Contexte technique
J'ai regardé une démo et ce qui a retenu mon attention, ce n'est pas la belle interface, mais la stack technique elle-même. Elle présente une automatisation par l'IA autour de SmolLM 3 de Hugging Face : un petit modèle, des jeux de données ouverts comme FineWeb et FinePDF, et un scénario très terre-à-terre où il faut extraire une structure de CV en PDF.
J'aime cette approche pour une raison : ils n'essaient pas de forcer un modèle énorme sur une tâche qui nécessite un pipeline d'extraction propre. Pour l'implémentation de l'IA dans les RH, c'est une approche saine : d'abord l'analyse (parsing), puis la normalisation, ensuite la validation des champs, et non un seul prompt magique pour tout faire.
En regardant la mécanique, l'idée est simple. Le PDF passe par une couche d'extraction de texte, puis le SLM identifie des entités comme l'expérience, la stack technique, les contacts, les dates et les compétences. Enfin, un workflow organise le tout dans un format structuré pour un ATS ou un CRM.
Et c'est là que je me suis arrêté. En pratique, la partie la plus pénible n'est pas l'inférence, mais les entrées désordonnées : CV sur deux colonnes, polices étranges, tableaux, mise en page cassée. FinePDF n'est pas là pour faire joli, mais pour éviter que le modèle et le pipeline ne plantent dès le premier CV de designer.
Un autre signal important de la démo : l'accent n'est pas mis sur un « agent qui résoudra tout tout seul », mais sur l'orchestration des étapes. Dans de tels systèmes, je construis presque toujours un pipeline déterministe avec des étapes explicites et des relances, car ce dont les entreprises ont besoin, c'est de la répétabilité, pas de la magie.
Impact sur l'entreprise et l'automatisation
Pour le recrutement, le gain est très concret. L'équipe cesse de recopier manuellement les CV dans les champs du système, et le temps de présélection chute de manière spectaculaire, surtout pour les gros volumes.
Les entreprises qui recrutent en masse, les services RH internes et les agences de recrutement externalisées sont gagnantes. Les perdants sont ceux qui espèrent qu'un LLM « prêt à l'emploi » sans configuration comprendra les modèles de CV locaux, l'argot du secteur et les PDF mal formatés.
Le deuxième avantage pratique est le coût. SmolLM 3 ouvre une voie viable pour les solutions d'IA pour les entreprises là où le budget était auparavant anéanti soit par un grand modèle, soit par le travail manuel, que personne ne considérait comme une dépense d'infrastructure.
Mais il faut toujours le construire soi-même et avec un esprit d'ingénieur : routage, contrôle qualité, journalisation, scénarios de secours. Chez Nahornyi AI Lab, nous résolvons précisément ce genre de problèmes pour nos clients lorsqu'ils ont besoin non seulement de voir une démo, mais d'intégrer l'automatisation avec l'IA dans un véritable processus de recrutement, de traitement de documents ou de support. Si vous avez un goulot d'étranglement similaire, nous pouvons cartographier ensemble le flux de travail et élaborer une solution d'IA sans tout le théâtre autour des « agents intelligents ».