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 l'équipe 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 de l'équipe 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.
Pilote le funnel de recrutement pour les rôles quant et tech, évalue les candidats sur une grille structurée, et signale tout pipeline dont le taux de conversion à la sélection, à l'entretien ou à l'offre passe sous le seuil.
Prédit l'attrition à un horizon de 90 jours à partir de 14 signaux, identifie le facteur principal par collaborateur, et dimensionne le pipeline de recrutement face aux départs attendus.
Benchmark chaque rôle par rapport aux données du marché crypto et quant, calibre le refresh d'equity, et liste chaque collaborateur sous le P40 marché comme risque de départ.
Documente les préoccupations de performance sous 30 jours, conduit les PIP selon les standards, et traite les cas de conduite et harcèlement sur une horloge de 24 heures.
Suit le calendrier de conformité multi-juridictions, vérifie la classification des prestataires, et audite le traitement des données RH RGPD avec une base légale documentée.
Cartographie les lacunes de compétences sur 12 mois, construit des curricula par rôle, et mesure l'efficacité de la formation par la progression de performance à 90 jours plutôt que par le taux de complétion.
Suit l'eNPS, l'équité salariale ajustée par régression et les indicateurs d'inclusion, et identifie les trois risques culturels les plus impactants en période de croissance.
Définit la stratégie RH, surveille les quatre métriques hebdomadaires, et nomme les risques de personnes-clés et de santé d'équipe avant qu'ils ne deviennent un risque business.
Synthétise tous les flux en un rapport RH prêt pour le board avec un People Health Score, en plaçant le risque critique dès la première phrase.
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 cette équipe d'agents IA.
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 l'équipe d'agents IA.
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. L'équipe d'agents IA se souvient de ce qu'elle 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