Chargement…
Automatisation
autom_job — Veille emploi augmentée par IA
Case study orienté impact: objectif métier clair, exécution maîtrisée, preuve ROI et plan de delivery traçable.
Projet personnel · SaaS en production
Statut
En production
Projet personnel en conditions réelles
Preuve technique
48 sources
22 pays couverts
Accès
Démo live
Lien direct plus bas sur cette page
Scope livré
4 livrables
Briques prêtes à exploiter par les équipes
Aperçu produit
Delivery Roadmap
01Semaine 1
Discovery
Cadrage métier, collecte contraintes et architecture cible
02Semaines 2-3
Build
Implémentation coeur produit et intégrations prioritaires
03Semaines 4-5
Scale
Hardening: perf, fiabilité, monitoring et tests de charge
04Semaine 6
Launch
Go-live encadré, transfert, documentation et KPI de suivi
Phase 01 · Discovery
- Scraping continu de ~48 sources (Greenhouse, Ashby, LinkedIn, Indeed, We Work Remotely...)
Phase 02 · Build
- Préfiltre qui élimine ~85% du volume avant tout appel IA, qualification Claude sur le reste
Phase 03 · Scale
- Dashboard avec presets de recherche, favoris, historique filtrable, export CSV
Phase 04 · Launch
- Quota IA par utilisateur (essai / abonné) avec bascule en scoring simulé au-delà
01
Le problème
Trouver des postes commerciaux/GTM seniors pertinents veut dire surveiller des dizaines de job boards et d'ATS différents, éliminer les doublons, et lire chaque annonce pour juger si elle correspond vraiment au profil recherché — sur 22 pays à la fois.
02
La solution
Agent de veille qui scrape ~48 sources (Greenhouse, Ashby, LinkedIn, Indeed, We Work Remotely, Welcome to the Jungle...), déduplique par utilisateur, puis fait qualifier chaque offre par Claude (score 0-10, red flags, sponsoring visa) après un préfiltre qui élimine environ 85% du volume avant tout appel IA. Dashboard avec comptes utilisateurs, presets de recherche, favoris, historique filtrable et export CSV.
03
Défis techniques
Budget IA partagé : quota par utilisateur (essai, abonné, garde-fou système global) pour éviter qu'un compte épuise la clé Claude commune — bascule automatique en scoring simulé au-delà du quota.
Déploiement Railway en 3 services (dashboard, worker de recherche, agent cron) + Postgres + Redis, CI/CD qui migre la base puis déploie uniquement après succès des tests.
Impact clé
- 48 sources scrapées · 22 pays
- ~85% des offres éliminées avant tout appel IA
- Digest email + dashboard temps réel
Stack technique
PythonPostgreSQLRedisClaude APIFlaskStripeRailway