Architecture Reasoning-First

En 2026, la HR-tech fait presque le même pari, presque à l'unanimité : les agents LLM remplaceront la correspondance en recrutement d'ici 2027. Josh Bersin le présente comme la couche supérieure (couche 4) du stack de talent intelligence. Le pari est évident et quasi consensuel.

Je parie contre.

Pas parce que je suis contre l'IA : je travaille avec l'IA chaque jour ouvré, et dans le produit que je vais décrire, chaque ligne de code a été écrite avec Claude, aucune de ma main. Mais parce que plus de 135 000 offres et 1,1 M de messages Telegram passés par mon système depuis avril 2026 m'ont montré le contraire : un noyau déterministe fondé sur le raisonnement + le LLM en complément (et non en remplacement) l'emporte en précision, latence, coût et conformité à l'AI Act de l'UE. Cet essai explique pourquoi.

Qui je suis et pourquoi j'écris

J'ai commencé le SEO en 2006 : vingt ans à observer comment contenu + structure + algorithmes de recherche façonnent les résultats de milliards de requêtes par jour. La correspondance en HR-tech se construit de la même façon : contenu (descriptions, CV) + structure (métiers, stack, niveaux) + recherche → résultat.

TD-CRM v2 est un CRM de recrutement pour le marché IT de la CEI : plus de 135 000 offres (plus de 61 000 ouvertes), 1,1 M de messages Telegram traités, ~1 990 canaux surveillés, 14 domaines, 15 pays. Auto-classé publiquement à haut risque selon l'AI Act de l'UE, annexe III n° 4. Et pas construit par un ingénieur : je n'écris pas de code. Je fixe l'architecture et le produit ; Claude génère l'implémentation — le modèle que Karpathy a appelé « agentic engineering » en mars 2026. Replit a atteint une valorisation de 3 Md$ en septembre 2025 avec le même modèle. Je ne suis pas le premier à construire ainsi ; je le dis simplement ouvertement.

Voici pourquoi j'ai décidé d'écrire contre le quasi-consensus. Quand on regarde 135 000 offres non pas de haut mais les mains dedans, une chose simple apparaît : l'écrasante majorité de la correspondance se décide de façon déterministe — stack, niveau, mode de travail, géographie, fourchette de salaire. Le LLM est vraiment utile pour analyser du texte désordonné, pas pour la décision elle-même. Pourtant, le secteur met le LLM dans la décision. Vingt ans de SEO m'ont appris comment ça finit quand on place une couche floue là où il faut de la reproductibilité et de l'explicabilité. Pour moi, ce n'est pas un débat théorique sur les tendances : c'est ce que je vois chaque jour dans mes propres données.

Où le pari du secteur se trompe

La correspondance « LLM d'abord » est un mauvais pari sur quatre axes : précision, coût, conformité réglementaire, traçabilité.

Précision. La correspondance floue par LLM comporte une variance intrinsèque d'un appel à l'autre : la même paire candidat/offre obtient des scores différents selon les exécutions. Acceptable pour un chatbot ; un défaut pour une correspondance dont la décision entre dans une piste d'audit.

Coût. Un appel au LLM par tentative × des milliers de correspondances par jour = des milliers de dollars par mois qu'une entreprise sans revenus ne peut pas assumer. La correspondance déterministe par champs a un coût marginal quasi nul.

Conformité réglementaire. L'AI Act de l'UE, annexe III n° 4, entre en application en août 2026. Les systèmes à haut risque doivent journaliser leurs décisions avec le fondement de chacune. Journal LLM-first : « correspond parce que le modèle l'a dit ». Journal reasoning-first : « recoupement du stack 8/12, Senior (7 ans), Télétravail (oui), salaires compatibles. Score 0,84 ». L'un des deux existe dans une piste d'audit. L'autre non.

Traçabilité pour la due diligence. L'avocat de l'acquéreur demande « comment exactement cette correspondance a-t-elle été établie ? ». Le LLM-first est opaque ; le reasoning-first est explicable par construction. Signal du marché : Eqtble → Paradox (févr. 2025) : la people analytics sans données de qualité professionnelle est classée comme HR-tech. Même logique : le flou LLM sans règles traçables n'est pas de la HR-tech sérieuse.

Une précision pour ne pas attaquer un homme de paille : le LLM n'est pas « mauvais ». Ce qui est mauvais, c'est le LLM dans la mauvaise couche.

Quelle est la bonne architecture

Reasoning-first signifie que toute décision qui doit pouvoir être défendue (correspondance, scoring, classement) passe d'abord par des règles déterministes. Le LLM n'est utilisé QUE là où aucune règle déterministe n'est possible (analyse de texte libre), là où l'incertitude est explicite (score de confiance + chemin dégradé), et là où la sortie ne mène pas directement à une décision finale. Dans TD-CRM, le score de correspondance est une formule explicite (recoupement du stack + niveau + métier + mode de travail + salaire), pas « modèle, évalue l'adéquation ».

Un monolithe plutôt que des microservices, délibérément : un fondateur + Claude = pas d'équipe pour porter la complexité des systèmes distribués ; un noyau déterministe a besoin d'une source de vérité unique. Selon l'ADR-0001 : un seul FastAPI + PostgreSQL + Redis + worker arq + SSR. Le « monolithe moderne » dans l'esprit de DHH / 37signals, cohérent avec l'approche fondée sur le raisonnement, pas contrariant par principe.

Selon la décision D10, le système se classe publiquement à haut risque (annexe III, n° 4) : journal des décisions (Loki + journalisation structurée), gestion des risques, supervision humaine (un recruteur examine chaque correspondance, aucune action automatique), gouvernance des données. L'auto-classification devance un constat de due diligence ; la transparence crée la confiance.

Lacune de couverture : un pipeline vertical comme actif

LinkedIn est bloqué en Russie depuis novembre 2016. Lightcast, Revelio Labs et People Data Labs tirent l'essentiel de leurs données de LinkedIn ; leur couverture à l'est de la ligne de Riga baisse d'environ 40 % (mon estimation, d'après leurs déclarations publiques). C'est structurel, pas temporaire.

À la place, un pipeline Telegram-MTProto : ~1 990 canaux IT de la CEI surveillés, 1,1 M de messages traités. Des données que les fournisseurs mondiaux ne peuvent physiquement pas obtenir (sanctions, services bloqués, accès technique). Marc Casado (a16z, 2019, « The Empty Promise of Data Moats ») a montré que l'échelle des données seule n'est pas un rempart solide ; la propriété du pipeline est plus difficile à reproduire. Notre focus sur l'IT de la CEI est un actif différenciant, pas une faiblesse subie.

Ingénierie agentique : qui a construit ceci, et comment

Sans détour : TD-CRM v2 est construit à 100 % avec Claude. Je n'écris pas de code : je dirige l'architecture et le produit ; Claude génère l'implémentation. Karpathy a scindé ce modèle en « vibe coding » (relève le plancher pour ceux qui ne codent pas) et « agentic engineering » (préserve l'exigence de qualité). La différence, ce sont les preuves de rigueur : 14 ADR dans docs/adr/, observabilité (Loki + Grafana + Prometheus), analyse hebdomadaire des dépendances (ADR-0013), un journal des modifications public issu des Conventional Commits, revue externe des chemins sécurité/données personnelles avant une transaction.

Replit a atteint 3 Md$ en septembre 2025 avec ce modèle (ARR de 2,7 M$ → 70 M$ en 12 mois). Validé par le marché. Un acquéreur y lit « un fondateur rigoureux + le levier de l'IA », pas « un truc fait au vibe coding » ; la différence, c'est la densité d'artefacts : cette série d'ADR, le journal des modifications, le runbook, l'observabilité et cet essai.

Le point de vue de l'acquéreur

Si vous êtes analyste en développement corporate chez Greenhouse, Workable, iCIMS ou Lightcast, ceci est aussi pour vous. Sans détour : TD-CRM n'a pas encore de revenus, 0 client payant, 0 $ d'ARR. Ce n'est pas une cible « équipe + portefeuille clients », mais trois actifs distincts.

Premièrement, la propriété du pipeline : plus de 135 000 postes, 1,1 M de messages, ~1 990 canaux depuis avril 2026 ; des données que Lightcast/Revelio ne peuvent physiquement pas collecter. Construire un équivalent = 18–24 mois + risque de sanctions + expertise de l'API Telegram. Deuxièmement, le code de correspondance/score fondé sur le raisonnement, reproductible dans l'infrastructure de l'acquéreur. Troisièmement, l'entité Estonia OÜ (T2 2026), juridiction de l'UE, sans complication d'origine.

Pourquoi le reasoning-first compte pour l'acheteur : l'application de l'AI Act de l'UE à partir d'août 2026 frappe les produits LLM-first avec la douleur d'une mise en conformité a posteriori. Le reasoning-first est déjà conforme et en production : une accélération, pas une mise à niveau. Ce que l'acheteur n'obtient pas : base clients (0), marque, équipe, ARR (0) — non intégrés au prix. La somme des trois actifs est inférieure à 15 M$.

Conclusion

C'est un pari : un fondateur seul + Claude comme ingénieur agentique + quelques semaines = une architecture reasoning-first + un pipeline IT de la CEI + 14 ADR. Le pari : cette combinaison surpassera les agrégateurs mondiaux LLM-first dans la correspondance HR-tech d'ici fin 2027. Je publie maintenant, pour figer le pari avant le résultat, pas après.

Si vous avez une critique argumentée, écrivez. Une objection honnête vaut mieux qu'un doute silencieux. Et pas de « demandez une démo » à la fin : si l'essai ne convainc pas par lui-même, une démo n'y changera rien.