Agent IA prospection : ce qu'on lui confie, ce qu'on garde humain

Un agent IA de prospection est très bon pour lire des milliers de textes et dire lequel parle de votre prospect, et beaucoup moins bon pour décider seul à qui écrire et quoi lui dire. Toute la difficulté consiste à le placer au bon endroit de la chaîne, avec un contrôle derrière chaque verdict. Voici ce que j'ai appris en installant ces agents chez des PME industrielles et de services en 2026, avec les coûts réels d'un appel au modèle.

Qu’est-ce qu’un agent IA de prospection ?

Un agent IA de prospection est un programme qui confie à un modèle de langage (Claude, GPT, Gemini) une étape précise de la recherche de clients : lire une source, qualifier une entreprise, rédiger un premier jet, classer une réponse. Le mot « agent » laisse croire à un employé autonome. En pratique, les agents qui rapportent sont étroits : une tâche, une consigne écrite, une sortie fermée (« oui », « non », « impossible à vérifier ») et un contrôle derrière.

Le « SDR IA » (SDR pour Sales Development Representative, le commercial qui ouvre les conversations) est autre chose : un logiciel par abonnement qui promet tout le travail d’ouverture, de la liste à la relance. Et le système de prospection est la chaîne complète, dont chaque agent n’est qu’une pièce (c’est le métier décrit dans l’article sur le GTM Engineering).

Que fait bien un agent IA dans une chaîne de prospection ?

Il fait bien tout ce qui demande de comprendre le sens d’un texte, à grande échelle, quand la réponse peut se vérifier dans ce texte. Quatre usages reviennent dans toutes mes missions.

Lire la presse et les offres d’emploi pour détecter un signal

Un signal d’intention d’achat est un événement public (un recrutement, un investissement, une arrivée de dirigeant) qui rend une entreprise plus susceptible d’acheter maintenant ; la liste des signaux utiles est détaillée dans l’article sur les signaux d’intention d’achat. Le problème, c’est le volume : des centaines d’articles et d’annonces par jour, dont une poignée parle vraiment de votre sujet. Un mot-clé ne sait pas lire (« chaleur » apparaît dans un article sur la canicule comme dans l’annonce d’une chaufferie neuve), l’IA si, à condition de prouver ce qu’elle avance.

Sur une mission pour une PME qui vend de la chaleur industrielle, en septembre 2026, le tri gratuit par mots-clés placé avant l’IA faisait perdre la moitié des bons messages. On l’a retiré : depuis, l’IA juge tout ce que les sources rendent, parce que le coût du jugement reste faible devant les prospects perdus.

Rattacher un fait à la bonne entreprise

Détecter un fait ne suffit pas, il faut savoir de quelle entreprise il parle. L’IA lit très bien le nom d’un employeur dans une annonce. Elle se trompe facilement sur le rattachement, parce que les homonymes sont partout et qu’une ville ne désigne pas une entreprise.

Sur la même mission, au premier passage réel, deux annonces d’entreprises tierces ont réveillé cinq sites de la cible par simple coïncidence de commune. La règle depuis : l’IA propose un nom, un programme le rapproche de la base sur une clé forte (numéro SIREN, nom de domaine du site web), et un rapprochement qui laisse deux candidats possibles est abandonné. On préfère rater un vrai prospect qu’écrire au mauvais.

Rédiger un premier jet à partir d’un fait vérifié

L’IA écrit vite et bien une phrase qui relie un fait à votre offre. Ce qu’elle ne sait pas, c’est si ce fait est vrai, s’il concerne la bonne personne, et si votre commercial signerait la phrase. Dans les moteurs que j’installe, le corps du message est écrit à l’avance par des humains, dans la voix réelle du signataire relevée sur ses vrais emails. L’IA n’écrit que l’objet et la phrase d’ouverture liée au signal, et le tout part dans une file où un humain relit avant l’envoi.

Trier les réponses des prospects

Les outils d’envoi comme Instantly ou lemlist classent eux-mêmes les réponses avec une IA (intéressé, refus, absent). C’est utile pour fermer vite les refus nets. C’est risqué pour tout le reste, et je l’ai mesuré : sur une mission pour un cabinet d’avocats, sur 96 messages lus, l’outil annonçait 10 prospects intéressés dont 3 ne l’étaient pas, en oubliait 1, et comptait 27 réponses là où 15 avaient été écrites par une personne.

La règle qui en découle : l’outil ferme seul les refus nets, avec un bouton pour rattraper une erreur ; un répondeur d’absence n’arrête rien ; un humain lit tout le reste, en commençant par les intérêts.

Comment empêcher l’IA d’inventer ? Le programme collecte, l’IA juge, le programme vérifie

On empêche l’IA d’inventer en lui interdisant de rendre un verdict sans recopier, mot pour mot, la phrase de la source qui le prouve, puis en faisant vérifier cette phrase par un programme. C’est le montage que j’utilise partout, en trois temps.

1. Le programme collecte. Il interroge les sources, applique les règles qu’une machine lit sans se tromper (un pays, un code d’activité, un domaine d’adresse) et prépare les candidats. C’est gratuit et prévisible.
2. L’IA juge. Pour chaque candidat, elle répond par un verdict fermé (« confirmé », « absent », « impossible à vérifier ») et doit fournir une citation littérale tirée du texte qu’on lui a donné.
3. Le programme vérifie. Il cherche la citation, mot pour mot, dans le texte source. Si elle n’y est pas, le verdict est déclassé et rien ne s’écrit en base.

Pourquoi ça marche : une IA qui invente un fait n’arrive pas à fabriquer une phrase qui existe réellement dans l’article. L’invention échoue au contrôle, elle devient sans effet. Anthropic propose d’ailleurs une fonction de citations qui renvoie le passage exact du document fourni ; la documentation précise que ces citations pointent toujours vers un passage réel. Cela ne dit pas que le passage prouve le verdict : c’est pour ça que la consigne et le contrôle restent à écrire.

Sur une étude de marché pour un industriel des ingrédients en 2026, l’exigence de citation a fait tomber 52 entreprises que l’IA classait « producteurs de boissons » sans pouvoir le montrer dans leur site. Sur la mission du cabinet d’avocats, 1 059 avis clients ont été classés par 7 juges IA en parallèle : à l’audit final, 0 citation invalide et 0 identifiant inventé.

Le montage a une limite : la citation empêche l’invention, pas la complaisance. Un juge forcé de citer peut citer une phrase réelle qui ne prouve rien (un annuaire qui mentionne le site d’une entreprise, pris pour le site lui-même). Chaque échappatoire repérée en relisant un petit lot à la main devient une règle écrite dans la consigne : c’est ce calibrage qui sépare un agent qui tourne d’un agent qui a raison.

Même discipline pour l’agent lui-même : le résumé qu’une IA fait de son propre travail (« j’ai trouvé 40 entreprises qui recrutent ») n’est pas une preuve. On vérifie ce qui est en base, pas ce que l’agent raconte.

Que doit-on garder humain ?

Trois choses restent humaines dans tous les systèmes que je construis : le choix des cibles, la validation des messages, la relation.

Le choix des cibles. Décider quel marché viser, quels signaux comptent et à partir de quel score un compte mérite un message, c’est la stratégie commerciale. L’IA peut proposer, elle ne connaît ni vos marges, ni vos références, ni le client que vous ne voulez plus servir. Le score lui-même se règle avec l’équipe (voir l’article sur le scoring des comptes).

La validation des messages. Le niveau de relecture dépend de deux questions : combien d’entreprises compte votre marché, et le signataire engage-t-il une responsabilité professionnelle ? Dans un marché de quelques milliers de contacts, chaque compte grillé par un message raté est une part du marché perdue : un humain valide avant l’envoi. Pour un avocat ou un professionnel réglementé, le signataire valide le gabarit une fois et ce gabarit ne change plus au cas par cas. Dans un marché large, l’envoi peut devenir automatique une fois les modèles validés, avec un humain sur les cas où la donnée ne dit pas le sens d’un événement.

La relation. Le message part au nom d’une vraie personne, dans sa voix, et cette personne doit pouvoir poursuivre la conversation comme si elle avait écrit le premier message. Une IA qui répond aux objections à sa place crée un décalage que le prospect sent au premier appel.

Pourquoi le SDR IA 100 % autonome déçoit-il ?

Le SDR IA autonome déçoit parce qu’il optimise la personnalisation du message alors que ce qui fait répondre, c’est la pertinence du moment. « J’ai vu votre post sur LinkedIn » ne fait plus répondre personne : tout le monde reçoit dix messages de ce genre par semaine. Ce qui fait répondre, c’est un message qui n’aurait pas pu être envoyé à quelqu’un d’autre, parce qu’il part d’un fait vérifié et récent sur l’entreprise du destinataire.

Or un SDR IA vendu clé en main travaille le plus souvent sur une liste importée ou des filtres standard (secteur, taille, fonction), sans surveiller les événements de votre marché ni vérifier ce qu’il affirme. On obtient des messages bien tournés, envoyés au mauvais moment, avec parfois un fait faux dedans. Une variable piégée est plus dangereuse qu’une variable absente : sur une mission de 2026, une accroche générée a recopié telle quelle la note technique d’audit (« J’ai constaté Même thème WordPress « bridge » sur le snapshot Wayback… ») dans un message prêt à partir. On l’a attrapée à la relecture. Un agent autonome l’aurait envoyée.

C’est pour cette raison qu’en prospection à froid, je n’ai plus aucun client chez qui l’IA rédige seule le message entier : le texte vient de gabarits ou de blocs écrits par des humains, et l’IA n’intervient que sur la phrase qui relie le fait au reste, avant relecture. C’est moins spectaculaire qu’un agent qui « prospecte tout seul », et c’est ce qui protège votre marché.

Quelles tâches confier à un agent IA, et avec quel garde-fou ?

Voici la grille que j’applique, tâche par tâche.

Tâche	L’IA peut-elle la faire seule ?	Garde-fou
Collecter les sources (presse, annonces, registres)	Non, c’est le travail d’un programme	Programme qui interroge les sources et journalise chaque appel
Exclure par règle (pays, code d’activité, domaine)	Non, une règle le fait mieux et gratuitement	Règle écrite, appliquée avant l’IA
Juger si un texte contient un signal	Oui	Verdict fermé et citation littérale vérifiée par un programme
Rattacher un fait à une entreprise	Elle propose, elle ne décide pas	Rapprochement par SIREN ou domaine ; deux candidats possibles = abandon
Choisir les comptes à contacter	Non	Score réglé avec l’équipe commerciale
Rédiger l’objet et la phrase d’accroche	Oui, en premier jet	Fait vérifié en entrée, voix du signataire, file de validation humaine
Rédiger le corps du message	Non	Gabarits ou blocs écrits et validés à l’avance
Classer les réponses	Seulement les refus nets	Bouton de rattrapage ; un humain lit le reste
Répondre au prospect	Non	Le signataire répond lui-même
Rendre compte de son propre travail	Non	Vérification dans la base, pas dans le résumé de l’agent

Combien coûte un agent IA de prospection ?

Un appel à un modèle coûte entre une fraction de centime et un centime de dollar selon la tâche et le modèle choisi. Voici les tarifs officiels de la grille de prix de l’API Claude, en dollars par million de jetons (un jeton est un morceau de mot, l’unité de facturation des modèles) :

Modèle	Entrée (texte lu)	Sortie (texte écrit)	Usage type en prospection
Claude Haiku 5.5 (requêtes de moins de 100 000 jetons)	0,10 $	0,50 $	Tri de masse : ce texte parle-t-il de mon sujet ?
Claude Sonnet 5.5	2 $	10 $	Rédaction d’une accroche, jugement difficile
Claude Opus 5.5	4 $	20 $	Jugement délicat sur un petit reste de cas

La méthode de calcul, avec des volumes donnés en exemple (à mesurer sur vos propres textes avec l’outil de comptage des jetons) :

• Juger un article de presse avec Haiku 5.5 : 3 000 jetons lus (consigne et article) × 0,10 $ ÷ 1 000 000 = 0,0003 $, plus 150 jetons écrits (verdict et citation) × 0,50 $ ÷ 1 000 000 = 0,000075 $. Total : environ 0,04 centime de dollar par article, soit 0,38 $ pour 1 000 articles.
• Le même jugement avec Sonnet 5.5 : 3 000 × 2 $ ÷ 1 000 000 + 150 × 10 $ ÷ 1 000 000 = 0,0075 $, soit 7,50 $ pour 1 000 articles.
• Rédiger l’objet et l’accroche avec Sonnet 5.5 : 4 000 jetons lus (consigne, voix du signataire, fait du signal, fiche entreprise) × 2 $ ÷ 1 000 000 = 0,008 $, plus 200 jetons écrits × 10 $ ÷ 1 000 000 = 0,002 $. Total : environ 1 centime de dollar par message.

Deux leviers réduisent la facture. Le traitement par lots (Batch API), pour tout ce qui peut attendre quelques heures, divise le prix par deux. La mise en cache de la partie fixe de la consigne la facture à 5 % du prix d’entrée sur Sonnet 5.5 quand elle est relue.

Ces montants sont faibles. Ce qui coûte, c’est le volume que personne ne surveille. Sur une mission d’écoute des forums en 2026, l’estimation de départ (moins de 50 $ d’IA par mois) a été démentie par un compte vidé en 6 jours. Un agent en production a donc un plafond de dépense écrit dans sa configuration, et son coût se lit sur la facture du fournisseur, jamais sur l’estimation.

Côté droit, une précision : en B2B, la CNIL admet la prospection par email sans consentement préalable quand le message a un rapport avec la fonction de la personne, à condition qu’elle ait été informée et puisse s’y opposer simplement à chaque message. Qu’un agent IA ait écrit l’accroche ne change rien à cette obligation.

Par où commencer lundi matin ?

Commencez par une seule tâche de lecture, pas par un agent qui fait tout. Prenez la source que vos commerciaux consultent déjà à la main (la presse régionale de votre secteur, les offres d’emploi de vos cibles, les avis d’attribution de marchés) et écrivez en une phrase la question à laquelle l’IA doit répondre pour chaque texte, avec les trois réponses possibles.

Ensuite, faites juger 50 textes, en exigeant la citation, et relisez les 50 vous-même. Notez chaque erreur et transformez-la en règle dans la consigne. Vous saurez en une demi-journée si le signal vaut un agent, combien il coûte et combien de faux positifs il laisse passer.

Gardez pour la suite la rédaction, l’envoi et le classement des réponses : ils ne servent qu’une fois la détection juste. Si vous voulez voir comment ces étapes s’enchaînent dans un système complet, la page prospection par signaux d’intention décrit la chaîne, et l’article sur les automatisations RevOps montre comment brancher le résultat dans votre CRM.

Questions fréquentes

Un agent IA peut-il remplacer un commercial en prospection ?

Non, il remplace une partie de son temps de recherche, pas sa relation avec le prospect. L’agent lit les sources, repère les signaux et prépare un premier jet. Le commercial choisit les cibles, valide les messages et mène la conversation quand le prospect répond.

Quelle IA utiliser pour la prospection B2B : Claude, ChatGPT ou Gemini ?

Les trois savent juger un texte et rédiger une phrase. Comparez-les sur un lot test : prix par million de jetons, fidélité des citations, stabilité des verdicts. J’utilise Claude, avec Haiku pour le tri de masse et Sonnet pour la rédaction.

Combien coûte l’IA pour 1 000 messages de prospection ?

Avec Claude Sonnet 5.5 au tarif, rédiger l’objet et l’accroche de 1 000 messages coûte de l’ordre de 10 $, sur la base de 4 000 jetons lus et 200 écrits par message. Juger 1 000 articles de presse avec Claude Haiku 5.5 coûte moins de 1 $. Le coût réel se vérifie sur la facture du fournisseur.

Comment éviter que l’IA invente des faits dans un message de prospection ?

En exigeant une citation mot pour mot de la source pour chaque fait, puis en faisant vérifier cette citation par un programme avant que le fait soit utilisé. Un fait sans citation retrouvée n’entre jamais dans un message. Le corps du message reste écrit à l’avance par des humains.

Peut-on laisser l’IA répondre seule aux prospects ?

Il est raisonnable de laisser l’outil fermer les refus nets, avec un bouton de rattrapage. Pour tout le reste (intérêt, question, réponse ambiguë, collègue qui transfère), un humain lit et répond. Sur 96 réponses lues lors d’une mission, l’IA d’un outil d’envoi avait annoncé 3 faux intérêts et raté 1 vrai.

Faut-il savoir coder pour installer un agent IA de prospection ?

Pour un premier test, non : une liste de textes et une consigne bien écrite suffisent à mesurer si un signal vaut l’effort. Pour un agent qui tourne chaque jour, avec vérification des citations et plafond de dépense, il faut un outil d’automatisation comme n8n et quelqu’un pour le monter et le surveiller.

Sources

Sources : fonction de citations (platform.claude.com) ; grille de prix de l'API Claude (platform.claude.com) ; outil de comptage des jetons (platform.claude.com) ; CNIL (cnil.fr). Les méthodes, exemples et cas présentés sont ceux de L’Agence GTM.