Comment connecter Claude, ChatGPT ou n'importe quelle IA à votre stack recrutement

L’intelligence artificielle transforme le recrutement, mais pas de la manière que la plupart des éditeurs de logiciels voudraient vous faire croire. La vraie révolution ne consiste pas à utiliser un chatbot intégré à votre ATS. Elle consiste à connecter les modèles les plus puissants du marché (Claude, ChatGPT, Gemini et d’autres) directement à vos données de recrutement, pour qu’ils travaillent sur votre pipeline, vos candidats et vos séquences d’outreach en temps réel.

Chez Leonar, nous avons fait un choix stratégique : proposer une IA de sourcing intégrée et performante tout en ouvrant notre plateforme aux agents externes via une API REST complète et le protocole MCP. Si vous avez déjà exploré ce qu’un agent IA de sourcing fait concrètement, cet article va plus loin. Il explique comment brancher n’importe quel modèle d’IA sur votre stack recrutement, avec des cas d’usage concrets et un guide pas à pas.

Pourquoi votre stack recrutement devrait être ouvert aux IA externes

La plupart des logiciels de recrutement fonctionnent comme des jardins clos. Gem, HireEZ, SeekOut : chacun vous propose sa propre IA, souvent un wrapper autour de GPT ou d’un modèle interne, et vous demande de lui faire confiance les yeux fermés. Vous n’avez pas le choix du modèle, pas de contrôle sur le prompt, pas de possibilité de construire vos propres workflows intelligents.

Ce modèle pose trois problèmes concrets. D’abord, la vitesse d’innovation. Les grands modèles de langage évoluent tous les mois. Si votre logiciel de recrutement embarque une IA figée, vous accumulez du retard technologique sans vous en rendre compte. Ensuite, la spécificité. Un recruteur spécialisé en ingénierie quantique ou en profils C-level à des besoins radicalement différents d’un recruteur volumique en retail. Une IA générique intégrée ne peut pas répondre à ces deux cas avec la même pertinence. Enfin, la portabilité. Si vos données et vos interactions IA sont enfermées dans un seul outil, changer de solution revient à repartir de zéro.

L’approche que nous défendons chez Leonar est différente. Notre IA de recrutement intégrée couvre les cas d’usage courants (rédaction d’offres, scoring de candidats, suggestions de recherche), mais nous rendons également la plateforme programmable. Vous pouvez connecter Claude, ChatGPT ou tout autre modèle à vos données de recrutement, construire des agents spécialisés, et garder le contrôle total sur la logique, les prompts et les résultats.

C’est la différence entre un outil qui vous dit “voici notre IA, prenez-la ou laissez-la” et une plateforme qui vous dit “voici vos données, construisez ce que vous voulez”.

MCP vs. API : deux façons de connecter des agents IA à Leonar

Deux protocoles permettent de relier un agent IA à Leonar. Le choix dépend de votre cas d’usage, de votre niveau technique et du type d’interaction que vous recherchez.

Qu’est-ce que le MCP (Model Context Protocol) et pourquoi c’est important pour le recrutement

MCP est un standard ouvert initialement créé par Anthropic fin 2024, désormais gouverné par l’Agentic AI Foundation sous la Linux Foundation. OpenAI, Google et Microsoft l’ont adopté, faisant de MCP un véritable standard industriel. L’analogie la plus simple : c’est un port USB universel pour l’IA. Au lieu de programmer des appels API manuels, vous déclarez Leonar comme “serveur MCP” dans votre agent IA, et celui-ci comprend automatiquement ce qu’il peut faire : lire votre pipeline, chercher des candidats, déclencher des séquences d’outreach, analyser les performances de vos campagnes.

Concrètement, quand vous dites à Claude “montre-moi les candidats en attente de relance depuis plus de 7 jours”, l’agent interroge Leonar via MCP, récupère les données structurées, les analyse et vous propose des actions. Pas besoin d’écrire une seule ligne de code. Le MCP gère la découverte des capacités (quelles actions sont disponibles), l’authentification et le format des échanges.

Pour le recrutement, c’est un changement majeur. Au lieu de naviguer entre des onglets, des filtres et des tableaux de bord, vous conversez avec un agent qui a accès à toutes vos données et qui peut agir dessus. C’est le passage d’une interface graphique à une interface conversationnelle, sans sacrifier la précision ni la sécurité.

Quand utiliser l’API REST à la place

L’API REST de Leonar est le choix classique pour l’automatisation programmatique. Elle couvre l’ensemble des opérations CRUD sur les candidats, les postes, les pipelines, les séquences et les données analytiques. Vous l’utilisez quand vous avez besoin d’un workflow prédictible et reproductible : synchroniser vos données avec un data warehouse, alimenter un dashboard de reporting custom, déclencher des actions automatiques via Zapier ou Make, ou connecter des outils qui ne supportent pas encore le MCP.

L’API est aussi le bon choix pour les intégrations lourdes. Si vous construisez un portail candidat interne, un système de scoring propriétaire ou une connexion bidirectionnelle avec votre SIRH, l’API REST vous donne un contrôle granulaire sur chaque requête.

Choisir entre MCP et API selon votre cas d’usage

La règle est simple. Si vous connectez un agent conversationnel (Claude Desktop, une interface ChatGPT, un assistant interne) qui doit interagir en temps réel avec vos données de recrutement, le MCP est le protocole adapté. Il permet à l’agent de découvrir dynamiquement les actions disponibles et de répondre à des questions ouvertes.

Si vous construisez un workflow automatisé, une synchronisation de données, un dashboard ou une intégration avec un outil tiers, l’API REST est plus appropriée. Elle offre un contrôle précis, une documentation complète et une compatibilité universelle.

Dans de nombreux cas, les deux approches se complètent. Un agent conversationnel via MCP pour l’exploration et la prise de décision au quotidien, une intégration API pour les automatisations en arrière-plan. Leonar supporte les deux en parallèle, sur le même compte, avec les mêmes permissions.

Trois cas d’usage concrets d’agents IA connectés à votre recrutement

Passons de la théorie à la pratique. Voici trois scénarios qui illustrent la puissance d’un CRM recrutement ouvert aux agents IA externes, bien au-delà de ce que propose le sourcing IA comparé au recrutement classique.

Analyse de pipeline avec Claude : “Quels candidats relancer aujourd’hui ?”

Vous ouvrez Claude Desktop le lundi matin. Vous tapez : “Quels candidats dans mon pipeline n’ont pas reçu de message depuis plus de 10 jours et sont en phase d’entretien ?” Claude interroge Leonar via MCP, parcourt votre pipeline et vous renvoie une liste structurée : nom, poste, dernière interaction, temps écoulé, étape actuelle.

Mais l’agent ne se contente pas de lister. Il priorise. Il identifie que trois candidats sont sur des postes critiques avec un délai de recrutement serré, et que deux autres ont des signaux d’intérêt élevé (taux de réponse rapide aux messages précédents). Il suggère un ordre de relance et propose même des angles d’approche différenciés pour chacun, en s’appuyant sur les notes de vos collègues dans le CRM.

Ce qui prendrait 20 minutes de navigation dans des filtres et des vues Kanban se résume à une conversation de 30 secondes. Et surtout, l’analyse est plus fine parce que l’agent croise des données que vous n’auriez pas combinées manuellement.

Outreach personnalisé avec ChatGPT : au-delà des templates

Les templates d’outreach sont un bon point de départ, mais les meilleurs recruteurs savent que la personnalisation fait la différence entre un taux de réponse de 15 % et un taux de 40 %. Le problème, c’est que personnaliser manuellement chaque message prend un temps considérable.

En connectant ChatGPT à Leonar via MCP (ChatGPT Desktop supporte nativement le protocole MCP depuis septembre 2025) ou via l’API, vous pouvez automatiser cette personnalisation à grande échelle. L’agent accède au profil complet du candidat stocké dans votre CRM (parcours professionnel, compétences, localisation, interactions précédentes, notes de l’équipe) et génère un message d’approche qui intègre ces éléments de manière naturelle.

Par exemple, pour un développeur senior qui a récemment publié un article sur l’architecture microservices, l’agent ne va pas simplement dire “j’ai vu votre profil LinkedIn”. Il va mentionner l’article, faire le lien avec les défis techniques du poste, et proposer un angle de conversation pertinent. Si vous utilisez déjà notre outil de sourcing Leonar Source, vous savez combien les données de profil enrichies facilitent ce type de personnalisation. L’ajout d’un agent IA externe pousse cette logique encore plus loin.

Agent de sourcing custom pour les profils niches

Certains recrutements sont exceptionnellement difficiles. Ingénieurs en calcul quantique, spécialistes en réglementation crypto, chercheurs en NLP appliqué à la biomédecine. Pour ces postes, les recherches booléennes classiques et les filtres standard ne suffisent pas. Vous avez besoin d’un agent qui comprend la niche.

Avec l’API de Leonar, vous pouvez construire un agent de sourcing spécialisé. Cet agent combine la base de données de Leonar (870M+ profils) avec des instructions spécifiques à votre domaine. Vous lui apprenez ce qui fait un bon profil dans cette niche, quels signaux chercher (publications, brevets, contributions open-source, parcours académique), et comment prioriser les résultats.

L’agent peut ensuite tourner en continu, alimenter automatiquement votre pipeline avec des candidats qualifiés, et vous alerter quand un profil rare apparaît. C’est l’équivalent d’un sourceur spécialisé qui travaille 24 heures sur 24, sans fatigue et sans biais de récence. Pour comprendre la valeur ajoutée d’un tel agent par rapport aux méthodes traditionnelles, notre article sur les outils d’IA pour le recrutement offre un panorama complet du marché actuel.

Étape par étape : connecter Claude à Leonar via MCP

Vous n’avez pas besoin d’être développeur pour connecter Claude à Leonar. Le processus est conçu pour être accessible aux recruteurs techniques et aux équipes opérationnelles.

Prérequis

Pour commencer, vous avez besoin de trois éléments : un compte Leonar avec l’accès API activé (disponible sur les plans Business et Enterprise), Claude Desktop installé sur votre machine (ou un accès à l’API Claude si vous préférez une intégration programmatique), et quelques minutes pour configurer la connexion.

Si vous utilisez déjà Leonar, il suffit de demander l’activation de l’accès API à votre gestionnaire de compte. La clé API et la documentation seront disponibles dans les paramètres de votre espace.

Configuration de la connexion MCP

Le processus se déroule en trois temps. Vous commencez par déclarer Leonar comme serveur MCP dans la configuration de Claude Desktop. Cette déclaration inclut l’URL du serveur MCP de Leonar et vos identifiants d’authentification (clé API). Ensuite, vous sélectionnez les capacités que vous souhaitez exposer à Claude : lecture du pipeline, recherche de candidats, gestion des séquences, accès aux analytics. Cette granularité est importante, car elle vous permet de limiter précisément ce que l’agent peut voir et faire. Enfin, vous validez la connexion. Claude découvre automatiquement les actions disponibles et vous confirme qu’il peut accéder à vos données.

Toute la configuration se fait via un fichier de paramètres simple. Pas de code à écrire, pas de serveur à déployer. L’ensemble prend moins de cinq minutes pour un utilisateur familier avec les outils de configuration.

Première interaction : interroger Claude sur votre pipeline

Une fois connecté, testez avec une question simple : “Combien de candidats actifs ai-je dans mon pipeline pour le poste de Product Manager ?” Claude interroge Leonar, récupère les données et vous répond avec un résumé structuré : nombre de candidats par étape, temps moyen dans chaque phase, candidats en attente de retour.

À partir de là, vous pouvez enchaîner avec des requêtes plus complexes. “Parmi ces candidats, lesquels ont un taux de réponse supérieur à la moyenne ?” ou “Rédige un message de relance pour les trois candidats les plus engagés, en tenant compte de leurs dernières interactions.” L’agent a accès au contexte complet et peut produire des réponses et des actions pertinentes, directement depuis votre CRM.

Si vous souhaitez approfondir l’utilisation de l’IA conversationnelle dans le recrutement, notre guide sur comment utiliser ChatGPT pour recruter couvre les fondamentaux de l’approche.

Gardez à l’esprit que les requêtes vers des fournisseurs d’IA externes engendrent des coûts basés sur les tokens. Pour un workflow de recrutement classique (analyse de pipeline, génération d’outreach), comptez entre 15 et 40 euros par mois et par recruteur en frais de fournisseur d’IA.

Comparaison avec les outils de recrutement à écosystème fermé

Pour situer Leonar dans le paysage, voici une comparaison directe avec les principaux outils du marché sur les critères d’ouverture et de connectivité IA.

Critère	Leonar	Gem	HireEZ	SeekOut
IA intégrée	Oui (sourcing, rédaction, scoring)	Oui	Oui	Oui
Support IA externe (agents custom)	Oui (Claude, ChatGPT, etc.)	Possible via API	Possible via API	IA agentique intégrée
API REST ouverte	Oui (complète, documentée)	API publique (documentée)	API (offres Enterprise)	Limitée
Support MCP	Oui	Pas nativement	Pas nativement	Pas nativement
Création d'agents custom	Oui (via API + MCP)	Possible via API	Possible via API	Limité
Portabilité des données	Export complet, API bidirectionnelle	Export limité	Export limité	Export limité
Choix du modèle IA	Libre (tout modèle compatible)	Propriétaire	Propriétaire	Propriétaire

La différence fondamentale ne porte pas sur la qualité de l’IA intégrée (chaque éditeur améliore la sienne en continu), mais sur la philosophie d’ouverture. Leonar est l’un des premiers CRM de recrutement à proposer simultanément une IA intégrée performante, un support MCP natif et une plateforme ouverte qui permet à chaque équipe de construire ses propres workflows intelligents avec le modèle de son choix.

Confidentialité, conformité et contrôle des données avec les agents IA externes

C’est probablement la question la plus importante de cet article, en particulier pour les équipes basées en France et en Europe. Connecter un agent IA externe à vos données de recrutement soulève des questions légitimes en matière de RGPD et de conformité avec l’AI Act européen.

Commençons par l’architecture. Vos données candidat restent stockées dans votre instance Leonar. Lorsqu’un agent IA externe interroge votre pipeline via MCP, vous contrôlez précisément quelles données sont partagées avec le fournisseur d’IA. Leonar ne partage pas vos données de manière indépendante avec des tiers. Les offres entreprise des principaux fournisseurs d’IA (Anthropic, OpenAI) incluent des engagements de ne pas utiliser les données API pour l’entraînement de leurs modèles. Vérifiez les conditions de traitement des données de votre fournisseur d’IA avant de connecter un agent externe.

Ensuite, la granularité des permissions. Leonar vous permet de définir précisément ce que chaque connexion API ou MCP peut faire. Vous pouvez autoriser un agent à lire le pipeline sans pouvoir modifier les données. Vous pouvez restreindre l’accès à certains postes, certaines équipes ou certains types de données. Cette approche par permissions granulaires est conforme aux principes de minimisation des données imposés par le RGPD : l’agent n’accède qu’à ce qui est strictement nécessaire à la tâche.

La traçabilité est un autre pilier de cette architecture. Chaque interaction entre un agent IA et Leonar est journalisée : quelle requête a été envoyée, quelles données ont été retournées, quelle action a été déclenchée, par quel utilisateur et à quel moment. Ces pistes d’audit sont indispensables pour démontrer la conformité lors d’un contrôle de la CNIL ou d’un audit interne.

Paradoxalement, cette architecture ouverte avec permissions granulaires est souvent plus sécurisée qu’une IA “boîte noire” intégrée. Avec une IA intégrée dont vous ne contrôlez ni le modèle, ni le prompt, ni le périmètre d’accès aux données, vous faites confiance à l’éditeur sans possibilité de vérification. Avec une architecture ouverte, vous savez exactement ce que l’agent peut faire, vous contrôlez chaque permission, et vous disposez d’un journal d’audit complet.

Pour les équipes soumises à l’AI Act, cette transparence est également un atout. Le règlement européen exige que les systèmes d’IA à haut risque (et le recrutement entre dans cette catégorie) soient explicables, traçables et soumis à une supervision humaine. L’architecture ouverte de Leonar facilite le respect de ces exigences parce que chaque décision prise par un agent externe est documentée et réversible.

L’avenir du recrutement est agent-native, pas tool-native

Nous sommes en train de vivre un changement de paradigme. Pendant vingt ans, le recrutement a évolué en empilant des outils : un ATS, un CRM, un outil de sourcing, un outil d’outreach, un outil d’analytics. Chaque outil avait son interface, ses données et sa logique propre. Le recruteur devait naviguer entre ces outils, copier-coller des informations et assembler manuellement les pièces du puzzle.

L’ère des agents IA change cette dynamique. Au lieu d’opérer des outils, vous donnez des instructions à des agents qui opèrent pour vous. “Trouve-moi cinq développeurs Python seniors à Paris qui ont de l’expérience en fintech et qui sont ouverts aux opportunités. Envoie-leur un message personnalisé. Planifie des relances automatiques à J+3 et J+7.” Un seul prompt, exécuté par un agent connecté à votre stack recrutement complet.

Pour que cette vision fonctionne, il faut que votre plateforme de recrutement soit conçue pour les agents, pas seulement pour les humains. C’est exactement ce que Leonar construit : une plateforme où l’IA intégrée gère les cas courants, et où les agents externes peuvent prendre le relais pour les cas complexes, spécialisés ou innovants.

Les équipes qui adoptent cette approche aujourd’hui prennent un avantage structurel. Elles ne dépendent plus d’un seul éditeur pour leur intelligence artificielle. Elles peuvent expérimenter avec les derniers modèles, construire des workflows sur mesure et itérer rapidement sans attendre la roadmap d’un fournisseur.

Le recrutement de demain ne sera pas défini par l’outil que vous utilisez, mais par les agents que vous saurez connecter, configurer et orchestrer. Et cela commence par une plateforme ouverte.