Comment le Harvard Business School Club of New York a automatisé son programme de mentorat pour startups

Vue d’ensemble

Le Harvard Business School Club of New York gère l’un des programmes de mentorat pour alumni les plus rigoureux du pays. Chaque fondateur du programme est un alumni de HBS. Chaque mentor l’est aussi. Et le niveau d’exigence est élevé des deux côtés. Le processus de matching conçu pour tenir ce niveau était minutieux : lire attentivement le dossier de la startup, pondérer les préférences sectorielles, l’alignement fonctionnel, l’adéquation avec le stade de développement et la résonance humaine, puis évaluer des centaines de mentors face à ce profil pour dégager les 5 meilleurs. Cela fonctionnait. Cela demandait simplement 30 à 60 minutes de temps expert par startup, et le pipeline se bouchait dès qu’une cohorte ou un événement provoquait un pic de candidatures.

Nous avons remplacé ce workflow par un moteur de matching IA interne intégré à la base Airtable existante du club. Il se déclenche automatiquement dès qu’une nouvelle startup est ajoutée, applique exactement la même logique de décision que celle mise au point par l’équipe, et produit jusqu’à 5 matchs de mentors classés en moins de 2 minutes, chacun accompagné d’une justification écrite détaillée expliquant pourquoi ce mentor, dans cet ordre, pour cette startup. L’équipe peut également le déclencher manuellement à tout moment. Le même niveau de jugement expert s’applique désormais à chaque nouvelle candidature, instantanément, pour une fraction du coût opérationnel.

Contexte de l’entreprise

Le Harvard Business School Club of New York (HBSCNY) est l’un des plus grands et des plus actifs clubs d’alumni de la Harvard Business School, avec une communauté de diplômés HBS répartis dans toute la région métropolitaine de New York. Parmi ses initiatives phares figure un programme de matching qui met en relation des fondateurs alumni de HBS avec des mentors alumni de HBS, en associant des fondateurs encore en construction à des opérateurs, investisseurs et dirigeants expérimentés qui apportent un accompagnement direct face aux réalités de la croissance d’une entreprise. Maintenir la qualité de ces matchs est au cœur de la réputation du club, et l’exigence est haute des deux côtés.

Le défi

Notre approche stratégique

Ce n’était pas un déploiement générique du type « on colle un LLM par-dessus ». Le but du projet était de reproduire fidèlement un processus de décision affiné par l’équipe pendant des années, y compris les critères de départage, les cas limites et la hiérarchie stricte de ce qui l’emporte quand les critères entrent en conflit. Nous avons reconstruit cette logique sous forme de moteur déterministe et l’avons intégrée au workflow Airtable existant du club.

Phase 1 : encoder la logique de décision

Nous nous sommes assis avec l’équipe HBSCNY pour extraire la logique de matching exacte qu’elle appliquait mentalement. Non pas « que devrait faire l’IA », mais « que faites-vous, dans quel ordre, avec quels critères de départage, quand des critères entrent en conflit ». Ce travail a été traduit en une spécification stricte et déterministe : une hiérarchie qui place les préférences du mentor au-dessus de son parcours, une cartographie canonique des groupes sectoriels et fonctionnels, une étape d’enrichissement déterministe qui extrait des signaux sectoriels et thématiques supplémentaires du texte libre décrivant la startup, un cadre de niveaux, un ordre strict de départage, des exigences de joignabilité, et des barrières strictes de qualité des données qui écartent les mentors à ne pas remonter.

Le principe clé : même entrée, même sortie, à chaque fois. Le moteur ne pouvait pas dériver. La régularité et la qualité étaient tout l’enjeu.

Phase 2 : construire le pré-filtre et le moteur de décision

Le vivier de mentors est suffisamment large pour que faire tourner la logique de décision complète sur chaque mentor et chaque startup soit lent et coûteux. Nous avons scindé le pipeline en deux étapes : un pré-filtre en amont qui réduit rapidement des centaines de mentors aux meilleurs candidats par startup à partir de signaux légers, et un moteur de décision qui exécute la logique déterministe complète sur ces candidats pour produire le top 5 final. Le moteur évalue les préférences sectorielles, l’alignement fonctionnel avec les objectifs déclarés de la startup, l’adéquation au stade, le parcours du mentor comme critère de repli, et la résonance humaine, puis applique la hiérarchie de départage et réécrit le résultat dans Airtable.

Phase 3 : intégrer le moteur au workflow existant du club

Nous n’avons pas demandé à l’équipe d’apprendre un nouvel outil. Le moteur vit directement dans leur base Airtable existante. Il se déclenche automatiquement dès qu’une nouvelle startup est ajoutée au système, et peut aussi être lancé manuellement par n’importe quel membre de l’équipe, ce qui est utile pour des rafraîchissements, des rattrapages, ou après une mise à jour du vivier de mentors. La sortie est écrite dans une table dédiée « Advisor Matches » : un enregistrement par mentor apparié, classé du plus au moins pertinent, chacun accompagné d’une justification écrite complète expliquant pourquoi ce mentor a été retenu et pourquoi devant les autres.

Phase 4 : rendre chaque match auditable

Chaque enregistrement de match contient une justification détaillée qui cite les champs exacts du mentor et de la startup sur lesquels la décision repose, y compris un raisonnement comparatif expliquant pourquoi ce mentor est classé au-dessus du suivant. L’équipe peut relire n’importe quel match en quelques secondes et voir précisément comment le moteur est arrivé à la recommandation, ce qui rend la revue rapide et la confiance facile à établir.

Solution : le moteur de matching HBSCNY

Résultats depuis le lancement

De plus de 30 minutes par startup à moins de 2 minutes. Ce qui exigeait auparavant qu’un membre expérimenté de l’équipe s’assoie, lise, cadre et pondère des centaines de mentors selon des critères multiples qui se chevauchent est désormais produit en moins de 2 minutes, avec la même logique, appliquée de la même manière, à chaque fois.

Chaque nouvelle startup matchée automatiquement à la soumission. L’équipe n’a plus besoin de se souvenir de lancer le processus ni d’attendre une plage de temps libre. Dès qu’une startup est ajoutée à Airtable, les matchs sont générés et disponibles. Rien ne passe entre les mailles du filet.

5 matchs classés avec une justification écrite complète par startup. Chaque match est accompagné d’une explication qui cite les champs exacts du mentor et de la startup sur lesquels la décision repose, ainsi qu’un raisonnement comparatif expliquant pourquoi le match n°1 se classe au-dessus du n°2, etc. L’équipe revoit en quelques minutes, pas en quelques heures.

Une qualité homogène sur chaque match. Parce que la logique est déterministe (même entrée, même sortie), le 1er match du mois et le 100e sont évalués selon exactement la même hiérarchie et les mêmes critères de départage. Pas de dérive, pas de fatigue, pas d’inconstance selon la personne qui matche cette semaine-là.

Passage à l’échelle sur les pics de cohortes et d’événements sans nouveaux recrutements. La contrainte du « combien de travail expert de matching notre équipe peut-elle abattre cette semaine » disparaît. Les pics de volume autour des événements et des sessions d’admission ne bouchent plus le pipeline et n’imposent plus d’arbitrer entre rapidité et qualité.

Le temps de l’équipe libéré pour le travail qui exige réellement un jugement humain. Au lieu de faire elle-même le matching, l’équipe revoit et affine désormais les matchs générés par l’IA, pilote le programme de façon stratégique, et consacre plus de temps aux relations avec les fondateurs et les mentors qui font l’identité du programme.

Déjà en cours d’extension à d’autres opérations du club. Parce que le moteur est construit comme un cadre décisionnel réutilisable (préférences, objectifs, critères pondérés, départages), la même architecture est aujourd’hui adaptée à d’autres cas d’usage de matching et de recommandation dans d’autres pans de l’activité du club.

Perspective du client

À retenir

La plupart des problèmes de « matching » ne sont pas vraiment des problèmes de matching. Ce sont des problèmes de jugement expert, et ils ne passent pas à l’échelle parce que l’expertise vit dans la tête des gens, les critères sont pondérés de façon subtile, et chaque décision exige de tenir beaucoup de contexte à la fois.

Les réponses standard ne fonctionnent pas. Un simple filtre bâti sur des champs de formulaire écrase la nuance. Un LLM générique écrase la régularité. Embaucher plus de gens tient jusqu’au prochain pic, et même là, vous payez des personnes expérimentées pour un travail qui devrait se dérouler tout seul.

La bonne réponse consiste à prendre la logique de décision que l’équipe a déjà construite (chaque préférence, chaque critère de départage, chaque cas limite) et à la transformer en moteur déterministe qui tourne de la même façon à chaque fois. Non pas pour remplacer le jugement de l’équipe, mais pour le libérer de la partie mécanique de son application.

Pour HBSCNY, cela signifie qu’un processus de matching qui consommait des heures de temps expert par candidature tourne désormais en moins de 2 minutes, sur chaque nouvelle startup, avec une justification complète que l’équipe peut auditer et affiner. Le niveau d’exigence n’a pas baissé. Le travail a simplement cessé d’être le goulet d’étranglement.

Si votre équipe fait un travail d’expert qui suit une logique reproductible (matching, qualification, tri, recommandation) et que ce travail dévore sa semaine, voici à quoi ressemble une vraie solution.