Comment Skello a bâti en 9 mois un assistant IA pour les RH basé sur une architecture MCP

Skello, le logiciel RH pour les équipes terrains (hôtels, restaurants, supermarchés…) a dévoilé en décembre dernier un assistant IA… qui a remporté 2 Product Awards (dont le prix du public). Aude Clerc, sa staff AI Product Manager, raconte les coulisses de sa conception dans l'émission C'est pas SorciAI animée par Fred Bardolle, Head of Product AI chez Scaleway et membre du Ticket. MCP, workflow agentique, évaluation, Langfuse… Une pépite 💎 (4,8/5 selon les avis à la suite de sa diffusion en Live !)

⌛ 12 minutes de lecture pour Skello l'IA dans son produit

🎫 Les membres Premium du Ticket ont un accès intégral à cet article

 ✉️  Article issu du Ticket n°137

---

📌 TL;DR - Ce que tu vas apprendre dans cet article sur l’assistant IA de Skello :  1- Démo : Un produit qui manipule des données RH sensibles 2- La conception : 2 mois pour la 1ère version, 9 mois pour un déploiement complet 3- L’architecture : d’une structure multi-agents à un agent simple disposant d’outils via des MCP 4- Workflow agentique : Langfuse, l’outil pour observer la trace du LLM afin de comprendre son raisonnement 5- Évaluation : des tests automatiques sur golden set, des catégorisations manuelles d’échantillons de réponses et du LLM as a judge 6- Utiliser de l’IA sur son produit IA : une manière de faire de la discovery en continu et de bâtir sa roadmap !

1- Comment fonctionne concrètement l’assistant IA de Skello ?

Mettons-nous dans la peau d’un client de Skello. Tu es responsable d’un hôtel, d’un café, d’un supermarché ou de plusieurs restaurants. Tu dois gérer des employés qui ont des horaires précis, des absences parfois de dernière minute, des contrats saisonniers en période de rush…

Bref, beaucoup d’infos RH à gérer et un casse-tête pour les agréger. Qui est encore en période d’essai ? Quels contrats arrivent à échéance ? Quels renseignements sont incomplets pour faire la paie à la fin du mois ?

Autant d’infos qui existent dans Skello… mais qui sont réparties dans beaucoup d’écrans, de filtres ou de vues différents. Le problème n’est donc pas l’outil mais la charge cognitive pour arriver à exploiter correctement ces données.

Solution : développer un assistant IA pour pouvoir y avoir accès simplement, en posant ses questions en langage naturel. Démo 👇

On ne crée pas de nouvelles données, on ne prend pas des décisions pour eux, on leur donne juste accès instantanément à des informations déterminantes pour leur activité”, résume Aude.

Voilà pour la présentation de ce cas d’usage pas évident, étant donné qu’il amène à manipuler des données sensibles, personnelles et confidentielles.

Voyons maintenant, dans les coulisses, comment a été mené ce projet.

2- Le déploiement : 2 mois pour la 1ère version, 9 mois pour la mise en ligne complète

L’histoire commence en mars 2025, avec le détachement d’une squad dédiée au sujet (4 dev’ + Aude au produit), épaulée ponctuellement par des personnes au design, au product marketing, à la QA et côté archi.

Cela va décomplexer beaucoup de monde : personne dans l’équipe n’avait d’expérience dans la construction d’un produit avec de l’IA. Vraiment personne”, précise Aude, qui insiste sur le fait que l’expertise s’apprend par la curiosité et l’envie.

À l'origine, la direction de Skello s’est demandée s’il ne fallait pas partir sur le cas plus traditionnel de l’automatisation d’une partie du service client. “Mais on utilisait Intercom qui a de très bons résultats et dont c’est l’expertise. On a donc préféré se concentrer sur notre propre coeur de métier, avec la préparation de la paie comme fil rouge de nos clients”, explique-t-elle.

Avril 2025 : du “red teaming” pour “casser le produit”

2 mois plus tard, une première version est prête à être testée en interne, des Sales au service client en passant par le CEO. Une technique aussi appelée dogfooding ou, plus précisément, “red teaming” dans ce cas où il fallait tester sa robustesse en lui posant toutes les questions imaginables. 

Aude lance les hostilités, comme tu le vois dans son message Slack ci-dessous.

Mon rêve, c’était de casser le produit ! C’est mieux que ce soit nous qui le fassions que nos clients”, rigole-t-elle.

Forcément, son équipe reçoit une avalanche de problèmes (+ 100 messages Slack). Dont certains sont à résoudre en priorité avant le déploiement en bêta auprès des premiers clients. 

Exemple : mieux maîtriser les réponses aux questions pour lesquelles Skello souhaite éviter que le LLM ne raconte n’importe quoi (“Comment résilier mon abonnement ?”, “Qu’est-ce que Skello ?”, des questions juridiques ou sensibles...)

On a mis en place des garde-fous (guardrails). Sur un certain nombre de sujets identifiés, le LLM doit répondre ce qu’on lui dit à la virgule près”, confie Aude.

Autres enjeux détectés à ce moment : le besoin de lui apprendre le contexte métier propre aux clients de Skello (un “compteur de jours”, le concept “d’entrée et de sortie”...). Ou, de manière plus surprenante, la difficulté pour un modèle à détecter la date du jour et à se situer dans le temps, quand on lui demande par exemple “les contrats qui terminent demain”. Un problème résolu en incluant dans le prompt la date et l’heure du jour, à laquelle il doit se référer pour ce type de calcul. 

De mai à décembre 2025 : Une phase de bêta en 3 temps

Un mois plus tard, Aude et son équipe décident de se jeter à l’eau auprès de 50 premiers clients volontaires, inclus dans une bêta privée, afin de co-construire la suite du produit avec leurs retours.

Cette phase de bêta se déroule en trois temps, jusqu’à décembre, avec, à chaque palier, plus de clients intégrés (50 > 150 > 500 clients en France et en Espagne).

Comment s’est décidée cette progression ? En atteignant certains indicateurs clés (awareness, activité, adoption, qualité et performance), suivis chaque semaine. C’est là que la différence entre un POC et un produit apparaît !

“Honnêtement, plus tu ouvres la bêta et plus l’engagement est difficile à aller chercher car tu commences avec des early adopters, sélectionnés sur le volet, qui sont naturellement plus actifs, assure Aude. Toutefois, la performance et la qualité doivent toujours rester fixes. C’est ce qu’on appelle la “MVQ” (= Minimum Viable Quality). C’est ce qui va faire que tu seras confiant pour passer à l’étape d’après.”

Décembre 2025 : un déploiement généralisé… sans parler d’IA

9 mois après le début de sa conception, Skello donne officiellement naissance à son “Assistant” auprès de tous ses clients.

“L’Assistant” et non pas l’assistant “IA” ou “LLM” ou “GPT”. Un positionnement produit qui ne fait volontairement pas mention d’intelligence artificielle générative, compte tenu de sa typologie de clientèle qui est peu numérisée. Et pour qui l’IA suscite bien souvent de la peur voire du rejet. Du moins de l’indifférence. D’où le choix d’opter pour les termes de “copilote” ou de “bras droit RH”.

Dans nos interviews clients, on leur demandait : “Si vous aviez un bras droit ou un stagiaire, qu’est-ce que vous lui feriez faire ?”. On ne parlait déjà pas d’IA ou d’agent qui ajoutent inutilement de la complexité”, évoque Aude.

3- L’architecture IA de Skello : d’une structure multi-agents à un agent simple disposant d’outils via des MCP

Voici pour la vue globale du projet. Soulevons maintenant le capot pour voir comment l’équipe a concrètement construit son architecture IA de manière itérative. Ce qui va nous amener à parler de workflow multi-agents, de MCP, de l’outil déterminant Langfuse ou encore d’évaluation (golden data set, LLM as a judge etc).

Globalement, la structuration s’est faite en 3 phases :