Synthèse exécutive
Solution IA « Ma Carrière » pour Sodexo (422 000 collaborateurs, 45 pays). Trois irritants : turnover 25 %, processus manuels, manque de visibilité carrière.
| TalentBot (automatisation) | TalentVision (prédiction) | |
|---|---|---|
| Principe | 3 agents IA : extraction CV, FAQ 24/7, certifications | Scoring évolution, prédiction turnover, plans succession |
| Persona | Sophie, Responsable RH France | Marie, Cheffe de cuisine |
| Gains/an | 190 000 € | 380 000 € |
Conduite du changement : Sponsoring DRH+COMEX, 15 ambassadeurs, quick wins mois 3, communication « l'IA augmente, elle ne remplace pas », 4 vagues du POC (50 testeurs) au rollout France (15 000 utilisateurs).
Note méthodologique — Estimation des gains
L'ensemble des valorisations financières présentées dans ce document — gains de productivité TalentBot (190 000 €/an), réduction des coûts TalentVision (380 000 €/an) et gains cumulés avec synergies (530 000 €/an) — constituent des estimations projectives (educated guesses) et non des chiffres audités. Elles visent à fournir un ordre de grandeur crédible pour éclairer la décision GO/NO GO, dans la logique d'un exercice de conseil en transformation.
Logique de construction des estimations
Chaque poste de gain a été estimé selon une méthode bottom-up : identification d'un gisement de temps ou de coût, quantification du volume concerné via des hypothèses structurantes, puis monétisation au coût horaire chargé du profil RH concerné. Les hypothèses ont été calibrées à partir de trois sources :
- Données publiques Sodexo : effectifs (422 000 collaborateurs, dont environ 15 000 en France), taux de turnover sectoriel (25 % dans la restauration collective), chiffre d'affaires (23 Md€).
- Benchmarks sectoriels : McKinsey & Company (2024), Performance through people, sur le lien entre visibilité carrière, engagement et turnover ; études DARES et Xerfi sur le coût de remplacement dans la restauration collective (0,5 à 1,5 fois le salaire annuel brut selon le niveau de qualification).
- Ordres de grandeur métier : coût horaire chargé d'un profil RH (~32 €/h), volume moyen de candidatures traitées par un service RH France d'une entreprise de cette taille, fréquence des sollicitations FAQ observée dans les déploiements chatbot RH similaires.
L'ensemble de ces hypothèses est donné à titre indicatif. Elles devront être validées avec Sodexo lors des ateliers de cadrage prévus en phase 1 (POC), et un chiffrage précis sera réalisé sur la base des données réelles collectées en phase pilote. Les résultats du pilote (50 utilisateurs, 2 sites) serviront de base à l'extrapolation pour le déploiement France (15 000 collaborateurs).
Tableau des hypothèses structurantes
| Hypothèse | Valeur retenue | Source / Justification | Sensibilité |
|---|---|---|---|
| Coût horaire chargé RH | ~32 €/h | Convention collective HCR, médiane profil Responsable RH + charges patronales (~45 %) | Faible — fourchette 28-36 €/h, impact ±12 % sur les gains TalentBot |
| Volume de CV traités / an (France) | ~5 000 CV/an | Estimation basée sur le ratio postes ouverts / candidatures dans la restauration collective (forte volumétrie, turnover élevé) | Moyenne — à confirmer avec le volume réel du SIRH Sodexo. Plage 3 000-8 000 |
| Temps moyen de traitement manuel d'un CV | ~15 min/CV | Benchmark processus RH (lecture, tri, saisie, réponse). Cohérent avec les études APEC sur le recrutement | Faible — fourchette 10-20 min. L'automatisation IA réduit ce temps à < 1 min |
| Questions FAQ RH récurrentes / an | ~18 000 sollicitations/an | Estimation : 15 000 collaborateurs France × 1,2 question/collaborateur/an. Valeur conservative par rapport aux benchmarks chatbot RH (2 à 4 sollicitations/an/collab.) | Forte — variable clé, à mesurer dès le POC. Impact direct sur le gain de 150 000 € |
| Taux de turnover actuel | 25 % | Moyenne sectorielle restauration collective France (DARES 2023, Xerfi). Sodexo n'a pas communiqué son taux exact | Moyenne — si le taux réel est inférieur, le gisement de gain diminue proportionnellement |
| Réduction du turnover visée | -7 points (25 % → 18 %) | McKinsey 2024 : les programmes de visibilité carrière réduisent le turnover de 5 à 10 points. Hypothèse médiane retenue | Forte — facteur principal du gain TalentVision. Fourchette -4 à -10 pts selon engagement |
| Coût de remplacement d'un collaborateur opérationnel | ~3 000 € | Estimation basse pour profils opérationnels restauration (recrutement + formation + perte productivité). Littérature : 0,5 à 1,5× salaire annuel brut | Moyenne — fourchette 2 000-5 000 € selon le poste. Calcul : 200 000 € ≈ 1 050 départs évités × ~190 € net par départ |
| Gain mobilité interne vs recrutement externe | +20 % de mobilité interne | Hypothèse projet : le matching IA augmente le taux de pourvoi interne. Économie estimée sur les coûts de recrutement externe évités | Moyenne — dépend de la qualité du modèle de matching et de l'adoption par les managers |
| Amélioration ROI formation | +15 % complétion des parcours | Effet de la recommandation personnalisée sur le taux de complétion (benchmarks e-learning adaptés au secteur) | Faible — gain marginal (80 000 €), impact limité sur le total |
| Périmètre géographique du chiffrage | France uniquement (~15 000 collaborateurs) | Phase pilote limitée à la France. Extrapolation internationale non incluse dans les 530 000 € | N/A — le potentiel global (422 000 collaborateurs) représente un upside significatif non chiffré |
Les montants présentés ci-dessus sont des fourchettes indicatives destinées à dimensionner l'investissement et à évaluer la faisabilité économique du projet. Ils ne constituent en aucun cas un engagement de résultat. La phase pilote (mois 4-9) intègre un dispositif de mesure dédié (cf. section 11. Méthodologie KPIs) qui permettra de substituer des valeurs observées à ces estimations et d'affiner le business case avant le passage à l'échelle.
1. Introduction et Contexte
1.1 Présentation de Sodexo
Sodexo, fondé en 1966, est le leader mondial des services de qualité de vie. Présent dans 45 pays, l'entreprise réalise un chiffre d'affaires supérieur à 23 milliards € et emploie 422 000 collaborateurs. Les populations opérationnelles (restauration, services) représentent 80 % des effectifs et sont souvent éloignées du digital.
1.2 La mission
Cours Transformation des organisations, David W. VERSAILLES. Scénarios d'intégration IA dans la fonction RH, périmètre développement des compétences et gestion des talents. Groupe 7 : Marguerite EYEI, Gabriel LOWENSOHN, Alexandre ESTEVES.
1.3 Problématique RH identifiée
| Problème | Manifestation | Impact mesurable |
|---|---|---|
| Turnover élevé | 25 % populations opérationnelles | 50 000 € par départ |
| Processus manuels | 70 % temps RH admin | 150 000 €/an FAQ seules |
| Manque de visibilité | Pas d'info évolutions carrière | Démotivation, départs |
| Certifications à risque | Suivi Excel HACCP, hygiène | 2-3 expirations/an |
| Répétitivité questions | 80 % questions identiques | 25 % temps RH absorbé |
| Succession non anticipée | 40 % postes clés sans successeur | Risque vacance critique |
1.4 Objectifs du projet « Ma Carrière »
| Critère | Scénario 1 : TalentBot | Scénario 2 : TalentVision |
|---|---|---|
| Approche | Automatisation tâches RH | Prédiction et aide à la décision |
| Fonctions clés | Extraction CV, Chatbot FAQ, Certifications | Scoring, Prédiction turnover, Succession |
| Bénéficiaire | RH (gain temps) | Collaborateur (visibilité carrière) |
| Persona clé | Sophie — Responsable RH | Marie — Cheffe de cuisine |
| Technologie | 3 agents IA via Langflow + Ollama/Mistral | Interface « Ma Carrière » + algorithmes matching |
| Gains estimés | 190 000 €+/an | 380 000 €+/an |
2. Scénario 1 : TalentBot — Automatisation
2.1 Synthèse de l'IA
TalentBot repose sur 3 agents IA dont l'objectif est de libérer 60 % du temps administratif RH. Architecture : Langflow + Ollama + Mistral 7B on-premise. Les données sensibles ne quittent jamais l'infrastructure Sodexo.
| Agent IA | Fonction | Résultat |
|---|---|---|
| Bot Extraction CV | Parse CV PDF/Word, identifie compétences, structure en JSON | 30 sec/CV au lieu de 15 min |
| Bot Chatbot FAQ | Répond 24/7 via RAG sur base documentaire interne | < 30 sec, résolution 85 %, escalade 15 % |
| Bot Certifications | Suivi HACCP, hygiène, sécurité, alertes J-60/J-30/J-7 | 0 % certification expirée |
2.2 Persona : Sophie, Responsable RH France
Sophie Leroy, 40 ans, 8 ans chez Sodexo, périmètre de 3 000 collaborateurs, équipe de 8 personnes, budget formation 2 M €/an. 70 % de son temps est absorbé par des tâches administratives.
2.3 Storytelling : Journée de Sophie avant/après
| Avant | Après |
|---|---|
| 8h30 — 47 emails, 30 FAQ, 2h de réponses | 8h30 — 12 emails, chatbot a traité 85 % |
| 10h — 15 CV à lire, 4h travail monotone | 10h — Top 5 pré-scorés, 30 min validation |
| 14h — Certifications HACCP expirées, panique | 14h — Dashboard 100 % conforme, 5 min |
| 17h — Épuisée, 0 coaching managers | 17h — 3h coaching managers, plans développement |
Répartition du temps de Sophie :
| Tâche | % Avant | % Après | Évolution |
|---|---|---|---|
| FAQ | 25 % | 5 % | -80 % |
| Saisie données | 20 % | 5 % | -75 % |
| Tri CV | 15 % | 5 % | -67 % |
| Reporting | 10 % | 5 % | -50 % |
| Accompagnement stratégique | 30 % | 80 % | +167 % |
2.5 Corpus documentaire du chatbot FAQ
10 catégories, 70-90 documents, environ 480-500 pages.
| Catégorie | Exemples | Volume |
|---|---|---|
| 1. Règlement intérieur | Règlement général, charte informatique | 3-5 docs, ~50 pages |
| 2. Politique rémunération | Grilles salariales, primes, tickets restaurant | 5-8 docs, ~40 pages |
| 3. Formations et CPF | Catalogue, procédures CPF, tutorat | 8-12 docs, ~80 pages |
| 4. Mobilité interne | Charte mobilité, postes ouverts | 5-7 docs, ~30 pages |
| 5. Congés et absences | RTT, maternité/paternité, sabbatique | 8-10 docs, ~50 pages |
| 6. Certifications obligatoires | HACCP, hygiène, sécurité incendie | 6-8 docs, ~40 pages |
| 7. Entretiens | Guide annuel, grilles d'évaluation | 5-7 docs, ~35 pages |
| 8. Avantages sociaux | Mutuelle, prévoyance, CSE, cantine | 8-10 docs, ~50 pages |
| 9. Sécurité au travail | Document unique, EPI, procédures | 10-12 docs, ~60 pages |
| 10. Vie de l'entreprise | Charte RSE, diversité, partenariats | 5-8 docs, ~45 pages |
Recommandations techniques : chunks 500 tokens, overlap 50 tokens, embedding all-MiniLM-L6-v2 (384 dim), ChromaDB, ~5 000 chunks, < 200 ms/requête.
2.6 Complémentarité Homme/IA — Matrice RACI
| Tâche | IA (TalentBot) | Humain (RH) |
|---|---|---|
| Extraction CV | R — Extraction auto | A — Contrôle qualité |
| Réponse FAQ | R — 85 % des cas | A — Escalades 15 % |
| Suivi certifications | R — Monitoring/alertes | I — Informé via dashboard |
| Décision recrutement | C — Pré-scoring | R — Décision finale |
| Accompagnement carrière | I — Fournit données | R — Entretien et conseil |
| Cas sensibles | Non impliqué | R — Gestion humaine exclusive |
2.7-2.8 Contexte et faisabilité
Facteurs favorables : culture d'innovation, volumétrie (422k), turnover 25 % créant l'urgence, présence 45 pays.
Points de vigilance : population terrain peu digitalisée (mobile first), résistance RH, diversité contextes pays.
| Dimension | Prérequis | Actions |
|---|---|---|
| Qualité données | CV PDF/Word, base FAQ structurée | Audit formats, nettoyage |
| Infrastructure IT | Serveurs GPU on-premise, API SIRH | Acquisition GPU, connecteurs |
| Conformité RGPD | Traitement local, info salariés | 100 % on-premise, notice info |
| Éthique IA | Éviter biais extraction CV | Tests diversité, transparence sources |
2.9 Bénéfices attendus
| Indicateur | Gain | Valorisation |
|---|---|---|
| Temps traitement CV | -97 % | 40 000 €/an (5 000 CV × 15 min) |
| Temps réponse FAQ | -99,7 % | 150 000 €/an temps RH libéré |
| Conformité certifications | 100 % | Coût évité amendes/fermetures |
| Temps admin RH | -60 % | Réinvesti accompagnement stratégique |
2.10 Analyse des risques
| Risque | Impact | Mesure d'atténuation |
|---|---|---|
| Biais d'extraction | Mal interpréter formats CV | Validation humaine, tests diversité |
| Hallucinations chatbot | Infos erronées (CPF, procédures) | RAG avec sources, confiance > 0,6 |
| Résistance au changement | RH = menace emploi | Communication augmentation, ambassadeurs |
| Dépendance technique | Panne serveur | Infra redondante, SLA 99,5 % |
2.11 Synthèse et verdict
| Indicateur | Avant | Après | Gain |
|---|---|---|---|
| Temps stratégique/semaine | 12h | 32h | +167 % |
| FAQ traitées/jour | 15 manuellement | 2 escalades | -87 % |
| Temps traitement CV | 15 min | 30 sec | -97 % |
| Délai reporting | 5 jours | Temps réel | -100 % |
| Certifications expirées/an | 2-3 | 0 | -100 % |
3. Scénario 2 : TalentVision — Prédiction
3.1 Synthèse de l'IA prédictive
TalentVision est un outil d'aide à la décision. L'interface « Ma Carrière » est intégrée à l'intranet Sodexo.
| Fonctionnalité | Description | Valeur ajoutée |
|---|---|---|
| Scoring d'évolution | % compatibilité collaborateur/poste, prend en compte techniques, managériales, expérience, certifications, mobilité | Objectivité, visibilité immédiate |
| Identification des gaps | Écarts compétences actuelles vs requises, formation recommandée par gap | Plan développement personnalisé |
| Prédiction turnover | Score risque départ à 6 mois (ancienneté, formation, absence d'évolution) | Anticipation, actions rétention |
| Plans de succession | Identification 3 successeurs potentiels par poste clé avec score de préparation | Continuité managériale |
3.2 Persona : Marie Dupont
Marie, 32 ans, cheffe de cuisine, 5 ans chez Sodexo, encadre 4 personnes, 300 couverts/jour. Elle souhaite évoluer vers le poste de Responsable restauration.
3.3 Storytelling avant/après
| Avant | Après |
|---|---|
| Frustration — aucune visibilité postes, attend entretien annuel dans 8 mois | Clarté — voit 3 postes accessibles, score 74 % Resp. restauration |
| Pas de retour objectif, manager dit « peut-être dans 2-3 ans » | Gaps identifiés : Management 3/4, Gestion budget 1/3 |
| Formations au hasard, démotivation | Formation « Gestion budgétaire » recommandée, score passe de 74 % à 85 % |
| Résultat : Marie démissionne après 2 ans | Résultat : promue en 8 mois, motivée et engagée |
3.4 Parcours en 5 étapes
Marie ouvre Ma Carrière → Voit score 74 % Resp. Restauration → Identifie gap Gestion budget → S'inscrit formation → Score monte à 87 %, promotion.
| Indicateur | Avant | Après | Gain |
|---|---|---|---|
| Temps info RH | 3 jours | 30 secondes | -99 % |
| Visibilité évolutions | 0 poste | 3+ postes avec score | +∞ |
| Délai inscription formation | 4 semaines | 5 minutes | -99 % |
| Fréquence réflexion carrière | 1 fois/an | Continue | ×365 |
| Autonomie développement | Faible | Totale | +++ |
3.5 Complémentarité Homme/IA
| Décision | Rôle IA | Rôle Humain |
|---|---|---|
| Promotion | Score compatibilité + gaps | Manager + RH décident |
| Inscription formation | Recommande selon gaps | Collaborateur choisit, manager valide |
| Action rétention (risque départ) | Alerte + suggestions | Manager dialogue, RH accompagne |
| Plan de succession | 3 successeurs + scores | Direction valide |
3.6 Enjeux spécifiques au scoring
Transparence indispensable, droit d'opposition RGPD, communication managériale (« outil de dialogue, pas verdict »), risque de surveillance perçue (turnover visible manager+RH uniquement, jamais par le collaborateur).
3.7-3.8 Conditions de faisabilité et bénéfices
Faisabilité TalentVision : Référentiel compétences (audit/création 3-6 mois), historique données 3-5 ans, AIPD obligatoire art. 35 RGPD, explicabilité IA (SHAP, LIME).
| Indicateur | Gain | Valorisation |
|---|---|---|
| Réduction turnover | -7 points (25→18 %) | 200 000 €/an (15 000 collab France) |
| Mobilité interne | +20 % | 100 000 €/an vs recrutement externe |
| Complétion formations | +35 % | 80 000 €/an meilleur ROI |
| Couverture succession | 100 % | Risque vacance réduit |
3.9 Analyse des risques
| Risque | Impact | Mesure |
|---|---|---|
| Biais algorithmique | Discriminations amplifiées | Fairlearn, monitoring démographique |
| Effet « boîte noire » | Défiance collaborateurs | Score décomposé par facteur, droit explication |
| Surveillance perçue | « L'entreprise prédit mon départ » | Turnover visible manager+RH uniquement, objectif fidélisation |
| Déshumanisation | Manager s'abrite derrière l'IA | Formation utilisation comme outil dialogue |
3.10 Algorithme de scoring
Score = Σ min(niveau_actuel, niveau_requis) / Σ niveau_requis × 100Exemple Marie (Resp. restauration) :
| Compétence | Requis | Marie | Score partiel |
|---|---|---|---|
| Management équipe | 4 | 3 | 3/4 = 0,75 |
| Gestion budget | 3 | 1 | 1/3 = 0,33 |
| Techniques culinaires | 4 | 5 | 4/4 = 1,00 (plafonné) |
| HACCP | 5 | 5 | 5/5 = 1,00 |
| Communication | 3 | 4 | 3/3 = 1,00 (plafonné) |
| TOTAL | 19 | — | 16/19 = 74 % |
Plan de développement auto-généré : Formation Leadership (3j) → Management 3→4, Formation Gestion budgétaire (3j) → Budget 1→3. Score projeté après formations : 19/19 = 100 %.
3.11 Synthèse et verdict
| Critère | TalentBot seul | TalentVision seul | Les deux combinés |
|---|---|---|---|
| Gains annuels | 190 000 € | 380 000 € | 530 000 € (synergies) |
| Impact RH | Temps libéré | Décisions améliorées | Transformation complète |
| Complexité | Modérée | Élevée | Élevée mais progressive |
| Délai ROI | 3-6 mois | 6-12 mois | 8 mois (net positif) |
3.12 Synthèse Bénéfices/Risques/Priorité
| Axe | Bénéfice | Risque | Atténuation | Priorité |
|---|---|---|---|---|
| Performance RH | -97 % CV, 85 % FAQ auto, 190k€/an | Biais extraction, hallucinations | Validation humaine, RAG confiance > 0,6 | P1 |
| Gestion talents | Scoring temps réel, succession 100 %, 340k€/an | Effet boîte noire, défiance | Score explicable, droit opposition | P1 |
| Conformité | 0 % certif expirée, RGPD native on-premise | Non-conformité art. 22 | Architecture on-premise, AIPD, intervention humaine | P1 |
| Souveraineté données | Zéro transfert hors infrastructure | GPU on-premise 60-150k€ | Hybride : on-premise sensible, cloud EU non critique | P2 |
| Conduite changement | Quick wins M2, sponsoring DRH+COMEX | Résistance RH, syndicats | Communication « augmente, ne remplace pas », transparence CSE | P1 |
| ROI financier | 295k€ invest, 472k€ nets/an, payback < 8 mois | Dépassement budget, adoption faible | Déploiement phasé, Go/No-Go à chaque jalon | P1 |
3.13 Risques éthiques et biais
| Risque éthique | Description | Impact | Probabilité | Plan mitigation |
|---|---|---|---|---|
| Biais de genre (extraction CV) | LLM associe métiers à un genre | Critique | Modérée | Tests corpus 50/50 H/F, audit scores par genre, prompt « ne pas tenir compte du genre » |
| Biais d'âge (scoring) | Ancienneté biaise seniors vs juniors | Critique | Modérée | Pondération ancienneté plafonnée 15 %, vérification distribution par tranche d'âge |
| Profilage prédictif (turnover) | Risque stigmatisation « à risque de départ » | Critique | Faible | Données agrégées équipe/site, jamais nominatives. Seul RH France accède aux individuelles |
| Hallucination chatbot | Réponse fausse (droits CPF, procédure) | Modéré | Modérée | RAG + sources, confiance < 0,6 → « je ne dispose pas de cette information » |
| Effet boîte noire | Score incompris → défiance → rejet | Modéré | Élevée | Score décomposé par facteur visible au collaborateur |
| Exclusion numérique | Terrain sans smartphone/aisance digitale | Modéré | Modérée | Bornes interactives, questions via manager, formations « alphabétisation numérique » |
4. Conduite du changement
4.1 Cartographie des résistances
| Population | Crainte | Niveau résistance | Levier adhésion |
|---|---|---|---|
| Équipes RH | « L'IA va me remplacer » | Fort | Montrer élimination tâches frustrantes, impliquer paramétrage |
| Managers terrain | « Encore un outil imposé » | Modéré | Gain temps -73 % admin, dashboard équipe en 2 clics |
| Collaborateurs terrain | « Pas à l'aise avec le digital » | Modéré | Interface mobile ultra-simple, réponse 12-30 sec |
| Direction/COMEX | « Quel ROI réel ? » | Faible | 530k€/an, dashboard temps réel |
| IRP/CSE | « Profilage, surveillance, RGPD » | Fort | Architecture on-premise, AIPD préalable, transparence totale |
4.2 Stratégie de sponsoring
| Niveau | Sponsor | Rôle | Actions |
|---|---|---|---|
| Stratégique | DRH Groupe ou Directeur Talents (COMEX) | Porter au plus haut | Présenter en COMEX, revue trimestrielle |
| Opérationnel | Responsable RH France (type Sophie) | Piloter au quotidien | Animer ambassadeurs, valider règles métier |
4.3 Plan d'adoption en 4 vagues
| Vague | Période | Cible | Objectif | Indicateur succès |
|---|---|---|---|---|
| 1. Pionniers | Mois 1-3 | 15 RH + 5 managers | Tester, ajuster, collecter retours | Satisfaction > 3,5/5 |
| 2. Ambassadeurs | Mois 4-6 | 500 collaborateurs (3 sites) | Valider échelle réelle | Adoption > 60 % |
| 3. Généralisation | Mois 7-12 | 15 000 collaborateurs France | Déployer avec support terrain | Adoption > 40 % |
| 4. International | Mois 13-24 | Multi-pays | Adapter langue/réglementation | Couverture > 5 pays |
4.4 Quick wins
| Quick win | Délai | Impact visible |
|---|---|---|
| Chatbot FAQ opérationnel | Mois 2 | Réponse 12-30 sec au lieu de 3 jours |
| Dashboard certifications | Mois 3 | Écran vert « 100 % conforme » |
| Extraction 50 CV en 25 min | Mois 3 | 4h → 25 min, démonstration live |
4.5 Plan de formation
| Public | Format | Durée | Contenu |
|---|---|---|---|
| Équipes RH | Atelier présentiel + e-learning | 1 jour + 2h | 3 bots, validation extractions, dashboard |
| Managers | Webinaire + guide | 2h + guide | Dashboard équipe, interprétation scores, IA = dialogue pas verdict |
| Collaborateurs | Tutoriel vidéo + support mobile | 15 min | Accéder Ma Carrière, chatbot, lire score, s'inscrire formation |
| Ambassadeurs | Formation approfondie | 1 jour | Maîtrise outil, gestion résistances, FAQ terrain |
4.6 Communication interne
| Phase | Canal | Message clé | Responsable |
|---|---|---|---|
| Pré-lancement (M-2) | Email DRH + affichage sites | « Sodexo investit dans votre développement » | DRH Groupe |
| Lancement (J-0) | Vidéo sponsor + démo live | « Essayez le chatbot, réponse en 12-30 sec » | RH France |
| Suivi (M+1 à M+6) | Newsletter + témoignages | « Marie a été promue grâce à Ma Carrière » | Ambassadeurs |
| Ancrage (M+6+) | Intégration onboarding | « Ma Carrière fait partie de l'expérience Sodexo » | RH/Formation |
5. Framework d'évaluation GO/WATCH/NO GO
5.1 Matrice de décision
| Axe | Poids | GO (≥3) | WATCH (2) | NO GO (≤1) |
|---|---|---|---|---|
| ROI démontrable | 25 % | Gains chiffrés, payback < 12 mois | Plausibles mais non chiffrés | Pas de gains identifiables |
| Qualité données | 20 % | Disponibles, propres, suffisantes | Partielles, nettoyage requis | Pas de données |
| Conformité RGPD | 20 % | AIPD réalisable, pas de blocage | Zones grises, avis juridique | Traitement illicite |
| Acceptabilité sociale | 15 % | Résistances faibles, sponsors forts | Résistances modérées | Opposition forte |
| Faisabilité technique | 10 % | Infrastructure disponible | Investissement modéré | Prérequis non réunis |
| Alignement stratégique | 10 % | Dans la feuille de route groupe | Partiel | Hors priorités |
Seuils : Score ≥ 2,5 → GO | 1,5–2,4 → WATCH | < 1,5 → NO GO
5.2 Application au projet Ma Carrière
| Axe | Score | Justification |
|---|---|---|
| ROI | 3 | 530k€/an chiffrés, payback < 8 mois |
| Qualité données | 2 | CV disponibles, référentiel compétences à confirmer |
| Conformité RGPD | 3 | Architecture on-premise, AIPD planifiée, droit opposition |
| Acceptabilité sociale | 2 | Résistance RH prévisible, plan de change solide |
| Faisabilité technique | 3 | Stack open-source (Langflow, Ollama, Mistral) |
| Alignement stratégique | 3 | Transformation digitale en cours, volonté réduire turnover |
| SCORE GLOBAL | 2,7/3 | → GO |
6. Questions pour la session Sodexo
21 questions organisées en 6 catégories.
6.1 Infrastructure IT existante
Q1. SIRH actuel ? (Workday, SAP SuccessFactors, Oracle HCM ?) — Impact : intégration/connecteurs
Q2. Stratégie cloud ? (Azure, AWS, souverain ?) — Impact : architecture on-premise vs cloud
Q3. Infrastructure GPU ? — Impact : capacité héberger LLM
Q4. Protocole SSO ? (SAML, OIDC, Azure AD ?) — Impact : expérience utilisateur
6.2 Processus RH actuels
Q5. Volume CV traités/an ? — Impact : ROI extraction
Q6. Référentiel compétences existant ? — Impact : scoring (complet → import 1-2 sem, partiel → consolidation 1-2 mois, inexistant → construction 3-6 mois +50k€)
Q7. Cycle de formation ? — Impact : points de friction
Q8. Entretiens annuels digitalisés ? — Impact : qualité données évaluation
6.3 Données disponibles
Q9. Taux de complétude profils SIRH ? (seuil > 70 % pour pilote)
Q10. Format CV ? (PDF, Word, formulaire ?) — Impact : OCR si scannés
Q11. Années d'historique ? (5+ ans → prédiction turnover fiable)
6.4 Gouvernance et RGPD
Q12. DPO dédié ? AIPD existantes ? — Impact : délais RGPD
Q13. Gouvernance IA existante ? — Impact : conformité politique interne
Q14. IRP/CSE à consulter ? — Impact : calendrier social
Q15. Politique classification données ? — Impact : architecture sécurité
6.5 Budget et décideurs
Q16. Sponsor du projet ? — Impact : parties prenantes go/no-go
Q17. Budget envisagé ? (POC 30-50k€, Pilote 150-200k€, Global 500k+€)
Q18. Ressources internes IT/Data ? — Impact : régie vs forfait vs mixte
6.6 KPIs actuels
Q19. KPIs RH suivis ? (turnover, temps recrutement, satisfaction) — Impact : baseline ROI
Q20. Taux turnover actuel par catégorie ? — Impact : calibrage scénario réduction
Q21. Couverture plans de succession ? — Impact : valorisation TalentVision
6.7 Résumé : 10 questions prioritaires
| # | Question | Criticité |
|---|---|---|
| Q1 | SIRH actuel | Haute |
| Q2 | Stratégie cloud/souveraineté | Haute |
| Q3 | Infrastructure GPU | Haute |
| Q5 | Volume CV traités | Moyenne |
| Q6 | Référentiel compétences | Haute |
| Q9 | Complétude profils | Moyenne |
| Q12 | DPO et AIPD | Haute |
| Q17 | Budget envisagé | Haute |
| Q20 | Taux turnover actuel | Moyenne |
| Q21 | Couverture succession | Moyenne |
7. Outils IA complémentaires
7.1 Outils IA génériques
Au-delà des développements internes TalentBot et TalentVision, l'écosystème Sodexo peut s'appuyer sur des outils IA du marché pour accélérer la transformation RH sans réinventer chaque brique.
| Outil | Usage RH | Intégration |
|---|---|---|
| Microsoft Copilot | Rédaction offres emploi, synthèse entretiens | Natif Office 365 |
| Otter.ai / Fireflies | Transcription entretiens automatique | API Teams/Zoom. Attention RGPD stockage |
| Grammarly Business | Relecture RH, détection biais langage (genre, inclusion) | Plugin navigateur/Office |
| Azure Document Intelligence | OCR CV scannés, extraction documents papier | API Azure, complète Bot Extraction |
7.2 Outils métiers RH spécialisés
Certains outils adressent des problématiques RH très spécifiques — biais algorithmiques, marketplace interne, people analytics — et peuvent compléter ou remplacer des modules développés en interne.
| Outil | Fonction | Valeur Sodexo |
|---|---|---|
| Textio | Analyse linguistique offres, détection biais genre | Offres inclusives, marque employeur |
| Fairlearn | Détection/correction biais algorithmiques (Microsoft open-source) | Indispensable TalentVision, gratuit |
| SHAP/LIME | Explicabilité prédictions IA ("pourquoi ce score?") | Obligation RGPD art. 22 |
| Gloat | Marketplace interne talents (missions, projets transverses) | Complémentaire TalentVision |
| Visier | People Analytics avancé, prédiction turnover SaaS | Alternative clé-en-main à évaluer |
7.3 Modules additionnels TalentBot / TalentVision
Des modules complémentaires peuvent enrichir les deux scénarios principaux, à activer progressivement selon la maturité du déploiement.
| Module | Scénario | Description |
|---|---|---|
| Bot Onboarding | TalentBot | Parcours intégration personnalisé nouveaux arrivants |
| Bot Feedback 360 | TalentBot | Collecte/synthèse feedbacks continus, enrichit données scoring |
| Analyse sentiment | TalentVision | Détection signaux faibles (désengagement) via enquêtes internes |
| Veille compétences | TalentVision | IA scrute tendances secteur (RSE, digital, allergies alimentaires) |
7.4 Synthèse écosystème
L'écosystème IA RH de Sodexo s'organise en quatre couches complémentaires :
| Couche | Composants | Nature |
|---|---|---|
| Couche socle | TalentBot + TalentVision | Développement interne, on-premise |
| Couche productivité | Copilot, Otter.ai | SaaS existant |
| Couche équité | Fairlearn, SHAP, Textio | Open-source, intégrés |
| Couche engagement (phase 2) | Gloat ou marketplace interne | À évaluer |
8. Impact RH — Personas complémentaires
8.1 Thomas Martin — Manager intermédiaire
Responsable restauration, 45 ans, 12 ans d'ancienneté, gère 3 sites et 12 collaborateurs directs. Thomas incarne le manager de proximité dont le temps est dévoré par l'administration RH au détriment du management opérationnel.
Semaine type avant / après :
| Jour | AVANT — Tâche RH | Temps | APRÈS — Tâche RH | Temps |
|---|---|---|---|---|
| Lundi | Préparation entretien (recherche dans 3 systèmes) | 2h | Dashboard équipe consolidé | 15 min |
| Mardi | Entretien + saisie formulaire papier + ressaisie Excel | 3h | Entretien pré-rempli IA, focus discussion | 1h |
| Mercredi | Recherche formations (catalogue flou) | 1h | Validation recommandations IA | 15 min |
| Jeudi | Réunion RH + reporting manuel | 1h | Alerte TalentBot : "Marie prête, score 74%" | 5 min |
| Vendredi | Vérification tableur certifications (risque oubli) | 1h | Dashboard certifications : 0 vérification manuelle | 5 min |
| Total admin RH/semaine | — | 8h | — | 1h40 |
Gains mesurables pour Thomas :
| Indicateur | Avant | Après | Gain |
|---|---|---|---|
| Temps admin RH/mois | 15h | 4h | -73% |
| Visibilité compétences équipe | Partielle | Complète | +100% |
| Anticipation départs | 0% | 80% | +80% |
| Successeurs identifiés | 0 | 2 | +∞ |
| Certifications expirées/an | 2-3 | 0 | -100% |
8.2 Philippe Durand — Direction des Talents
Directeur Talents Groupe, 52 ans, membre du COMEX, responsable de 422 000 collaborateurs dans 45 pays avec un budget annuel de 50M €. Philippe représente le niveau stratégique : ses décisions impactent l'ensemble du groupe.
Transformation de la Direction des Talents :
| Domaine | AVANT | APRÈS |
|---|---|---|
| Reporting | Consolidé manuellement, délai 2 semaines | Dashboard temps réel |
| Plans de succession | 40% postes clés couverts | 100% |
| Capacité prédictive | Réactive (gestion de crise) | Prédictive (alerte 6 mois) |
| Décisions | Intuition, historique | Data-driven |
| ROI formation | Non mesuré | KPIs automatisés |
Gains mesurables pour Philippe :
| Indicateur | Avant | Après | Gain |
|---|---|---|---|
| Délai reporting | 2 semaines | Temps réel | -100% |
| Couverture succession | 40% | 100% | +150% |
| Prédiction départs | 0% | 75% précision | +75% |
| Turnover (objectif) | 25% | 18% | -28% |
| ROI formation mesuré | Non | Automatisé | +∞ |
8.3 Synthèse des 4 personas
| Persona | Rôle | Gain principal | Impact business |
|---|---|---|---|
| Marie | Collaboratrice terrain | Autonomie + visibilité carrière | Engagement, rétention |
| Thomas | Manager intermédiaire | -73% temps admin, dashboard | Focus management opérationnel |
| Sophie | Responsable RH | +167% temps stratégique | Transformation métier RH |
| Philippe | Direction Talents | Décisions data-driven, temps réel | Performance et compétitivité groupe |
Impact global estimé :
| Bénéfice | Estimation annuelle |
|---|---|
| Réduction turnover (-7 points) | 200 000 € |
| Temps RH récupéré | 150 000 € |
| Amélioration taux de formation | 80 000 € |
| Promotion interne vs recrutement externe | 100 000 € |
| TOTAL | 530 000 €/an |
9. Souveraineté des données
9.1 Comparaison des trois architectures
Le choix d'hébergement des modèles IA conditionne la conformité RGPD, le coût et la performance. Trois architectures sont envisageables :
| Critère | Cloud US (OpenAI, Anthropic) | Cloud EU (Azure EU, Mistral API) | On-Premise (Ollama + Mistral) |
|---|---|---|---|
| Localisation | Serveurs US | Serveurs UE | Serveurs internes Sodexo |
| Risque Cloud Act | Oui — accès données par autorités US | Résiduel si filiale US (ex : Azure = Microsoft) | Zéro — aucun transfert |
| Conformité RGPD | Problématique (transferts hors UE) | Conforme si sous-traitant non US | Optimal — contrôle total |
| Performance | Excellente (GPT-4, Claude) | Très bonne (Mistral Large) | Bonne (Mistral 7B suffisant pour extraction, RAG, scoring) |
| Coût | Variable, potentiellement élevé | Modéré (Mistral API moins cher) | Fixe — investissement initial puis faible |
| Latence | Variable (charge, réseau) | Bonne (serveurs proches) | Optimale (réseau interne) |
| Contrôle modèle | Aucun (propriétaire) | Limité (fine-tuning partiel) | Total (fine-tuning vocabulaire Sodexo) |
9.2 Risques juridiques
Le CLOUD Act (2018) permet aux autorités américaines d'exiger l'accès aux données détenues par des entreprises américaines, même si ces données sont hébergées hors des États-Unis. L'invalidation du Privacy Shield par la CJUE (Schrems II, 2020) renforce l'exigence de garanties pour tout transfert hors UE.
Obligations RGPD applicables au projet :
| Obligation | Article | Application projet |
|---|---|---|
| Minimisation données | Art. 5.1.c | Ne traiter que données strictement nécessaires |
| Limitation conservation | Art. 5.1.e | Durée définie par type de donnée |
| Sécurité traitements | Art. 32 | Chiffrement, contrôle accès, logs audit |
| AIPD obligatoire | Art. 35 | Scoring = profilage, AIPD requise avant production |
| Droit opposition | Art. 22 | Collaborateur peut refuser le scoring |
| Droit explication | Art. 22.3 | Collaborateur peut comprendre pourquoi tel score |
| Information personnes | Art. 13-14 | Notice information traitements automatisés |
| Registre traitements | Art. 30 | Description détaillée chaque traitement IA |
9.3 Architecture recommandée
Architecture hybride à dominante on-premise. Ollama + Mistral 7B pour toutes les données sensibles RH. Option Mistral API (cloud souverain français) en fallback uniquement pour les pics de charge du chatbot FAQ.
Fig. 9.3 — Architecture on-premise avec Langflow + Ollama + Mistral 7B
| Composant | Traitement | Hébergement | Justification |
|---|---|---|---|
| Bot Extraction CV | Données sensibles (CV) | On-premise | Zéro transfert données personnelles |
| Bot Chatbot FAQ | Questions génériques | On-premise + fallback Mistral API FR | On-premise par défaut, API FR pour pics |
| Bot Matching Évolution | Données sensibles (profils, scores) | On-premise | Profilage RGPD, contrôle total |
| Prédiction turnover | Données sensibles (signaux faibles) | On-premise | Risque éthique élevé, souveraineté absolue |
9.4 Architecture alternative — Cloud-first (API externes)
Cette option est pertinente lorsque l'entreprise ne dispose pas de GPU dédiés, souhaite un déploiement rapide (2-3 mois) et préfère un budget OPEX prévisible plutôt qu'un investissement initial lourd en infrastructure. Elle repose sur des API managées — principalement Mistral API (cloud souverain français) — avec anonymisation systématique des données sensibles.
Fig. 9.4 — Architecture cloud-first avec API externes et anonymisation
| Composant | Traitement | API utilisée | Justification / Précautions |
|---|---|---|---|
| Bot Extraction CV | Données sensibles (CV) | Mistral API (cloud souverain FR) | Anonymisation préalable obligatoire — noms, adresses, photos supprimés avant envoi API |
| Bot Chatbot FAQ | Questions génériques | Mistral API / Anthropic Claude / OpenAI GPT-4 | Pas de données sensibles — toute API performante convient, Mistral FR privilégié |
| Bot Matching Évolution | Données sensibles (profils, scores) | Mistral API (cloud souverain FR) | Anonymisation stricte + pseudonymisation des profils avant traitement API |
| Prédiction turnover | Données sensibles (signaux faibles) | Mistral API (cloud souverain FR) | Anonymisation renforcée — agrégation statistique, aucune donnée nominative transmise |
| Critère | On-premise (9.3) | Cloud-first (9.4) |
|---|---|---|
| GPU disponibles en interne ? | Oui → on-premise | Non → cloud-first |
| Exigence souveraineté stricte ? | Oui → on-premise | Acceptable avec Mistral FR |
| Budget investissement initial ? | > 60 000 € GPU dispo | Budget limité → cloud-first |
| Time-to-market ? | 4-6 mois | 2-3 mois |
| Contrôle total du modèle ? | Oui — fine-tuning local | Non — dépendance fournisseur |
| Scalabilité requise ? | Limitée par hardware | Illimitée |
10. Comparatif IA et Coûts
10.1 Fournisseurs de modèles
| Fournisseur | Modèle | Type | Souveraineté | Pertinence Sodexo |
|---|---|---|---|---|
| Mistral AI (France) | Mistral 7B / Large | Open-source | Français, hébergement UE | Recommandé — performances suffisantes, souveraineté garantie |
| Meta (US) | LLaMA 3 | Open-source | Exécutable on-premise | Alternative très performante |
| Mistral AI (France) | Mistral API (cloud) | API souveraine FR | Cloud souverain français, hébergement UE | Recommandé en alternative cloud — idéal si pas de GPU disponible |
| OpenAI (US) | GPT-4 / GPT-4o | API propriétaire | US, Cloud Act | Non recommandé pour données sensibles — viable avec anonymisation pour FAQ et tâches non critiques |
| Anthropic (US) | Claude 3/4 | API propriétaire | US, Cloud Act | Non recommandé pour données sensibles — viable avec anonymisation pour FAQ et tâches non critiques |
| Google (US) | Gemini | API propriétaire | US, Cloud Act | Non recommandé pour données sensibles — viable avec anonymisation pour FAQ et tâches non critiques |
10.2 Coût par token
| Modèle | Input (1M tokens) | Output (1M tokens) | Coût annuel Sodexo |
|---|---|---|---|
| GPT-4 (OpenAI) | 30 $ | 60 $ | ~45 000 €/an |
| Claude 3 Opus (Anthropic) | 15 $ | 75 $ | ~42 000 €/an |
| Mistral Large (API) | 4 € | 12 € | ~12 000 €/an |
| Mistral 7B (on-premise) | 0 € (électricité + maintenance) | — | ~3 000 €/an |
Estimation basée sur 500 000 requêtes/an, 2 000 tokens/requête en moyenne.
10.3 Budget sur 3 ans
| Poste de coût | Année 1 | Année 2 | Année 3 | Total 3 ans |
|---|---|---|---|---|
| Infrastructure (serveurs GPU) | 62 000 € | 5 000 € | 5 000 € | 72 000 € |
| Développement / intégration | 85 000 € | 25 000 € | 15 000 € | 125 000 € |
| Licences et hébergement | 5 000 € | 5 000 € | 5 000 € | 15 000 € |
| Formation et conduite changement | 20 000 € | 10 000 € | 5 000 € | 35 000 € |
| Maintenance et support | 8 000 € | 20 000 € | 25 000 € | 53 000 € |
| TOTAL | 180 000 € | 65 000 € | 55 000 € | 300 000 € |
10.4 Budget sur 3 ans — Option Cloud-first
| Poste de coût | Année 1 | Année 2 | Année 3 | Total 3 ans |
|---|---|---|---|---|
| Infrastructure GPU | 0 € | 0 € | 0 € | 0 € |
| Tokens API (Mistral API principalement) | 20 000 € | 25 000 € | 30 000 € | 75 000 € |
| Développement / intégration | 55 000 € | 20 000 € | 15 000 € | 90 000 € |
| Formation et conduite changement | 15 000 € | 10 000 € | 5 000 € | 30 000 € |
| Maintenance et support | 10 000 € | 12 000 € | 14 000 € | 36 000 € |
| TOTAL | 100 000 € | 67 000 € | 64 000 € | 231 000 € |
Estimation basée sur Mistral API comme fournisseur principal. Le coût API augmente avec le volume mais reste inférieur à l'amortissement GPU sur 3 ans.
| Critère | On-premise | Cloud-first | Hybride |
|---|---|---|---|
| Coût 3 ans | 300 000 € | 230 000 € | 265 000 € |
| Souveraineté | Maximale | Dépend fournisseur | Modulable |
| Complexité infra | Élevée (GPU) | Faible (API) | Moyenne |
| Scalabilité | Limitée par hardware | Illimitée | Bonne |
| Time-to-market | 4-6 mois | 2-3 mois | 3-4 mois |
| Contrôle modèle | Total | Aucun | Partiel |
11. Méthodologie de mesure des indicateurs
11.1 KPI 1 — Taux de résolution chatbot
| Paramètre | Détail |
|---|---|
| Définition | % questions chatbot résolues sans intervention humaine |
| Formule | Taux = (Questions résolues sans escalade ÷ Total questions posées) × 100 |
| Numérateur | Questions avec confiance ≥ 0,6 ET pas de clic "parler à un RH" dans les 60 sec |
| Dénominateur | Total conversations initiées (hors abandonnées avant 1ère question) |
| Fréquence | Continue. Reporting hebdo, tendance mensuelle |
| Outil | Logs Langflow + dashboard Metabase/Grafana |
| Seuil cible | 85% |
| Justification | Benchmark chatbots RH matures : 80-90%. Corpus 480-500 pages bien structuré |
| Alerte | < 75% sur 1 semaine → revue corpus. < 70% sur 1 mois → comité urgence |
11.2 KPI 2 — Réduction temps traitement CV
| Paramètre | Détail |
|---|---|
| Définition | Temps moyen entre réception CV et production JSON validé |
| Formule | Temps moyen = Σ(Timestamp validation RH − Timestamp upload CV) ÷ Nombre CV traités |
| Numérateur | Somme durées traitement (upload → validation) pour tous CV |
| Dénominateur | Nombre total CV traités (hors rejetés format illisible) |
| Fréquence | Automatique. Reporting mensuel |
| Outil | Logs Langflow + PostgreSQL |
| Seuil cible | < 2 minutes (extraction IA 30 sec + validation RH 90 sec) |
| Justification | Actuel : 15 min/CV. Objectif -97% |
| Mesure complémentaire | Taux précision extraction : % champs correctement extraits vs saisie manuelle. Cible > 95% |
11.3 KPI 3 — Taux de turnover opérationnel
| Paramètre | Détail |
|---|---|
| Définition | Taux annuel départs volontaires collaborateurs opérationnels |
| Formule | Taux = (Départs volontaires 12 mois glissants ÷ Effectif moyen) × 100 |
| Numérateur | Démissions + ruptures conventionnelles. Exclu : CDD, licenciements, retraites |
| Dénominateur | Effectif moyen = (début + fin de période) ÷ 2 |
| Fréquence | Mensuelle (données SIRH). Tendance trimestrielle. N/N-1 annuelle |
| Outil | SIRH + dashboard Ma Carrière |
| Seuil cible | 18% (à 24 mois) vs 25% actuel |
| Justification | Réduction 7 points alignée avec études McKinsey 2024 (visibilité carrière réduit turnover 20-30%) |
| Corrélation | Taux utilisation Ma Carrière, formations initiées, réponse enquêtes satisfaction |
11.4 KPI 4 — Satisfaction collaborateur
| Paramètre | Détail |
|---|---|
| Définition | Score satisfaction vis-à-vis accompagnement RH et visibilité évolution |
| Instrument | Enquête flash trimestrielle (5 questions Likert 1-5) + eNPS semestriel |
| Questions |
1. Vision claire possibilités évolution (1-5) 2. Obtention facile infos RH (1-5) 3. Satisfaction formations proposées (1-5) 4. Sentiment soutenu dans développement (1-5) 5. Recommanderais Sodexo comme employeur (0-10, eNPS) |
| Formule eNPS | eNPS = % Promoteurs (9-10) − % Détracteurs (0-6) |
| Fréquence | Flash : trimestrielle (5 min, taux réponse visé > 60%). eNPS : semestriel |
| Outil | Formulaire Ma Carrière (popup après 3e connexion) ou Qualtrics / Google Forms |
| Seuil cible | Score moyen ≥ 4/5 sur questions 1-4. eNPS ≥ +20 |
| Justification | Actuel estimé 3/5. eNPS +20 = "bon" dans secteur services (benchmark Officevibe 2024) |
Recommandation : pilote de 2 mois avec 10 RH et 50 collaborateurs pour valider que les instruments de mesure produisent des données exploitables et fiables avant le déploiement à grande échelle.
12. Roadmap et jalons
Le déploiement s'organise en trois phases sur 15 mois, chacune conditionnée par un jalon de décision Go/No-Go.
2026 2027
MAR AVR MAI JUN JUL AOU SEP OCT NOV DEC JAN FEV MAR AVR MAI
|----|----|----|----|----|----|----|----|----|----|----|----|----|----|-----|
| PHASE 1 : POC | |
| Install Langflow/Ollama | |
| Bot Extraction (50 CV) | |
| Bot FAQ (base docs) | |
| [JALON: Go/No-Go POC] | |
| | PHASE 2 : PILOTE |
| | 3 Bots opérationnels |
| | Interface Ma Carrière v1 |
| | 500 collaborateurs test |
| | Formation ambassadeurs |
| | [JALON: Go/No-Go Pilote] |
| | | PHASE 3 FRANCE |
| | | SSO/SIRH |
| | | 15 000 users |
| | | Audit RGPD |
| | | [BILAN] |Jalons de décision
| Jalon | Date | Critères GO | Critères NO GO |
|---|---|---|---|
| Go/No-Go POC | Mai 2026 | Extraction > 90%, chatbot > 80%, satisfaction > 3,5/5 | Extraction < 70%, RGPD non résolu, rejet massif |
| Go/No-Go Pilote | Oct 2026 | Adoption > 60% sur 500 utilisateurs, 0 incident sécurité | Adoption < 30%, résistance forte, budget > +30% |
| Bilan France | Avr 2027 | ROI positif, turnover en baisse, satisfaction > 4/5 | ROI négatif, pas d'impact turnover |
Budget par phase
| Phase | Durée | Investissement | Utilisateurs |
|---|---|---|---|
| Phase 1 — POC | 3 mois | 35 000 € | 50 (test) |
| Phase 2 — Pilote | 6 mois | 135 000 € | 500 |
| Phase 3 — France | 6 mois | 125 000 € | 15 000 |
| Total | 15 mois | 295 000 € | 15 000 |
13. Annexes
13.1 Références bibliographiques
Format APA 7e édition.
Agrawal, V. (2025). Human Resource Management and Artificial Intelligence. Routledge.
Bratton, J., & Steele, J. (2024). Artificial Intelligence and Work: Transforming Work, Organization and Society in an Age of Insecurity. Sage Publications.
Chowdhury, S., Dey, P., Joel-Edgar, S., et al. (2023). Unlocking the value of AI in HRM through AI capability framework. Human Resource Management Review, 33(1), 100899.
Commission nationale de l'informatique et des libertés [CNIL]. (2023). Guide pratique : Intelligence artificielle et ressources humaines.
Institut de l'entreprise & McKinsey. (2024). L'intelligence artificielle et l'évolution des compétences en France.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who's the fairest in the land? Business Horizons, 62(1), 15-25.
McKinsey & Company. (2025). The State of AI: Global Survey 2025. McKinsey Global Institute.
Parlement européen. (2016). Règlement (UE) 2016/679 — RGPD.
Parlement européen. (2024). Règlement (UE) 2024/1689 — AI Act.
Tambe, P., Cappelli, P., & Yakubovich, V. (2019). AI in human resources management. California Management Review, 61(4), 15-42.
Tursunbayeva, A., Di Lauro, S., & Pagliari, C. (2018). People analytics — A scoping review. International Journal of Information Management, 43, 224-247.
Sodexo. (2024). Document d'enregistrement universel 2023-2024.
Conclusion
Ce document a présenté l'ensemble du projet « Ma Carrière » pour Sodexo. Le constat de départ est sans appel : 422 000 collaborateurs dans 45 pays, un turnover de 25% chez les opérationnels, des processus RH manuels et fragmentés, et une faible visibilité sur les parcours de carrière.
Scénario 1 — TalentBot : automatisation via 3 agents IA (extraction CV, FAQ RH, suivi certifications). Gains estimés à 190 000 €/an. Pour Sophie (responsable RH), c'est la fin des journées consacrées aux FAQ et à la saisie manuelle. Pour Marie (collaboratrice terrain), c'est l'accès à l'information RH 24/7 en 12 à 30 secondes.
Scénario 2 — TalentVision : scoring matching temps réel, analyse des gaps de compétences, prédiction du turnover, plans de succession automatisés. Gains portés à 530 000 €/an au total. Pour Marie, une posture active : elle peut désormais piloter son développement professionnel. Pour la direction des talents, des décisions data-driven en temps réel.
Architecture souveraine : Langflow + Ollama + Mistral 7B on-premise. Conformité RGPD native, zéro transfert de données sensibles hors de l'infrastructure Sodexo. Investissement total de 295 000 € sur 15 mois, gains nets de 472 000 €/an, payback en moins de 8 mois.
Score GO / WATCH / NO GO : 2,7 / 3 → GO. Le projet « Ma Carrière » remplit les critères de faisabilité technique, de rentabilité économique et de conformité réglementaire pour un lancement en phase POC dès mars 2026.
Groupe 7 — Marguerite EYEI, Gabriel LOWENSOHN, Alexandre ESTEVES
Paris School of Business — M2 Business Consulting
Transformation des organisations — Superviseur : David W. VERSAILLES
Février 2026