Concevoir une architecture ChatGPT + MCP fiable pour interroger les données RH Eurécia

Avant l'architecture cible

Avant : plusieurs outils possibles, mais aucune règle claire pour choisir lequel utiliser

Les équipes utilisent déjà ChatGPT pour analyser des informations, rechercher des éléments dans des documents, rédiger des synthèses ou préparer des réponses. Dès qu'il faut accéder à des données métier vivantes, les choix se multiplient : conversation classique, projet personnalisé, agent, connecteur, Action GPT, serveur MCP, scénario n8n ou application dédiée.

Sans architecture explicite, le même besoin peut être traité de plusieurs manières selon la personne qui le met en place. Certaines solutions fonctionnent pour une démonstration mais deviennent lentes, fragiles ou difficiles à maintenir. D'autres donnent une réponse plausible mais ne permettent pas de vérifier facilement la source, la date de mise à jour ou les droits appliqués à la requête.

Le problème n'est donc pas le manque d'outils. C'est plutôt l'inverse : il faut éviter d'utiliser un marteau différent pour chaque clou sous prétexte que tous portent désormais une étiquette « IA ».

Architecture mise en place

Après : ChatGPT devient l'interface, mais les données et les règles restent dans les systèmes contrôlés

L'architecture sépare les responsabilités. ChatGPT sert à comprendre la question, présenter la réponse et orchestrer l'appel à un outil autorisé. Le serveur MCP expose uniquement les capacités nécessaires, par exemple rechercher un salarié, consulter un solde de congés ou obtenir les heures supplémentaires d'une période.

Les appels vers Eurécia passent par une couche d'accès métier qui applique les contrôles : authentification, périmètre utilisateur, validation des paramètres, récupération de la donnée à jour et journalisation. n8n reste utile pour les traitements asynchrones, les notifications ou les synchronisations, mais n'est pas utilisé comme réponse universelle à toutes les requêtes interactives.

Une application ou un script dédié est retenu lorsque le besoin exige une interface spécifique, des calculs déterministes, un volume important ou une expérience utilisateur qui dépasse le cadre d'une conversation.

Déroulement de l'architecture

Une question utilisateur suit un parcours court et contrôlable. Les étapes qui manipulent les données RH restent déterministes.

1. 01Recevoir la question dans ChatGPT ou l'interface choisie
2. 02Identifier l'intention et les données nécessaires
3. 03Sélectionner l'outil MCP ou l'API correspondant au besoin
4. 04Contrôler l'identité, les droits et les paramètres de la requête
5. 05Interroger Eurécia ou la source métier autorisée
6. 06Retourner des données structurées avec leur contexte utile
7. 07Générer une réponse lisible sans inventer les informations absentes
8. 08Journaliser l'appel, les erreurs et les éventuelles exceptions

Exemple de question RH

Un responsable autorisé peut demander :

ChatGPT ne doit pas répondre à partir d'un contexte mémorisé ou d'une extraction ancienne. Il appelle l'outil autorisé, récupère les données utiles depuis Eurécia, applique le périmètre du responsable et formule la réponse à partir du résultat. Si l'information n'est pas disponible ou si l'utilisateur n'a pas les droits nécessaires, la réponse l'indique explicitement.

Pourquoi ne pas tout faire avec un seul outil ?

Points de vigilance

• 1. Les données RH ne doivent jamais être exposées à un utilisateur hors de son périmètre.
• 2. Une réponse métier doit être rattachable à une source et à une date de récupération.
• 3. Les outils MCP doivent rester limités à des capacités explicites et contrôlables.
• 4. Les automatisations asynchrones doivent gérer les erreurs, reprises et doublons.
• 5. Les données absentes ou ambiguës doivent produire une réponse explicite, pas une approximation convaincante.

Les données de rémunération, contrats et absences imposent en particulier une gestion stricte des droits, de la traçabilité et de la confidentialité.