J'ai construit un agent IA pour ma prospection : voici où il se trompe

Documenter mes IA en production m’amène parfois à documenter mes propres outils. En voici un que j’ai construit pour moi : un agent de prospection qui devait me faire gagner du temps chaque matin. Ce qu’il m’a le mieux appris n’est pas ce qu’il automatise bien, mais un endroit précis où il se trompe, avec confiance.

Ce que l’agent fait, chaque matin

Sous n8n, l’agent tourne seul et enchaîne quatre étapes :

1. Il lit mon CRM et récupère mes relations LinkedIn via l’API officielle Member Data Portability, sans aucun scraping.
2. Il enrichit chaque société avec des données publiques (Sirene, signaux d’activité BODACC).
3. Il note chaque contact avec un modèle de langage, selon ma cible de prospection.
4. Il rédige un brouillon de message personnalisé pour chaque contact retenu.

Sur le papier, il ne me restait plus qu’à valider et cliquer.

Là où l’IA s’est trompée, avec assurance

Le modèle de scoring ne recevait que le poste et le nom de la société du contact, pas sa phrase d’accroche LinkedIn. Résultat : il a placé en tête de classement, à 85 sur 100, des profils qui exercent exactement mon métier. Des ESN, des cabinets de conseil en IA.

Mes « meilleurs prospects », selon le score, étaient en réalité mes concurrents directs.

Sans le bon contexte, l’IA ne se trompe pas discrètement. Elle se trompe avec assurance, en affichant un score qui inspire confiance alors qu’il ne repose sur rien de pertinent.

Ce que ça change dans ma façon de travailler

Depuis ce constat, je relis systématiquement le haut du classement avant tout envoi. Je retire à la main les profils qui n’ont rien à faire là. Je réécris les messages que l’IA formule de travers.

C’est la même leçon que je retrouve sur mes autres projets d’IA en production : l’intelligence artificielle ne supprime pas le besoin de jugement humain, elle le déplace précisément là où ce jugement compte le plus. Industrialiser l’IA, ce n’est pas lui faire confiance partout. C’est savoir exactement où elle se trompe, et garder la main à cet endroit précis.

Le vrai correctif n’était pas l’IA, c’était la méthode

Ce cas illustre aussi pourquoi je commence toujours un projet d’automatisation par le process fait à la main, avant d’écrire la moindre ligne d’automatisation. C’est en observant mes propres critères de tri, manuellement, que j’ai repéré ce que le modèle de scoring ne voyait pas. Je reviens en détail sur cette méthode de construction dans un article dédié.