Trois douleurs que chaque équipe sales et BD encaisse chaque semaine. Chacune est ce dont tes reps se plaignent vraiment, pas ce qu'une page produit appellerait poliment.
Les recruteurs brûlent six heures par semaine sur des listes de sourcing et du scoring de grille avant le moindre call de screen, et les candidats Tier 1 disparaissent pendant que le dossier est encore en cours d'assemblage.
L'attrition apparaît dans l'email de démission, pas dans un panneau de risque de départ à 90 jours, donc le budget de rétention finit en cadeaux d'adieu au lieu d'un refresh d'equity.
Les lettres d'offre et les packs d'onboarding partent avec des grilles de rémunération incohérentes et des clauses GDPR manquantes, et l'équipe People l'apprend lors d'une conversation gênante au Jour 2.
Chaque pipeline ci-dessous est une forme que tu câbles sur le canvas en utilisant le crew d'agents IA et les outils plus bas. Pas une feature qu'on livre pour toi, un pattern que tu configures.
À chaque candidature entrante, parser le CV, récupérer le contexte GitHub, arXiv et LinkedIn, puis scorer contre la grille structurée chargée en Static context pour que le scoring reste cohérent à travers la loop et d'une semaine à l'autre.
Chercher dans les réseaux de co-auteurs, GitHub OSS et LinkedIn les profils passifs correspondant à chaque poste ouvert. Le gate HITL bloque chaque linkedin_send_connection_request et chaque gmail_send tant que le recruteur n'a pas approuvé la liste cible, le copy et la cadence.
Benchmarker le base, le bonus et le grant en tokens contre les grilles actuelles crypto et quant tirées via rag_retrieve, signaler tout écart sous le P40 marché, et rédiger la lettre d'offre dans Docs. L'envoi reste HITL tant que le hiring manager n'a pas signé.
Assembler la lettre d'offre, l'IP assignment, le grant d'equity et les notices GDPR pour la juridiction du candidat à partir du handbook de politique dans le knowledge store. HRComplianceLegal signale les clauses manquantes avec replay à chaque révision.
Rédiger le memo de performance à 30 jours ou le PIP à partir des entrées du manager, des notes des 1:1 précédents tirées via rag_retrieve, et du framework de décision ER en Static context. Les notes restent HITL et ne s'envoient jamais automatiquement au salarié.
Scorer chaque salarié contre le modèle d'attrition à 14 signaux, nommer le driver primaire et secondaire, et recommander l'intervention. La mémoire cross-run suit les jalons d'intervention pour que les save plans ne se réinitialisent pas chaque lundi.
Vrais personas du crew d'agents IA hr_team. Chacun arrive avec un system prompt tuné et une allowlist de outils par défaut. Change de modèle par persona sur le canvas.
Runs the recruiting funnel for quant and tech roles, scores candidates against a structured rubric, and flags any pipeline where screen, interview, or offer conversion falls below threshold.
Predicts attrition at a 90-day horizon from 14 signals, surfaces the primary driver per employee, and sizes the hiring pipeline against expected departures.
Benchmarks every role against crypto and quant market data, sizes equity refresh, and lists every employee below market P40 as a flight risk.
Documents performance concerns within 30 days, runs PIPs to standard, and triages conduct and harassment cases on a 24-hour clock.
Tracks the multi-jurisdiction compliance calendar, screens contractor classification, and audits GDPR HR data processing with documented legal basis.
Maps the 12-month skill gap, builds role-specific curricula, and measures L&D effectiveness by 90-day performance lift rather than completion rate.
Tracks eNPS, regression-adjusted pay equity, and inclusion indicators, and flags the three culture risks that bite hardest during scale.
Sets people strategy, watches the four weekly metrics, and names key-person and team-health risks before they turn into business risk.
Synthesizes every workstream into a board-ready people report with a People Health Score, putting critical risk in sentence one.
Chaque outil ci-dessous est un vrai outil partagé du bundle Melaya. Allowlist par agent, HITL sur les écritures, révocation en un clic.
Chercher sur LinkedIn les bons candidats chez les firmes cibles, résoudre les profils en dossiers, et préparer l'outreach. Chaque linkedin_send_message et linkedin_send_connection_request est HITL-gated par défaut.
Lire les candidatures et les réponses entrantes, préparer l'outreach candidats et salariés, et mettre en attente chaque envoi pour validation. gmail_send est HITL par défaut pour ce crew.
Tirer le contexte public depuis GitHub, arXiv, les pages de conférences et les sites des employeurs précédents dans le dossier candidat. Scopé au niveau agent pour que TalentAcquisitionLead n'atteigne que ce que tu autorises.
Construire le knowledge store par workflow à partir des grilles d'entretien, des leveling guides, des grilles de rémunération, du handbook de politique et des emails de candidats gagnés. Alimente les trois couches de connaissance à travers le crew.
Lire les templates d'offre et d'onboarding depuis Drive, ajouter les clauses spécifiques au candidat, et écrire les panneaux hebdomadaires d'attrition et de pipeline dans Sheets. Les écritures Drive et Sheets sont HITL-gated par défaut.
Trouver les créneaux libres communs sur une loop d'entretiens, préparer l'agenda d'entretien structuré, et mettre en attente les invitations. gcal_create_event est HITL-gated par défaut.
Recherche généraliste, fetch structuré, et checkpoint explicite pause_for_human utilisé à chaque gate HITL. Le fallback quand rien de plus spécifique ne s'applique.
Chaque pipeline arrive avec trois couches d’accès à la connaissance. Combine-les par agent sur le canvas. Pas d’espace vectoriel partagé avec un autre client, pas de lecture surprise, pas de retrieval opaque.
includeContextDocuments par pipeline ajoutés à l'input d'agents spécifiques à chaque run. Le brief ICP, le playbook, la grille de pricing, ou le corpus d'emails de deals gagnés. Tout ce qui doit être là avant que l'agent pense. Tu choisis quels personas reçoivent quels docs.
rag_retrieveUn outilscoped accordé par agent. Quand l'agent décide qu'il a besoin de plus de profondeur, il interroge le vector store du workflow à la demande. Même base de knowledge que Static context, accédée uniquement quand le modèle le demande.
pipeline_memoryÉtat au niveau du pipeline qui passe d'un run au suivant. La recherche d'hier est dans le scope du follow-up d'aujourd'hui. Le crew d'agents IA se souvient de ce qu'il a déjà prospecté, de ce qui a été approuvé, de ce qui a été envoyé. L'audit log est la base de knowledge de second ordre.
Le tier Sandbox est gratuit, sans carte. Rejoins la waitlist et on t'envoie un email dès qu'un slot s'ouvre.
← Retour à tous les cas d'usage