Match’Up : faire de l’IA un levier de performance métier

Mission

OMNES Éducation est l’un des leaders de l’enseignement supérieur privé en France. Dans un secteur où la valeur d’un diplôme se mesure aussi à la capacité de l’école à insérer ses étudiants, l’alternance est devenue un enjeu stratégique de premier plan : c’est à la fois un argument de recrutement, un facteur de différenciation et une promesse faite aux étudiants comme aux entreprises partenaires.

Or ce processus repose sur un équilibre difficile à tenir à grande échelle. D’un côté, des milliers d’étudiants aux profils, aux compétences et aux aspirations très variés. De l’autre, un flux continu d’offres d’alternance aux exigences hétérogènes. Entre les deux, des équipes qui doivent rapprocher la bonne personne de la bonne opportunité, sans laisser passer le moment où une offre est encore disponible et où l’étudiant est encore mobilisable.

Face à ces enjeux économiques majeurs — sur le recrutement comme sur le placement des alternants — OMNES Éducation souhaitait dynamiser ses équipes produits et ses outils en s’appuyant sur l’intelligence artificielle. L’objectif était de répondre à une question opérationnelle concrète : comment aider les équipes à placer plus d’étudiants, plus vite, sur des offres réellement pertinentes ?

La mission comportait ainsi deux volets indissociables : accélérer la manière dont l’équipe produit conçoit et livre ses outils, et doter la plateforme d’une intelligence capable de recommander automatiquement les bons appariements entre alternants et offres. Le résultat porte un nom : Match’Up.

Au-delà de l’outil, l’enjeu était plus large : transformer un processus métier critique — le placement des alternants — en s’appuyant sur l’IA pour mieux orienter l’action humaine, accélérer les décisions et rendre l’organisation plus efficace à grande échelle.

Solution

J’ai abordé cette mission avec une double casquette, à la fois ingénieur IA et ingénieur logiciel full-stack. Cette double compétence était essentielle : pour créer de la valeur, l’IA devait être à la fois pertinente sur le plan métier, robuste sur le plan technique et intégrée dans la manière de travailler de l’équipe produit.

Construire un bon algorithme sans une équipe capable de l’intégrer et de le faire vivre n’a pas de valeur durable. Et accélérer une équipe sans lui donner un produit qui adresse le cœur du problème métier revient à produire plus vite sans nécessairement produire mieux.

Le premier chantier a consisté à transformer le processus de développement logiciel de l’équipe. Plutôt que d’introduire l’IA comme un gadget isolé, je l’ai intégrée à chaque étape de la chaîne de fabrication : le cadrage des fonctionnalités, le design, la conception, le développement et les tests. À chaque maillon, l’enjeu était le même : réduire le temps passé sur les tâches répétitives ou à faible valeur, fiabiliser ce qui peut l’être, et libérer l’attention des équipes pour les décisions qui relèvent vraiment du jugement produit et technique.

Cette démarche a permis de tracer une frontière utile : ce que l’IA peut prendre en charge ou accélérer, et ce qui doit rester du ressort des concepteurs et des développeurs.

Le second chantier, au cœur de Match’Up, a été la conception de l’algorithme de recommandation des alternants sur les offres d’alternance. L’enjeu n’était pas de produire une simple liste de correspondances, mais de modéliser un appariement réellement pertinent : croiser les compétences, le parcours et les aspirations d’un étudiant avec les exigences concrètes d’une offre, pour faire remonter en priorité les rapprochements à plus forte probabilité de placement.

L’algorithme a été pensé pour s’intégrer dans le travail quotidien des équipes, non pour se substituer à leur jugement, mais pour le mettre à l’échelle.

Travailler avec l’IA dans ce contexte, c’est accepter que la destination ne soit pas entièrement prescrite au départ. La pertinence d’une recommandation se révèle à l’usage, à mesure que les équipes l’éprouvent, la challengent et affinent les critères. L’intervention a donc porté autant sur l’outil lui-même que sur la capacité de l’équipe à apprendre et à itérer rapidement, d’où l’importance d’avoir d’abord fluidifié sa manière de concevoir et de livrer.

C’est cette articulation qui fait la valeur du projet : une équipe produit outillée pour avancer plus vite et avec plus de fiabilité, et une plateforme dotée d’une intelligence qui adresse directement l’enjeu de placement des alternants.

Match’Up n’est pas seulement un algorithme de recommandation. C’est une illustration très concrète de ce que peut produire l’IA lorsqu’elle est pensée comme un levier de transformation : un meilleur usage des données, une décision humaine mieux équipée, un processus métier plus fluide et une équipe capable d’apprendre plus vite.