50 cas d'usage de prospection avec Jev, et un template pour chacun
Tout ce que Jev, le modèle de décision de TypeSafe, peut trancher dans une prospection : 50 cas d'usage en 9 catégories (cibler, qualifier, repérer les signaux, trier les réponses, nettoyer la base, comprendre son audience, prioriser, choisir le message, marketing), chacun avec une question prête et un fichier d'exemple, et un script qui te guide de la catégorie au résultat. Publié le 22 septembre 2026.
Achille Morin-Lemoine
Jev, le modèle de TypeSafe AI, ne rédige rien. Tu lui envoies un contenu et une question fermée (choisir une option, noter sur une échelle, répondre oui ou non), il renvoie la réponse et sa probabilité, en moins d’une demi-seconde, pour quelques centimes les mille lignes. Si tu découvres le modèle, le guide de Colin explique ce qu’il est et ce qu’il vaut.
Ici, une seule question : qu’est-ce qu’il peut décider dans une prospection ? J’ai fait le tour, et j’en ai gardé 50 cas, rangés en 9 catégories. Chacun est un template : une question Jev prête, un fichier d’exemple de dix lignes, et la décision que Jev a rendue dessus. Un script te guide de la catégorie au résultat.
Tout est sur github.com/iamachilles/jev-prospection, en accès libre.
Comment ça marche
Trois commandes, et rien ne part sur le réseau tant que tu n’as pas dit oui.
git clone https://github.com/iamachilles/jev-prospection && cd jev-prospection
cp .env.example .env # puis colle ta clé TypeSafe
python3 jev.pyLe script te demande ce que tu veux faire (la catégorie), puis le cas. Il t’affiche l’exemple : trois lignes d’entrée et la décision que Jev a rendue sur chacune, avec sa confiance. Tu donnes le chemin de ton fichier CSV (ou tu appuies sur Entrée pour lancer sur l’exemple). Il vérifie que tes colonnes correspondent, annonce le nombre de lignes, de tokens et le coût, et attend ton accord. Puis Jev décide ligne par ligne, et tu récupères ton fichier avec trois colonnes de plus : la décision, sa confiance, et a_verifier pour les lignes où il hésite.
Chaque réponse est mise en cache : relancer ne repaie jamais une ligne déjà vue. Et pour aller droit au but : python3 jev.py --cas tri-reponses --csv mes_reponses.csv --apply.
Les 50 cas d’usage
Pour chaque cas : ce que Jev reçoit, ce qu’il rend, et la brique utilisée (un choix parmi des options, un score sur une échelle, un oui / non avec sa probabilité). Le slug entre parenthèses est le nom du template dans le dépôt.
Cibler : trouver les bonnes personnes et les bonnes entreprises
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 01 | Trier les titres LinkedIn : fondateur, directeur, salarié, indépendant (titre-role) |
le titre LinkedIn | une famille de rôle parmi cinq | choix |
| 02 | Noter tous les intitulés d’un compte cible de 1 à 5 selon leur rôle dans l’achat (title-sweep) |
l’intitulé, le service, encore en poste ou pas | une note de 1 (exclu) à 5 (tient le problème) | score |
| 03 | Relire les profils complets des meilleurs intitulés sur le même barème (profil-complet) |
titre, présentation, postes actuels et passés | une note de 1 à 5 | score |
| 04 | Dire si une personne correspond au persona visé (bon-persona) |
titre, présentation, entreprise | oui ou non, avec la probabilité | oui / non |
| 05 | Trier son réseau LinkedIn ou ses contacts : à contacter, à revoir, à ignorer (trier-reseau) |
l’export des relations ou des contacts | contacter, revoir ou ignorer | choix |
| 06 | Apparier une entreprise, une bio de dirigeant ou un message au client idéal (fit-client-ideal) |
la fiche ou le message, et votre client idéal | oui ou non | oui / non |
Qualifier : dire si ça vaut le coup avant de dépenser du temps ou des crédits
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 07 | Scorer un lead contre votre grille : chaud, tiède, froid (score-lead) |
la fiche du lead et votre grille | une note de 0 à 3 | score |
| 08 | Dire si une entreprise correspond au client idéal depuis son site (site-client-ideal) |
la page d’accueil ou la description | oui ou non | oui / non |
| 09 | Filtrer les leads avant de payer un enrichissement (avant-enrichissement) |
ce qu’on sait déjà du lead | enrichir ou pas | oui / non |
| 10 | Écarter les prestataires qui vendent aux dirigeants (concurrents, pairs) (prestataire-dirigeants) |
titre et présentation | vend aux dirigeants : oui ou non | oui / non |
| 11 | Qualifier un appel d’offres : fit et probabilité de gain (appel-offres) |
le texte de l’appel d’offres | une note de fit et une note de chances | score |
| 12 | Confirmer qui est vraiment l’acheteur avec cinq questions par profil (acheteur-cinq-questions) |
le profil complet | cinq oui ou non | oui / non |
Repérer les signaux : savoir qui bouge, sans lire chaque offre ni chaque post
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 13 | Noter un signal (offre d’emploi, levée, post) de 0 à 3 sur votre grille (score-signal) |
le texte du signal | une note de 0 à 3 | score |
| 14 | Détecter les signaux d’achat dans un flux de posts (Reddit, X, LinkedIn) (signal-posts-sociaux) |
chaque post du flux | signal d’achat : oui ou non | oui / non |
| 15 | Extraire d’une note de vente l’intention, l’urgence et l’intérêt produit (notes-de-vente) |
les notes d’appel ou de CRM | trois oui ou non | oui / non |
| 16 | Faire lire une veille (presse, concurrents) contre vos critères (veille-criteres) |
un titre ou une actualité | ça compte pour moi : oui ou non | oui / non |
| 17 | Distinguer un compte en marché d’un simple bon fit (en-marche) |
la fiche et ses signaux récents | en marché : oui ou non | oui / non |
Trier les réponses : et tout ce qui arrive dans la boîte
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 18 | Trier les réponses d’une campagne : intéressé, pas maintenant, hors cible, à transférer (tri-reponses) |
le message envoyé et la réponse | une catégorie parmi six | choix |
| 19 | Router une demande entrante : vente, support, facturation, spam (router-demande) |
le message entrant | un service | choix |
| 20 | Classer les emails reçus : partenariat, prospection reçue, presse, autre (emails-pro) |
l’email | une catégorie | choix |
| 21 | Détecter une réponse automatique (absence, bounce) (reponse-automatique) |
la réponse | automatique : oui ou non | oui / non |
| 22 | Détecter le départ d’un contact dans sa réponse (depart-contact) |
la réponse | a quitté l’entreprise : oui ou non | oui / non |
| 23 | Noter la maturité d’achat d’une demande entrante (maturite-demande) |
la demande | une note de 0 à 3 | score |
| 24 | Détecter une demande d’arrêt ou de désinscription dans une conversation (desinscription) |
le dernier message | veut arrêter : oui ou non | oui / non |
Nettoyer la base : dédoublonner, normaliser, tenir le CRM à jour sans y passer le week-end
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 25 | Rattacher une entreprise à un secteur ou à un segment de votre liste (secteur-segment) |
le nom, la description, le site | un secteur parmi les vôtres | choix |
| 26 | Dire si deux fiches désignent la même entreprise (SIRENE, LinkedIn, CRM) (meme-societe) |
les deux fiches | même société : oui ou non | oui / non |
| 27 | Dire si deux contacts sont la même personne (meme-personne) |
les deux contacts | même personne : oui ou non | oui / non |
| 28 | Classer une activité (appel, email, message) pour mettre le CRM à jour (activite-crm) |
l’activité | un type d’activité et son étape | choix |
| 29 | Filtrer le spam et les faux leads à l’entrée (spam-entree) |
la soumission de formulaire | réel ou spam | oui / non |
Comprendre son audience : ce que vos commentaires et vos abonnés disent de vos clients
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 30 | Transformer des commentaires en colonnes : parle d’un projet, décideur, demande la ressource (commentaires-colonnes) |
le commentaire et le titre de son auteur | trois oui ou non | oui / non |
| 31 | Classer les réacteurs d’un post : acheteur, pair, vendeur, recruteur (reacteurs-post) |
le titre de la personne | un profil parmi quatre | choix |
| 32 | Tagger un corpus de posts pour retrouver les idées de contenu (tagger-posts) |
chaque post | un thème parmi les vôtres | choix |
| 33 | Extraire la voix du client et les objections des commentaires (voix-client) |
le commentaire | une objection ou un besoin parmi une liste | choix |
| 34 | Choisir les fils de discussion où répondre maintenant (fils-repondre) |
le fil | une note d’intérêt | score |
Prioriser et décider : qui appeler en premier, et ce que l’agent fait seul
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 35 | Ordonner les leads à appeler en premier (ordre-appels) |
la fiche et l’historique | une note de priorité | score |
| 36 | Décider pour chaque compte : envoyer, creuser ou abandonner (envoyer-creuser-abandonner) |
la fiche et son score | envoyer, creuser ou abandonner | choix |
| 37 | Noter l’urgence de relance de chaque ligne d’un tableau (urgence-relance) |
la ligne | une note d’urgence | score |
| 38 | Scorer les devis morts pour décider lesquels rappeler (devis-morts) |
le devis et l’historique | une note de chances | score |
| 39 | Décider si l’agent envoie, attend ou demande à un humain (agent-envoie-attend) |
l’état de la conversation | envoyer, attendre ou escalader | choix |
| 40 | Choisir le prochain geste d’un agent parmi vos playbooks (prochain-geste) |
la situation du compte | un playbook | choix |
Choisir le bon message : décider avant d’écrire, contrôler avant d’envoyer
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 41 | Choisir l’angle ou la séquence adaptés à chaque prospect (angle-message) |
la fiche et vos angles | un angle parmi les vôtres | choix |
| 42 | Décider s’il y a assez de matière pour personnaliser l’approche (assez-de-matiere) |
ce qu’on sait du prospect | personnaliser ou message standard | oui / non |
| 43 | Contrôler un email rédigé par une IA avant envoi (controle-email-ia) |
l’email et le contexte | part ou à revoir | oui / non |
| 44 | Choisir la meilleure accroche parmi plusieurs variantes (meilleure-accroche) |
les variantes et le prospect | la variante retenue | choix |
| 45 | Vérifier qu’un événement de l’entreprise soutient l’angle proposé (evenement-angle) |
l’événement et l’angle | soutient : oui ou non | oui / non |
Marketing et publicité : les mêmes questions fermées, côté marketing
| # | Cas d’usage | Ce que Jev reçoit | Ce qu’il rend | Brique |
|---|---|---|---|---|
| 46 | Noter une création publicitaire : qualité, conformité, fatigue (creation-pub) |
le visuel ou le texte de l’annonce | une note par critère | score |
| 47 | Étiqueter les publicités des concurrents par étape du tunnel (pubs-concurrents) |
l’annonce | une étape du tunnel | choix |
| 48 | Prédire la performance d’un post avant publication (performance-post) |
le brouillon | une note | score |
| 49 | Décider les correctifs SEO d’une page (correctifs-seo) |
la page | un correctif parmi une liste | choix |
| 50 | Dire si un terme de recherche Google Ads vient d’un acheteur (terme-recherche-acheteur) |
le terme de recherche | acheteur : oui ou non | oui / non |
Le seuil de confiance, c’est là que tout se joue
Un LLM à qui tu demandes un rôle répond un mot, sans dire s’il hésite. Jev répond le mot et la distribution de probabilité derrière. Sur nos 5 000 intitulés LinkedIn, cette distribution était informative : quand Jev était sûr, il avait raison ; quand il hésitait, il se trompait une fois sur deux.
La règle que portent les 50 templates : au-dessus du seuil, la ligne se traite toute seule ; en dessous, elle part à un humain ou à un LLM. Le seuil se règle par cas (0,9 pour un tri de titres, 0,7 pour un score, 0,6 pour un oui / non subtil), et se recale sur tes données : pars haut, lis les lignes a_verifier, descends si elles étaient justes.
C’est ce qui rend le montage honnête. Jev ne remplace pas ton jugement sur les cas difficiles ; il te les isole, et il traite les autres.
Ce qu’on a mesuré
Le 21 septembre, j’ai fait relire par Jev les 5 079 intitulés LinkedIn de notre base, chacun déjà classé par un modèle de langage en fondateur, directeur, salarié, indépendant ou incertain. Résultat : 80 pour cent d’accord, 17 centimes, un quart d’heure. L’accord montait à 88 pour cent quand la probabilité de l’option choisie dépassait 0,9, et tombait à 42 pour cent sous 0,5. Sur 60 désaccords relus un par un, Jev avait raison 36 fois, l’ancien modèle 9 fois, 15 cas restaient ambigus. C’est le cas numéro 1, tel quel dans le dépôt.
Les 49 autres ont été passés sur leur fichier d’exemple de dix lignes le 22 septembre : 500 décisions, quelques centimes en tout. Les sorties sont dans le dépôt, à côté de chaque exemple, pour que tu voies ce que Jev rend avant de lui donner ton fichier.
Ce que ça ne fait pas
- Rédiger. Aucun texte ne sort de Jev. Le message, le résumé du compte, l’analyse du profil restent au LLM ou à toi, après le tri.
- Deviner ce qu’on ne lui donne pas. Le contenu envoyé est tout ce qu’il sait. Un titre seul ne dit pas la taille de l’entreprise ; si la décision en dépend, la colonne doit être dans le fichier.
- Le français les yeux fermés. Sur des données très françaises (juridique, administratif, intitulés d’agents publics), teste sur cent lignes et relis vingt désaccords avant d’en lancer dix mille.
- Garder tes données chez toi. Chaque ligne passe par l’API de TypeSafe, aux États-Unis. Même arbitrage que pour tout appel de modèle.
Pour commencer
- Le dépôt : github.com/iamachilles/jev-prospection (le script, les 50 questions, les exemples et leurs sorties, le skill Claude Code, licence MIT)
- Une clé : sur typesafe.ai. La documentation, et la page Confidence pour comprendre le seuil : docs.typesafe.ai
Tu as une liste à trier, qualifier ou dédoublonner ?
Envoie-nous le format de ton fichier et la décision que tu prends aujourd’hui à la main ou avec un LLM. En 30 minutes, on regarde lequel des 50 cas s’y branche, ce que ça coûterait sur ton volume, et ce qu’il faut garder pour un humain.
Découvrir comment mon entreprise peut devenir IA native →Vous voulez avancer ?
On construit les systèmes IA
que vos équipes pilotent.
Deux praticiens IA-natifs. Des résultats tangibles, chaque semaine.