Les biais dans les données de rémunération ou de promotion sont réels, mais faciles à manquer et dangereux à mal interpréter. Ce spotter analyse les enregistrements RH anonymisés à la recherche de schémas qu'un humain devrait examiner.
sonnet1 semaineHRIS exportpandasOpenAIConfluence
Claude
69ROI
73Scale
$1.4k89Saved
ROI for
README.md
Pourquoi ce sous-agent
Les biais dans les données de rémunération ou de promotion sont réels, mais faciles à manquer et dangereux à mal interpréter. Ce spotter analyse les enregistrements RH anonymisés à la recherche de schémas qu'un humain devrait examiner.
Chaque constat arrive avec ses réserves : taille d'échantillon, limites des données, et une mention claire qu'il s'agit d'un signal pour relecture humaine, pas d'un verdict. Il aide une équipe RH ou juridique à savoir où regarder, sans prétendre que les chiffres prouvent une intention.
Comment il s'exécute
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Regrouper les enregistrements par poste et par niveau, puis chercher les écarts qui suivent des attributs protégés.
pending
Faire ressortir les schémas qui méritent une relecture humaine, toujours formulés comme des signaux, jamais comme des conclusions.
pending
Produire un rapport explicitant les réserves, les tailles d'échantillon et les limites de chaque constat.
pending
Exemple de sortie
json
// Sample output
// (generated when the pipeline finishes)
Report statistical gaps in the HR data by group, always with sample size and a stated caveat; flag for human review and never assert intent or causation.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.