Comment confier sa prospection à un agent IA ?

C’est notre deuxième webinaire. Le premier posait la thèse : une entreprise IA native est d’abord une entreprise data first, et on la construit cas d’usage par cas d’usage, pas en un seul gros chantier.

Aujourd’hui, on prend le premier cas d’usage qu’on a déployé pour nous : la prospection. On l’a choisi parce qu’il est proche de la création de notre donnée, et parce que c’est le travail qu’on a le moins envie de faire à la main. On ouvre le capot en grand : la donnée, le repo, les skills, les coûts. Vous repartez avec de quoi construire le vôtre.

L’agent s’appelle Melvin. (Vous l’avez peut-être croisé dans notre premier webinaire sur l’entreprise IA native, où il tient le rôle de l’agent acquisition. Ici, on entre dans la machine.)

Prospecter à la main ne tient pas, et le workflow a trois plafonds

Il y a trois façons de qualifier et contacter des prospects : à la main, avec un workflow, avec un agent.

À la main, on a tous essayé. Ouvrir le profil, lire le parcours, aller voir la boîte, chercher les signaux, écrire un message, noter la relance quelque part. Colin a tenté de s’y tenir plusieurs fois. Il ne s’y est jamais tenu. Ça ne passe pas l’échelle, et on ne le recommande pas.

Le piège, c’est de croire que le concurrent de l’agent, c’est cette prospection manuelle. Non. Le vrai concurrent, c’est le workflow : Clay, Make, n8n. Ces outils règlent le volume, et ils sont très bien pour beaucoup de cas. Mais ils butent sur trois plafonds.

1. L’apprentissage. Un workflow déterministe n’apprend pas. Vous pouvez glisser un appel IA sur une étape (le copywriting, par exemple), mais c’est manuel, et seulement sur une partie du flow. Jamais la boucle fermée sur la qualification ET le message.
2. La rigidité par canal. Ajouter une étape, c’est de la plomberie : les bons outils, les bons connecteurs. Avec un agent, vous êtes à un prompt d’une modification, sur n’importe quelle étape.
3. Le coût. Un outil type Clay, premier plan utilisable avec accès API, c’est 500 € par mois. Puissant, mais ça chiffre vite. Et c’est un métier : la compétence que vous y gagnez ne sert que pour cet outil.

À l’inverse, apprendre à entraîner un agent (ou à manier Claude Code) est une compétence transposable à n’importe quel autre périmètre. C’est là qu’il est plus malin d’investir votre temps.

Extrait du webinaire : prospecter à la main, avec un workflow, ou avec un agent autonome.

Notre réponse : un agent en boucle fermée

Ce qu’on appelle un agent, ce n’est pas un assistant de plus. C’est une boucle fermée : il revient au départ, analyse la qualité de ses outputs selon une métrique (chez nous, le taux de réponse), et s’améliore. Pas sur une seule étape : sur l’intégralité du workflow.

On est loin de l’agent 100 % autonome. Mais cette capacité d’auto-amélioration, sur la qualification ET sur le message en même temps, c’est exactement ce qu’aucun outil déterministe ne fait. C’est le cœur de ce qui suit.

La frontière : une infra pose les rails, un agent conduit le train

C’est la décision la plus importante, et la plus mal comprise : on ne met pas de l’IA partout.

L’image qu’on utilise : une infrastructure pose les rails et amène le train à quai. L’agent est le conducteur. Il choisit les embranchements, il améliore le train, mais il ne touche pas aux rails.

• La moitié déterministe (les rails). L’ingestion des signaux et la disqualification large. Du code, en dur. Robuste, suivi, coût quasi nul. Sa règle : on disqualifie, on ne qualifie pas. On ouvre large pour ne jamais louper un bon lead.
• La moitié intelligente (le conducteur). L’agent. Le champ libre pour juger finement le profil, faire de la recherche, écrire le message, choisir le canal. C’est là, et seulement là, qu’on met le raisonnement.

Pourquoi séparer ? Deux raisons. La spécialisation d’abord : un agent, c’est un périmètre et des skills, et comme un humain, plus il est expert d’un sujet précis, meilleur il est. On ne veut pas un agent qui connaît tout le marketing, sait coder et tient un discours commercial. On veut un expert d’un métier : ici, le rôle d’un SDR. Le coût ensuite : un agent réfléchit, et réfléchir coûte des tokens. Une infra déterministe exécute un script sans se poser de questions. Vous ne payez l’intelligence que là où elle a un vrai gain : un jugement à capitaliser, un feedback à apprendre.

Tout part d’une donnée centralisée

On ne part pas d’une liste froide. On part de gens qui nous connaissent déjà. Trois signaux alimentent l’agent.

1. L’engagement LinkedIn qu’on génère : un like, un commentaire ou une vue de profil sur un de nos posts.
2. La participation à un webinaire comme celui-ci : un inscrit entre dans le flux, exactement comme un engagement.
3. L’offre d’emploi IA, un signal externe : une PME qui recrute un profil IA structure sa fonction. Elle a le budget et l’intention.

Le réflexe naïf serait de transmettre ces signaux directement à l’agent. Le réflexe IA native, c’est de tout faire atterrir dans une base centrale (chez nous, Supabase), et de brancher l’agent dessus. Un prospect qui rentre a peut-être déjà un historique, d’autres engagements, une relation passée. La qualité de l’output est infiniment meilleure quand l’agent lit une donnée unifiée plutôt qu’un signal isolé. C’est aussi ce socle qui vous permettra de brancher d’autres agents plus tard. (On détaille cette logique dans notre article sur la donnée, prérequis des agents.)

Extrait du webinaire : la donnée centralisée et la frontière déterministe / IA.

Le gate déterministe : on disqualifie, on ne qualifie pas

Première étape du workflow : un script, sans IA ou presque, qui disqualifie large. Il ne cherche pas à qualifier finement. Il tue uniquement les certitudes négatives et laisse passer tout le reste.

Ce qu’il écarte avec haute confiance : une entreprise hors de France, une structure hors cible (association, public, éducation), un solo ou freelance (3 personnes et moins), un grand compte (plus de 2000), un étudiant ou alternant, un salarié sans aucun marqueur de direction, une relation commerciale déjà existante.

Sa règle d’or : dans le doute, on laisse passer. C’est l’agent qui tranchera. Mieux vaut payer un peu d’analyse sur un lead moyen que rater un bon lead. Cette étape est gratuite, ou presque, et elle élimine le gros du tout-venant avant de dépenser le moindre token d’intelligence.

Melvin, étape par étape : d’un signal à une conversation

Une fois passé le gate, le lead arrive à l’agent. Ce qui suit n’est pas de la magie : ce sont des skills, des procédures, sur lesquelles il applique son jugement.

1. Gate fin. Il juge lui-même si le lead vaut une analyse complète. Il passe, il écarte net (et l’écrit en base sans rien dépenser), ou il doute (et lève le doute avec un seul enrichissement).
2. Il charge le contexte. La personne, sa boîte, le contenu qu’elle a engagé, les signaux liés.
3. Calibration. Il relit en silence les feedbacks passés et les réponses déjà obtenues, pour appliquer ce qu’il a appris.
4. Deep research. Il scrape le site de la boîte, cherche le funding et l’actu. C’est lui qui décide quels outils invoquer.
5. Red flags. Concurrent direct, solopreneur déguisé, boîte morte, posture anti-IA.
6. Brouillon et canal. Il rédige le message et résout le canal en direct. Premier degré : message complet. Deuxième ou troisième degré : invitation avec note courte. Profil injoignable : passage en manuel, ou pivot email.
7. Il écrit en base son verdict et son brouillon.
8. Verdict dans Slack. Un message actionnable : qui est ce lead, quel signal il a émis, pourquoi lui, l’historique, et le brouillon proposé.

L’humain valide en un mot

On n’a pas voulu automatiser jusqu’au bout. Melvin nous envoie ses propositions dans Slack, et on répond en langage naturel, comme à un collègue : envoie, invite, modifie : ..., trouve l'email, pourquoi, skip.

Un garde-fou qu’on code dès le départ : l’agent écrit en base et poste dans Slack, mais il n’envoie jamais un message tout seul. L’envoi est toujours déclenché par une action humaine. Et c’est exactement ça, un agent : un collègue qui vous dit ce qu’il fait à longueur de journée, et avec qui vous discutez.

Comment il apprend, et modifie ses propres skills

C’est le vrai fossé avec un workflow. Notre framework intègre plusieurs mécaniques d’auto-amélioration.

La mémoire vive. À chaque run, l’agent relit les feedbacks qu’on lui a donnés. Pas de fine-tuning : juste la mémoire de ce qui marche, calibrée sur votre métier. Un exemple : on lui a dit une fois que pour des dirigeants, mieux vaut écrire « bonjour » que « hello ». Il l’a noté, il le relit à chaque fois, il ne refait plus l’erreur. Autre exemple : il avait écrit « j’ai vu que vous aviez 208 clients », on lui a fait remarquer qu’un humain dirait « plus de 200 clients ». Corrigé pour toujours.

La mémoire longue. Le plus fort : l’agent a les outils pour ouvrir son propre cerveau et le modifier. Quand il repère un comportement à corriger de façon récurrente, il édite lui-même le skill concerné. Un cas vécu : on avait limité la cible aux entreprises de 50 à 200 personnes. À force de nous voir qualifier des boîtes plus petites, il a ouvert son skill et élargi lui-même la fourchette à 10 personnes.

L’auto-analyse hebdomadaire. En plus, on a orchestré un rendez-vous : une fois par semaine, l’agent reprend ses qualifications avec un contexte neuf et s’autocritique. « Là j’ai bien jugé. Là, à la lumière de nouveaux éléments, j’aurais pu mieux faire. » Ce n’est pas magique : c’est nous qui déclenchons ce rendez-vous chaque semaine. (Sur le bon niveau d’autonomie à confier, voir calibrer l’autonomie d’un agent.)

Extrait du webinaire : spécialiser un agent et le faire apprendre.

Ce qu’il y a sous le capot

Le squelette d’un agent, c’est un repo GitHub. Rien de plus. Avec le framework open source qu’on utilise (Hermès), il s’organise en quelques fichiers : soul.md (l’âme de l’agent, sa personnalité, l’équivalent d’un system prompt), user.md (la description de vous, l’utilisateur), skills/ (les process, une procédure par tâche), tools/ (des scripts Python qui donnent accès aux API des outils), et memory/ (où il stocke ses préférences et ce qu’il apprend).

Le plus gros skill de Melvin, c’est l’analyse : « analyse un fondateur de PME entre 10 et 200 personnes pour savoir s’il faut le contacter ». Tout y est décrit : les outils disponibles, la procédure, ce qu’il doit prendre en compte.

Et la stack qui fait tourner le tout, six briques branchables en quelques heures :

• Hermès, le framework open source : mémoire, skills, auto-amélioration. Gratuit.
• Unipile, la connexion LinkedIn par API (lire les engagements, envoyer, lire les réponses, jusqu’à 10 profils). ~50 €/mois.
• Airscale, l’enrichissement (email pro, firmographie, profil). ~50 €/mois.
• Supabase, la base de données centrale. Quasi gratuit.
• Railway, l’hébergeur pensé pour les agents (always-on). ~6 à 10 €/mois.
• OpenRouter, l’accès aux modèles, agnostique : Claude, OpenAI, Mistral, ce que vous voulez. Tokens à l’usage.

Ce que ça coûte vraiment

L’écart se fait sur l’orchestration. Un séquenceur par siège, c’est 70 à 100 € par mois ; un orchestrateur type Clay, 300 à 500 €. Chez nous, Unipile remplace le séquenceur (50 €, jusqu’à 10 profils), et l’orchestration tient sur Railway, Supabase et OpenRouter (tokens à l’usage). Au total, environ 75 € par mois contre 500. L’enrichissement (environ 50 €) est nécessaire des deux côtés. Selon le volume, l’économie va de 50 à 75 %, jusqu’à 90 % dans les cas extrêmes.

L’entraînement de Melvin nous a coûté environ 100 € de tokens. C’est une limite haute : on a eu la gâchette facile en l’entraînant beaucoup dans Slack. En passant par Claude Code pour construire et corriger les skills (abonnement déjà payé), ce coût tombe quasiment à zéro. En run, comptez quelques centimes par lead simple, et jusqu’à environ 1 € sur un lead qui déclenche la deep research. Pour un lead très qualifié, c’est tout à fait raisonnable.

Agent autonome ou assistant : la nuance qui change tout

Aujourd’hui, la majorité de ce qu’on appelle « agent », ce sont des assistants : ChatGPT, Claude, Dust. Géniaux pour la productivité, mais c’est vous qui les pilotez, en allers-retours.

Un agent autonome, une fois entraîné, tourne sur son périmètre sans que vous y pensiez. Dès qu’un signal entre, le lead est qualifié et contacté si c’est pertinent. Vous avez juste la notification Slack, et vous validez.

La preuve, en vrai : vous avez peut-être reçu une relance pour vous inscrire à ce webinaire. C’est l’agent qui l’a envoyée. En préparant le live, Achille dit à Colin « c’est super, les relances de Melvin sont bien parties ». Colin n’avait même pas reçu de notification : cette partie est automatisée, personne n’y a pensé, les relances sont parties, et vous êtes là. Ce n’est plus de la supervision. C’est de la délégation.

Les limites, honnêtes

• Le coût n’est pas nul. Une centaine d’euros de tokens pour l’entraînement, plus l’enrichissement, plus quelques centimes à 1 € par lead. Négligeable au regard des résultats, mais réel.
• Signal, pas volume. Melvin transforme un signal en conversation. Pour du cold à très grand volume, un outil type Clay reste plus adapté et moins cher. Notre terrain, ce sont les signaux et les listes qualifiées de quelques centaines de contacts.
• L’humain reste le cerveau. On entraîne, on fournit l’expertise et le jugement. L’agent applique. La phase d’entraînement dure quelques semaines avant qu’on lâche la validation.
• Le temps de mise en place. Le gros du travail n’est pas technique : c’est de comprendre et documenter vos process avant de les déléguer. Passer d’un prototype à un système production grade demande plusieurs semaines pour éliminer les cas particuliers.

On ne vend pas Melvin

On ne commercialise pas Melvin tel quel. Ce qu’on fait, c’est qu’on construit l’équivalent pour nos clients, calibré sur leur métier, leurs outils, leurs workflows. Un agent reste des process et des workflows, et les vôtres ne sont pas les nôtres.

Le vrai travail de valeur, c’est de transformer une entreprise dans cette vision IA native (la donnée centralisée et le changement de process qui va avec), pour qu’ensuite les agents soient vraiment efficaces. Et ce n’est pas qu’un agent : c’est autant d’agents que de métriques à porter. On a déjà les nôtres pour le contenu, l’observabilité, la veille, l’audit.

Aujourd’hui, on est en co-création : on entraîne sur des signaux qualifiés, l’humain valide. Demain, la délégation réelle : on passe à l’agent une liste de leads, il décide comment les contacter, il crée les campagnes, il mesure, et il s’améliore semaine après semaine.

La présentation du webinaire

Vous préférez les slides ? La présentation complète qui a servi de support au webinaire est disponible en téléchargement.

Télécharger la présentation (PDF)

FAQ

C’est quoi Railway, et pourquoi pas un simple hébergeur web ?

Railway héberge l’agent pour qu’il soit toujours actif et activable (par Slack, par un webhook). Un hébergeur classique ferait le job, mais Railway est pensé pour les agents IA : le service ne dort jamais, donc pas de délai de réveil, et la sécurité comme l’uptime sont gérés pour vous.

Pourquoi le framework Hermès plutôt qu’un agent généraliste ?

Hermès est focus : auto-amélioration des skills, création de skills, mémoire intégrée. C’est exactement ce qu’on cherchait pour des agents autonomes sur un scope précis. Un agent généraliste est plus un assistant personnel polyvalent qu’un contributeur autonome sur un périmètre défini.

L’agent est-il personnalisable ?

Entièrement. Les signaux d’entrée sont de simples inputs. Côté outils, tant qu’il existe un MCP ou une API, il n’y a pas de limite à ce que vous connectez. Côté modèle, on passe par un routeur comme OpenRouter : vous branchez Claude, OpenAI, Mistral ou un modèle que vous hébergez vous-même.

Combien de temps pour le mettre en place ?

L’infra de base, une petite demi-journée si vous avez une bonne maîtrise de Claude et une compréhension des API. Les skills et workflows, d’une journée à plusieurs, selon la maturité de vos process. Pour un système vraiment stable, comptez plusieurs semaines de réglage en conditions réelles.

Faut-il LinkedIn Premium ?

Si LinkedIn est votre canal principal, oui. Sans Premium, vous ne voyez pas les vues de profil (donc on ne peut pas les récupérer comme signal), et vos limites d’invitation sont vite atteintes. LinkedIn pousse à jouer le jeu dès qu’il y a du volume.

L’auto-amélioration, c’est magique ?

Non. Il y a toujours un déclencheur : un feedback que vous donnez, ou un rendez-vous hebdomadaire qu’on a programmé. L’agent ne se réinvente pas tout seul dans le vide, et les modifications de fond restent sur validation humaine.