adaptateurs interchangeables.
- Des choix guidés par la mesure : la latence et la qualité en français ont départagé les modèles et les fournisseurs.
- La souveraineté par l’architecture : hébergement en Union européenne dans un tenant dédié, cloisonnement par entreprise cliente, filtrage des données personnelles dès l’import.
La solution : quatre capacités agentiques sur un seul socle de données
La plateforme s’inscrit dans une approche de recrutement augmenté par l’IA : elle ne remplace pas le recruteur, elle lui rend sa CVthèque, lui épargne la préqualification et documente ses décisions. Quatre capacités s’enchaînent sur le même socle de données. Les captures proviennent du site public de Delectus AI.
1. Retrouver et recommander : la CVthèque redevient le premier vivier
Capacité cœur de la plateforme : à partir d’un poste structuré, le moteur explore la CVthèque et propose une liste courte, justifiée.
| Fonctionnalité | Ce que fait la plateforme | Ce que ça change |
|---|---|---|
| Création du poste assistée | Génère l’annonce à partir d’une description libre, rattache les compétences à un référentiel normalisé sans doublons, aide à définir les critères d’évaluation. | Un poste exploitable par les agents dès la première minute. |
| Recherche en langage naturel et filtres | Interroge la CVthèque par le sens (recherche hybride vecteurs et mots-clés, reranking sémantique) et affine par filtres : localisation, compétences, type de contrat, disponibilité, mobilité. | Les profils écrits autrement remontent aussi. |
| Recommandation justifiée | Un agent juge confronte chaque profil à l’offre et rend un score et une justification rédigée, affichée au fil de son raisonnement. | Une liste courte que le recruteur peut défendre. |
| Exclusion des doublons de process | Écarte d’office les candidats déjà positionnés ou déjà proposés au client. | Aucun candidat présenté deux fois. |
2. Lire et évaluer chaque candidature entrante
Chaque candidature est traitée dès son arrivée, quel que soit son format.
| Fonctionnalité | Ce que fait la plateforme | Ce que ça change |
|---|---|---|
| Lecture multi-format | Lit les PDF, les documents Word et les scans, même de qualité médiocre, par reconnaissance de texte et compréhension documentaire. | Aucune candidature laissée de côté pour une question de format. |
| Structuration du profil | Structure le parcours, normalise et dédoublonne les compétences, identifie les lieux et les établissements. | Un profil comparable aux autres, et au poste. |
| Filtrage des données personnelles | Détecte et filtre les données personnelles avant l’indexation, à chaque import. | Le RGPD intégré au pipeline, pas vérifié après coup. |
| Correspondance aux critères | Évalue la correspondance avec les critères du poste et expose les raisons de chaque score. | Les profils pertinents remontent, avec leurs raisons. |
3. Préqualifier par SMS, WhatsApp et téléphone, sans faire attendre
L’agent de préqualification prend en charge les premiers échanges sur le canal configuré par le recruteur, et se présente comme automatisé.
| Fonctionnalité | Ce que fait la plateforme | Ce que ça change |
|---|---|---|
| Configuration par offre | Canal de contact (SMS, appel vocal, ou escalade automatique du SMS vers l’appel), message d’accueil, questions obligatoires ou optionnelles, règles de qualification. | Une campagne lancée en quelques minutes, sans intervention manuelle ensuite. |
| Conversation de préqualification | Vérifie la disponibilité, la mobilité et les prétentions, répond aux questions sur le poste, détecte les contradictions entre deux réponses. | Une fiche à jour et le fil complet de l’échange. |
| Relances et rendez-vous | Relance les candidats sans réponse et propose un rendez-vous aux candidats qualifiés. | Le recruteur n’intervient que sur les candidats qui méritent son temps. |
| Appel vocal temps réel | Mène l’échange de vive voix, avec un objectif de réponse en moins d’une seconde après la fin de la phrase du candidat, mesuré à chaque tour. | Un dialogue naturel, sans silence gênant. |
| Garde-fous | Un garde-fou de conformité peut bloquer une réponse avant son envoi ; un filtre de données personnelles veille sur l’échange. | Des échanges conformes par construction. |
4. Préparer l’entretien et décider sur des faits
En aval, la plateforme prépare l’entretien et structure l’évaluation ; le recruteur mène l’échange.
| Fonctionnalité | Ce que fait la plateforme | Ce que ça change |
|---|---|---|
| Kit d’entretien | Prépare, à partir du poste et du profil, le cadrage, les axes, les questions et les écarts à vérifier. | Moins de préparation, plus de temps pour l’échange. |
| Assistant en retrait | Pendant l’entretien, transcrit l’échange et remet une évaluation structurée à la fin. | Le recruteur écoute, l’assistant prend les notes. |
| Évaluation par critères | Note les candidats sur les mêmes critères pondérés et relie chaque note au verbatim correspondant ; le recruteur complète avec sa propre évaluation. | Des décisions comparables et documentées. |
Un recrutement, pas à pas
Vu du recruteur, le parcours tient en six étapes ; à chacune, il garde la main.
- Création du poste : il décrit le besoin ; l’annonce, les compétences normalisées et les critères d’évaluation sont générés, puis validés.
- Redécouverte et screening : il interroge la CVthèque en langage naturel et par filtres ; les candidatures entrantes sont lues et évaluées dès réception.
- Recommandation : l’agent juge propose une liste courte, score et justification à l’appui ; le recruteur retient ou écarte.
- Préqualification : l’agent contacte les candidats retenus par SMS, WhatsApp ou téléphone, vérifie l’essentiel, relance et propose un rendez-vous.
- Entretien : le recruteur arrive avec un kit préparé ; l’assistant transcrit et remet une évaluation structurée.
- Décision : les candidats sont comparés sur les mêmes critères, chaque note reliée à son verbatim ; le recruteur décide et documente.
Architecture : des agents spécialisés sur un socle souverain
La plateforme est conçue comme une orchestration d’agents spécialisés, pas comme un assistant conversationnel posé sur un formulaire. Quatre ensembles techniques la composent : un pipeline de compréhension documentaire et de recherche, un graphe d’agents pour la préqualification, un orchestrateur vocal temps réel et une plateforme de données et d’infrastructure, le tout déployé dans un tenant Azure dédié à Delectus AI, en Union européenne.
Du CV à la recommandation
Un CV arrive en PDF, en Word ou en scan. Azure Document Intelligence et l’OCR extraient le texte ; Azure OpenAI structure le profil, normalise et dédoublonne les compétences, identifie les lieux et les établissements. Les compétences du poste comme celles des profils sont rattachées à un référentiel normalisé, sans doublons, ce qui rend la correspondance calculable.
Avant qu’un document rejoigne l’index, Azure AI Language détecte et filtre les données personnelles. Le respect du RGPD est intégré au pipeline, pour chaque document et à chaque import.
Le moteur de recherche est hybride. Chaque profil est représenté par un vecteur sémantique produit par le modèle text-embedding-3-large et indexé en parallèle pour la recherche par mots-clés. Azure AI Search combine les deux approches, vecteurs et BM25, puis un reranking sémantique remonte les profils les plus pertinents en tête. Un profil se retrouve par ce que la personne sait faire, pas seulement par les mots qu’elle a employés.
Sur les profils retrouvés, un agent de recommandation construit sur gpt-4o joue le rôle de juge (LLM-as-a-judge). Il confronte chaque candidat à l’offre, rend un score et une justification rédigée, diffusée en streaming au fil de son raisonnement, et exclut de lui-même les candidats déjà positionnés ou déjà proposés. Le recruteur reçoit une recommandation motivée, jamais un classement opaque, et garde la décision.
Un graphe d’une trentaine d’agents pour la préqualification
Une conversation de préqualification n’est pas linéaire : le candidat pose une question sur le télétravail, se contredit entre deux réponses, interrompt l’échange et le reprend trois jours plus tard. Un prompt monolithique ne tient pas ce type de dialogue. La préqualification est donc conçue comme un graphe d’agents orchestré avec LangGraph et des modèles Azure OpenAI.
Chaque agent a une responsabilité étroite : compréhension de l’intention, collecte des informations manquantes, détection des contradictions, prédiction de l’abandon et adaptation du rythme, planification dynamique de la suite, prise de rendez-vous, relances programmées. Deux agents de gouvernance veillent sur l’ensemble : un garde-fou de conformité, qui peut bloquer une réponse avant son envoi, et un filtre de données personnelles. Le comportement du système est lisible et corrigible agent par agent.
Le même graphe pilote les trois canaux. La logique de dialogue ignore si elle s’exprime par SMS, par WhatsApp ou de vive voix ; seuls les adaptateurs de canal changent. Technologies utilisées pour les canaux : Telnyx et Twilio. Les appels, les relances et les imports massifs sont exécutés de façon asynchrone par des workers Celery coordonnés par Redis, sans ralentir l’application.
La voix en ports et adaptateurs
La contrainte de la voix est la latence par tour de parole. L’orchestrateur de dialogue vocal temps réel, développé par NextGen pour Delectus AI, repose sur une architecture ports et adaptateurs : le cœur ne manipule que du texte et la logique de conversation ; la téléphonie, le débruitage, la transcription, la synthèse vocale et le modèle de langage sont des adaptateurs, chacun interchangeable sans toucher au produit. L’audio est traité au bord du réseau, en Europe.
Technologies utilisées aujourd’hui : Telnyx pour la téléphonie, Krisp pour le débruitage, Deepgram Flux pour la transcription, ElevenLabs pour la synthèse vocale, Azure OpenAI (gpt-4o et gpt-5.4-mini) pour le dialogue. L’objectif fixé est une réponse en moins d’une seconde après la fin de la phrase du candidat ; la latence est mesurée à chaque tour. Les modèles et les fournisseurs ont été comparés sur la latence et la qualité en français, retenus ou écartés sur des critères mesurés.
Cette réversibilité a été éprouvée en 2026 : la plateforme est passée d’Azure Communication Services et d’Azure Voice Live à Telnyx sans réécrire le produit. Pour l’entretien assisté, la même chaîne s’appuie sur LiveKit auto-hébergé avec enregistrement, sur gpt-4o-transcribe avec diarisation et sur un avatar HeyGen LiveAvatar.
Données et infrastructure
La plateforme tourne sur Microsoft Azure, en région Suède Central, dans un tenant dédié à Delectus AI ouvert dans le cadre du programme Microsoft for Startups. Les modèles Azure OpenAI y sont déployés directement : les données de candidats ne quittent pas ce tenant. Les données métier vivent dans Azure Database for MySQL, l’index de recherche dans Azure AI Search, les documents et les enregistrements dans Azure Blob Storage, les files de travail et les sessions dans Azure Managed Redis. Les données sont partitionnées par entreprise cliente.
Les services web tournent sur Azure App Service ; des machines virtuelles Linux portent LiveKit, les workers et les agents vocaux, à partir d’images Docker conservées dans un registre privé Azure Container Registry.
Toute l’infrastructure est décrite en code. Terraform est découpé en cinq stacks indépendantes (socle, données, IA, applications, voix) pour faire évoluer une partie sans toucher aux autres ; Ansible configure les machines ; les environnements de développement et de production sont reproductibles à l’identique. La livraison passe par GitLab CI et des runners auto-hébergés : les plans d’infrastructure sont revus avant application et chaque service se déploie par son propre pipeline. La sécurité est intégrée dès la conception, selon la démarche DevSecOps de NextGen.
Trois principes guident l’ensemble :
- Spécialisation et gouvernance : des agents à responsabilité étroite, encadrés par des garde-fous, corrigibles un par un.
- Explicabilité : chaque recommandation expose son raisonnement, et le recruteur garde la décision.
- Réversibilité et mesure : des fournisseurs interchangeables, des choix arbitrés sur des mesures.
Technologies utilisées
| Domaine | Technologies |
|---|---|
| Compréhension documentaire | Azure Document Intelligence, OCR, Azure OpenAI |
| Protection des données personnelles | Azure AI Language |
| Recherche hybride et recommandation | text-embedding-3-large, Azure AI Search (vecteurs et BM25, reranking sémantique), gpt-4o |
| Orchestration agentique | LangGraph, Azure OpenAI |
| Canaux | Telnyx, Twilio (téléphone, SMS, WhatsApp) |
| Voix temps réel | Telnyx, Krisp, Deepgram Flux, ElevenLabs, Azure OpenAI (gpt-4o, gpt-5.4-mini) |
| Entretien assisté | LiveKit auto-hébergé, gpt-4o-transcribe et transcribe-diarize, HeyGen LiveAvatar |
| Traitements asynchrones | Celery, Redis |
| Données | Azure Database for MySQL, Azure AI Search, Azure Blob Storage, Azure Managed Redis |
| Exécution | Azure App Service, machines virtuelles Linux, Azure Container Registry, Docker |
| Infrastructure et livraison | Terraform, Ansible, GitLab CI |
Une trajectoire : de l’outil interne au produit
La plateforme a été construite sur un besoin réel avant d’être proposée à d’autres entreprises.
- Usage interne : conçue pour les recruteurs de NextGen et éprouvée sur leurs recrutements de consultants.
- Plateforme indépendante : Delectus AI est née pour poursuivre le développement et la commercialisation comme éditeur indépendant ; NextGen conçoit et développe les briques IA, leur orchestration, les données et l’infrastructure.
- Premier client externe : une ESN utilise la plateforme depuis juillet 2026.
- Évolution continue : en 2026, les fournisseurs de téléphonie et de voix ont été remplacés sans réécrire le produit, grâce à l’architecture en ports et adaptateurs.
Gouvernance et conformité : le recruteur décide, par conception
Le recrutement figure parmi les usages à haut risque du règlement européen sur l’IA. La plateforme a été conçue en conséquence :
- Transparence : chaque appel et chaque message sont annoncés comme automatisés.
- Supervision humaine : aucune décision de recrutement n’est prise par un agent ; score et justification sont soumis au recruteur.
- Explicabilité : justification rédigée pour chaque recommandation ; en évaluation, chaque note est reliée à un verbatim.
- Protection des données personnelles : filtrage avant indexation et pendant le dialogue, hébergement en Union européenne, cloisonnement par entreprise cliente.
- Garde-fou de conformité : un agent dédié peut bloquer une réponse avant son envoi.
- Traçabilité et mesure : fil de l’échange conservé par candidat ; latence mesurée à chaque tour de parole.
Ce que les équipes de recrutement y gagnent
La plateforme est en service : elle sert aux recrutements de NextGen et son premier client externe l’utilise depuis juillet 2026. Ce que les recruteurs en retirent :
- La CVthèque redevient le premier vivier : les profils pertinents remontent par le sens, avant tout sourcing externe.
- Aucune candidature non traitée : chaque CV est lu, structuré et évalué à son arrivée.
- Une préqualification déléguée : premiers échanges, relances et rendez-vous sont pris en charge par l’agent, sur le canal du candidat.
- Des décisions documentées : score, justification et verbatims accompagnent chaque étape.
- Une conformité intégrée : transparence, filtrage des données personnelles et décision humaine font partie du produit.
Ce qui a fait la différence
- Des agents spécialisés plutôt qu’un prompt : une trentaine d’agents à responsabilité étroite, gouvernés par des garde-fous, lisibles et corrigibles un par un.
- L’explicabilité par conception : score et justification pour chaque recommandation, appels annoncés comme automatisés, décision humaine.
- Aucune dépendance captive : l’architecture en ports et adaptateurs a permis de changer de fournisseurs de téléphonie et de voix en 2026 sans réécrire le produit.
- Mesurer pour choisir : latence et qualité en français ont arbitré chaque choix de modèle ou de fournisseur.
- La souveraineté par l’architecture : tenant dédié en Union européenne, cloisonnement par client, filtrage des données personnelles dès l’import.
Au-delà du recrutement
Le socle construit pour Delectus AI, des agents spécialisés orchestrés par un graphe, des garde-fous, une voix temps réel et une plateforme souveraine décrite en code, s’applique à d’autres processus où des agents doivent agir : relation client, support, back-office. La démarche reste la même : partir d’un cas d’usage réel, construire ce qui manque, mesurer, puis industrialiser.
