🎬Démo-Urba-EFOP: IA & service public numérique : retours d’expérience concrets dans l’apprentissage

🤖 IA & service public numérique : retours d’expérience concrets dans l’apprentissage

Lors du dernier Café Urba, Houssine Gartoum (DGEFP) a partagé un retour d’expérience très concret sur l’usage de l’intelligence artificielle dans les services numériques liés à l’apprentissage, notamment autour de La Bonne Alternance et en collaboration avec Diagoriente.

Un échange riche qui montre que l’IA n’est plus un sujet théorique : elle est désormais intégrée aux arbitrages produits quotidiens.

📈 Une maturité IA qui change les réflexes

Premier constat partagé :

L’IA est désormais systématiquement envisagée lorsqu’un problème se pose.

Qu’il soit :

• métier,
  
• organisationnel,
  
• technique,
  

une approche IA est explorée au même titre qu’une approche classique, puis mise en concurrence.

L’objectif n’est pas d’être “jusqu’au-boutiste IA”, mais de comparer :

• faisabilité,
  
• coût,
  
• plus-value réelle,
  
• gain de performance mesurable.
  

🔎 Cas d’usage #1 : améliorer le moteur de recherche de La Bonne Alternance

🎯 Le problème

Depuis l’agrégation massive d’offres issues notamment de France Travail et d’acteurs privés, les utilisateurs avaient des difficultés à retrouver des offres pertinentes.

Le moteur reposait sur le référentiel ROME pour l’indexation.

Or :

• certaines offres externes ne respectent pas cette logique,
  
• les intitulés sont hétérogènes,
  
• les correspondances sont imparfaites.
  

Résultat : baisse de pertinence des résultats.

🧠 Solution 1 : analyse intelligente des offres (avec Diagoriente)

Une première solution a été mise en place rapidement :

• Analyse complète de l’offre (intitulé + description + informations entreprise)
  
• Identification automatique du ROME le plus probable
  
• Réindexation intelligente
  

👉 Délai : 3 mois entre idée et mise en production via API

Ce point est important : les projets IA bien cadrés peuvent aller vite.

🚀 Solution 2 (en cours d’instruction) : moteur IA natif

Exploration d’un moteur de recherche basé sur l’IA permettant :

• gestion automatique des synonymes
  
• compréhension sémantique
  
• traduction implicite (ex : “sales” → commercial)
  
• sortie progressive de la logique strictement ROME
  

Solution étudiée :
Algolia

💰 La question centrale : la maîtrise des coûts

L’IA ne signifie pas automatiquement réduction des coûts.

Exemple partagé :

• Prototype sur version gratuite
  
• Version payante : ~18 000 € / an
  (jusqu’à ~30 000 € en plan pluriannuel)
  

La méthode adoptée :

Comparer :

• coût licence
  
• coût développement interne équivalent (jours-homme)
  
• qualité du résultat obtenu
  

Si reproduire partiellement les fonctionnalités coûte aussi cher en développement, alors la licence peut être pertinente.

🤝 Échange inter-écosystème

Corinne Haranger (Carif-Oref Pays de la Loire) partage son retour :

• Utilisation d’Algolia en région
  
• Limites du plan gratuit (indexations & requêtes)
  
• Exploration d’une alternative : Typesense
  

Discussion ouverte sur :

• stratégies de négociation
  
• mutualisation possible
  
• retours d’expérience croisés
  

🧹 Cas d’usage #2 : classification automatique des offres

Problème identifié :

• Qualité hétérogène des offres
  
• Présence de fausses offres (CFA diffusant de fausses annonces pour capter des jeunes)
  
• Impossibilité d’une modération humaine à grande échelle
  

Solution :

• Modèle de classification basé sur IA
  
• Détection des offres non conformes
  
• Sélection des offres affichées
  

👉 Impact : contrôle qualité automatisé à grande volumétrie.

📊 Cas d’usage #3 : traitement massif de verbatim

Enquête menée auprès de 40 000 employeurs
→ Plusieurs dizaines de milliers de réponses libres.

Avant : analyse manuelle très lourde
Aujourd’hui :

• Usage de LLM (ChatGPT, Claude, Gemini, Mistral…)
  
• Extraction automatique des thèmes
  
• Classification des réponses
  
• Restitution structurée
  

👉 Gain de temps considérable pour les équipes.

🧮 Cas d’usage #4 : prédiction du potentiel de recrutement

Un autre chantier plus long terme :

Algorithme de prédiction du potentiel de recrutement en alternance des entreprises.

Approche :

• Machine learning
  
• Absorption massive de données publiques
  
• Détection du “marché caché”
  

Constat partagé :

3/4 des contrats en alternance ne proviennent pas d’offres publiées.

L’algorithme permet d’identifier les entreprises susceptibles de recruter et d’exposer ces opportunités aux jeunes.

🧩 Ce que cela révèle pour l’écosystème des SI EFOP

1. L’IA est devenue un réflexe d’exploration.
   
2. Les cas d’usage sont multiples :
   
   • recherche
     
   • classification
     
   • prédiction
     
   • analyse documentaire
     

1. Les arbitrages coût / valeur sont centraux.
   
2. Les échanges inter-acteurs sont essentiels.
   

📢 Prochaine étape : référencer les outils IA utilisés

Une enquête a été partagée afin de :

• recenser les outils IA utilisés
  
• structurer un groupe de travail
  
• mutualiser les retours d’expérience
  
• éviter les duplications d’efforts
  

L’objectif n’est pas d’imposer une solution unique.

Mais de construire collectivement une vision outillée et pragmatique de l’IA dans le service public numérique de la formation et de l’apprentissage.