Job Hunt

Job Hunt est un outil que nous avons développé en interne : il rassemble les offres d'emploi de plusieurs sites, supprime les doublons, puis une IA note chaque offre selon votre profil pour faire remonter celles qui comptent.

Il est né d'un besoin concret : rendre lisible une recherche d'emploi longue et noyée dans les offres hors sujet. C'est aussi, pour nous, une démonstration de notre savoir-faire en IA, en traitement de données et en scraping (récupération automatique des annonces sur les sites).

Quatre sources : France Travail par son API officielle, Welcome to the Jungle par son API de recherche Algolia, HelloWork par scraping et Adzuna par son API. L'intégration d'Indeed a commencé, en passant par Google for Jobs.

Chaque source a sa propre logique, que nous ramenons à un format commun. Nous avons aussi repéré plus de quinze plateformes pour la suite, dont Google for Jobs, Indeed et LinkedIn, et l'outil est conçu pour accueillir une nouvelle source sans tout reconstruire.

L'IA, qui s'appuie sur OpenAI, intervient à deux moments. Elle établit d'abord un profil de candidat structuré (intitulé, compétences, secteurs, niveau, fourchette de salaire, type de contrat, critères rédhibitoires) à partir d'une offre de référence ou d'un simple texte collé.

Elle note ensuite chaque annonce de 0 à 100 sur quatre axes : télétravail et localisation, salaire et avantages, correspondance des mots-clés, adéquation au profil. Chaque note est justifiée, avec un résumé de l'offre et des étiquettes qui signalent ce qui correspond et ce qui diverge.

Du temps. Une seule recherche interroge toutes les sources à la fois, et le dédoublonnage évite de relire une offre publiée à plusieurs endroits : sur une collecte, 372 annonces trouvées pour 147 réellement nouvelles.

Les offres pertinentes arrivent en tête grâce au score, et un suivi des candidatures (nouveau, vu, favori, postulé, entretien) organise la suite. Vous ne lisez plus toutes les annonces : vous traitez une liste déjà triée, avec des filtres conservés d'une session à l'autre.

Avec un filtre de proximité des mots-clés, qui écarte les annonces où les termes recherchés n'apparaissent que par hasard. Sur une recherche d'ingénieur pédagogique, on passe de 93 à 14 offres, et en usage réel, environ 80 % des annonces collectées sont écartées.

À l'inverse, pour ne rien manquer, l'outil lance une requête par mot-clé puis fusionne les résultats, ce qui multiplie par quatorze la couverture. On élargit pour tout capter, puis on resserre pour ne garder que l'utile.

Next.js pour l'application, Prisma avec SQLite et Turso pour les données, OpenAI pour la notation. Puppeteer collecte les annonces des sites sans API, et Zod vérifie les données de bout en bout, ce qui compte quand elles viennent de sources très différentes.

Côté interface, TanStack Table gère la vue en tableau et dnd-kit la vue Kanban. Un géocodage par les services d'adresse France et Nominatim permet de raisonner en distance réelle plutôt qu'en simple nom de ville.

Pas encore : Job Hunt est une première version interne (MVP) qui fonctionne, utilisée en local, avec une base réelle alimentée à chaque recherche. Il n'est pas encore déployé publiquement, mais sa vocation est commerciale : conçu d'abord pour nos besoins, il est destiné à être mis en ligne pour d'autres utilisateurs.

En attendant, ce qu'il démontre se transpose : si votre besoin mêle collecte de données, scraping et notation par IA, c'est le type de système que nous concevons et développons pour nos clients.