Context Engineering RH : quand la donnée remplace le prompt

Philippe Dion
independant

Le Context Engineering transforme l'IA RH en remplaçant la quête du prompt parfait par l'ingénierie rigoureuse des données métier, garantissant fiabilité, conformité et traçabilité des décisions.

Depuis trois ans, les professionnels des Ressources Humaines ont été encouragés à maîtriser une nouvelle compétence : le Prompt Engineering. L'idée était séduisante : apprendre à formuler la question parfaite pour obtenir une réponse pertinente d'une intelligence artificielle. Des formations ont fleuri, des guides ont été publiés, et des DRH ont passé des heures à peaufiner leurs requêtes.

Pourtant, en 2026, un consensus émerge parmi les experts en science des données : cette approche est non seulement insuffisante, mais elle passe à côté de l'essentiel. La qualité d'une réponse IA ne dépend pas principalement de la façon dont vous posez la question. Elle dépend de ce que le modèle sait au moment où il répond. Cette discipline s'appelle le Context Engineering, et elle change radicalement la donne pour les fonctions RH.

Ce qu'est réellement le Context Engineering

Le Context Engineering est la discipline qui consiste à concevoir, construire et gérer les systèmes qui alimentent un modèle d'IA en informations pertinentes au moment où il génère une réponse. Ce n'est pas une amélioration du prompt engineering. C'est un changement de paradigme.

Pour comprendre la différence, imaginez deux scénarios. Dans le premier, vous demandez à un consultant externe de rédiger une politique de télétravail en lui donnant des instructions très détaillées (c'est le prompt engineering). Dans le second, vous lui fournissez d'abord un dossier complet contenant votre convention collective, votre règlement intérieur actuel, vos contraintes budgétaires et les retours de vos salariés, puis vous lui demandez de rédiger la politique (c'est le context engineering).

Exemple concret : Une DRH demande à une IA : "Rédige une réponse pour un salarié qui demande un aménagement d'horaires pour raisons familiales."

  • Approche Prompt Engineering : La DRH écrit un prompt de 300 mots expliquant le contexte, le ton à adopter, les contraintes légales. L'IA génère une réponse générique qui pourrait s'appliquer à n'importe quelle entreprise.
  • Approche Context Engineering : La DRH tape simplement sa demande. En arrière-plan, le système récupère automatiquement : l'accord d'entreprise sur le temps partiel signé en 2025, la situation familiale du salarié (enfants de moins de 3 ans), l'historique de ses demandes précédentes, et la politique RH en vigueur. L'IA génère une réponse précise, conforme, et personnalisée.

Techniquement, un modèle de langage ne "cherche" pas une réponse comme un moteur de recherche. Il génère du texte basé sur ce qui a été injecté dans sa "fenêtre de contexte" - sa mémoire de travail temporaire. Le Context Engineering est l'art de maîtriser ce qui entre dans cette fenêtre, comment cela y arrive, et comment vous garantissez que ces informations sont exactes, pertinentes et à jour.

Les 5 piliers d'un contexte RH de qualité

Pour qu'une IA RH soit fiable, le système doit lui fournir cinq types d'informations structurées. Ce travail relève de l'ingénierie des données (Data Engineering) autant que de la stratégie RH.

1. La récupération de documents (RAG - Retrieval-Augmented Generation)

Le système doit retrouver le bon document parmi des milliers.

Exemple : Un manager demande : "Quelles sont les obligations en cas d'arrêt maladie de plus de 30 jours ?" Le système doit récupérer automatiquement : l'article pertinent de la convention collective Syntec (pas celle de la métallurgie), la procédure interne de l'entreprise mise à jour en janvier 2026, et le guide de la CPAM sur les indemnités journalières. Pas un document obsolète de 2022 ni une fiche générique trouvée sur Internet.

2. Les métadonnées et l'enrichissement

Les métadonnées donnent du poids à l'information.

Exemple : Une fiche de poste est taguée avec les métadonnées suivantes : "Département : Finance", "Niveau : Cadre", "Date de validation : 15/03/2026", "Statut : Validée par le CSE". Quand l'IA utilise cette fiche pour évaluer des candidatures, elle sait exactement à qui elle s'applique et peut exclure les candidats non-cadres ou les fiches non validées.

3. Les données en temps réel (APIs)

L'IA ne doit pas deviner.

Exemple : Un salarié demande à un chatbot RH : "Combien de jours de congés me reste-t-il ?" Sans API, l'IA répondrait : "En général, les salariés disposent de 25 jours par an." Avec une API connectée au SIRH, l'IA répond en temps réel : "Il vous reste 12 jours de congés payés et 3 jours de RTT, solde mis à jour ce matin à 8h00."

4. Les bases de données et données structurées

Permettre à l'IA de raisonner sur des tableaux et métriques.

Exemple : Un DRH demande : "Quel est le taux de turnover dans le département commercial sur les 12 derniers mois ?" Le système interroge la base de données RH via une requête SQL générée automatiquement, récupère les données exactes (départs, arrivées, effectif moyen), et présente le résultat : "Le taux de turnover du département commercial est de 18% sur les 12 derniers mois, contre 12% pour l'ensemble de l'entreprise."

5. La mémoire et l'historique des interactions

Le système se souvient du contexte passé de manière sécurisée.

Exemple : Un manager a déjà utilisé l'IA RH la semaine dernière pour préparer un entretien annuel. Aujourd'hui, il demande : "Peux-tu m'aider à rédiger un plan d'action suite à l'entretien ?" L'IA se souvient des objectifs fixés, des points d'amélioration identifiés, et propose un plan cohérent avec la conversation précédente, sans que le manager ait à tout réexpliquer.

Le renversement stratégique : Le modèle est une commodité, le contexte est la forteresse

L'article fondateur sur le Context Engineering affirme une vérité qui bouleverse la stratégie d'achat de solutions IA : "The model is only as good as the context you give it."

Cela signifie que la "magie" du modèle de langage n'a plus aucune valeur différentielle. Tous les modèles (OpenAI, Anthropic, Mistral, Google) deviennent des commodités interchangeables, comme l'électricité. La vraie valeur, l'avantage concurrentiel d'une entreprise, réside exclusivement dans la qualité de son pipeline de contexte.

Exemple concret : Deux entreprises achètent la même solution IA de recrutement.

  • Entreprise A : L'outil est connecté à son SIRH, récupère automatiquement les fiches de poste validées, les grilles de compétences, et les politiques de diversité. Les réponses sont précises et conformes.
  • Entreprise B : L'outil utilise les mêmes modèles IA, mais sans intégration. Les recruteurs doivent copier-coller les informations manuellement. Les réponses sont génériques et parfois obsolètes.

Résultat : L'Entreprise A réduit son temps de recrutement de 40%, l'Entreprise B abandonne l'outil après 3 mois. La différence n'est pas dans l'IA, mais dans le contexte.

Pour les DRH, cela change tout. Au lieu d'évaluer une solution IA sur la brillance de son interface ou la fluidité de son chatbot, vous devez l'auditer sur sa capacité à se connecter proprement à votre SIRH, votre GED et vos métadonnées métier. Une IA moyenne avec un excellent contexte RH battra toujours une IA surpuissante avec un contexte générique ou obsolète.

L'impact sur les RH : Formalisation de l'informel et auditabilité

Le Context Engineering force les RH à formaliser ce qui restait tacite. Aujourd'hui, beaucoup de règles RH sont informelles, "dans la tête" des managers, ou basées sur des pratiques non documentées. Le Context Engineering rend cela impossible.

Exemple concret : Une entreprise veut automatiser le tri des CV. Avec le prompt engineering, le recruteur écrit : "Trouve-moi les bons candidats." L'IA applique ses propres critères, souvent biaisés. Avec le context engineering, l'entreprise doit définir explicitement : "Les critères de sélection sont : 40% compétences techniques (base de données), 30% expérience sectorielle (métadonnée), 30% adéquation culturelle (document de valeurs validé par le CSE)." Cela révèle immédiatement les incohérences : "Attends, on n'a jamais validé officiellement ces critères !"

Plus crucial encore, le Context Engineering transforme la conformité réglementaire. L'AI Act (règlement UE 2024/1689) classe les systèmes de recrutement et d'évaluation comme "à haut risque" et impose une traçabilité complète des données utilisées.

Exemple concret : Un candidat conteste un refus de recrutement assisté par IA.

  • Sans Context Engineering : L'entreprise ne peut pas expliquer pourquoi l'IA a rejeté le candidat. "L'algorithme l'a décidé" n'est pas une réponse acceptable.
  • Avec Context Engineering : L'entreprise produit le log complet : "Le système a reçu votre CV (document), la fiche de poste du 12 mars 2026 (métadonnée), la grille de score validée par le CSE (document). Votre score était de 62%, le seuil de sélection étant de 70%. Voici les documents exacts utilisés." La conformité devient une simple question de traçabilité.

Le nouveau rôle du professionnel RH : Architecte de contexte

Cette évolution crée un vide de compétence que les Data Engineers seuls ne peuvent pas combler. Un ingénieur data sait extraire une donnée, mais il ne sait pas si cette donnée est pertinente, éthique ou légale dans un contexte RH.

Le rôle du DRH ou du RRH évolue radicalement. Il ne rédige plus des prompts. Il devient un "Architecte de Contexte" ou "Context Curator".

Exemple concret : Une Architecte de Contexte dans une entreprise de 500 salariés passe sa journée à :

  • Définir quelles sources de données sont autorisées (ex: "On peut utiliser les données de performance, mais pas les notes de feedback informelles")
  • Valider la fraîcheur des documents (ex: "Les conventions collectives doivent être vérifiées chaque trimestre")
  • Établir des règles éthiques (ex: "Quand un manager interroge le système sur un salaire, ne jamais afficher les données brutes des autres salariés, seulement les bandes salariales")
  • Auditer les logs de récupération pour détecter les anomalies

C'est une compétence de gouvernance, d'éthique et de design de processus, pas de codage.

Maîtriser le contexte pour maîtriser l'IA

Le Context Engineering n'est pas une mode passagère. C'est la reconnaissance que l'IA en entreprise ne fonctionne pas par magie, mais par ingénierie rigoureuse des données. Pour les RH, c'est une opportunité unique de reprendre le contrôle : au lieu de subir des outils opaques, vous construisez activement la certitude de la réponse.

Vous souhaitez auditer la maturité Data & IA de votre fonction RH et comprendre comment construire un pipeline de contexte fiable et conforme ? Contactez-nous pour un diagnostic personnalisé.