Les 5 agents IA Claude qui m'ont généré 565 RDVs en 2025 (et comment les construire)
J'ai construit 5 agents IA avec Claude qui tournent en production depuis plus d'un an.
+2,5 millions d'opérations / mois pour mes clients. 565 RDVs prospects générés en 2025.
Et aujourd'hui, je vous partage le fonctionnement détaillé de chaque agent, les cas d'usage concrets, et les clés pour construire votre propre système.
Parce que ces 5 agents, c'est ce qui fait la différence entre une acquisition qui spam et une acquisition qui convertit.
Pourquoi Claude (et pas GPT ou un autre LLM) ?
Avant de rentrer dans le détail de chaque agent, une question qu'on me pose souvent :
"Pourquoi tu utilises Claude et pas ChatGPT ?"
Après avoir testé les deux en production pendant des mois, voici ce que j'ai constaté :
→ Claude est nettement plus fiable sur les tâches de classification et de scoring structuré. Il respecte mieux les formats de sortie (JSON, scores sur 100, catégories strictes) sans "halluciner" ou inventer des données
→ Claude comprend mieux les nuances dans les profils LinkedIn francophones. Les intitulés de poste en français, les descriptions d'entreprise ambiguës, les secteurs d'activité — Claude les interprète avec plus de précision
→ Claude est plus "sobre" dans ses réponses. Quand je lui demande de rédiger un icebreaker ou un message de setting, il ne surjoue pas. Il écrit comme un humain, pas comme une IA qui essaie d'impressionner
→ L'API Anthropic permet le prompt caching, ce qui réduit les coûts de 90% sur les prompts récurrents. Quand vous traitez des milliers de leads par mois, ça fait une différence massive
Ce n'est pas un choix idéologique. C'est un choix basé sur 12 mois de données en production.
Agent n°1 — Le Classificateur de Persona
Le problème
Quand vous récupérez des leads depuis LinkedIn, en se basant sur les signaux d'engagement (visiteurs de profil, commentaires, followers, recherches Sales Navigator), vous obtenez un mélange de tout :
→ Des décideurs qui peuvent signer (CEO, DG, VP) → Des prescripteurs qui peuvent influencer (Directeurs marketing, Head of Sales) → Des opérationnels qui ne décident pas (stagiaires, freelances hors cible) → Des concurrents → Des profils complètement hors sujet
Trier manuellement ? Vous avez 45 minutes pour 10 leads. Et vous lâchez au bout du 20ème profil.
Ce que fait l'agent
L'agent de classification reçoit et traitement automatiquement chaque nouveau lead qui entre :
Il analyse : → L'intitulé de poste LinkedIn → La description du profil (headline + résumé) → Le nom et la description de l'entreprise → La taille de l'entreprise → Le secteur d'activité
Puis il attribue un persona parmi une liste définie pour chaque client. Par exemple :
- Persona A — Décideur direct : CEO, DG, fondateur d'entreprise de 10 à 500 personnes dans le secteur cible
- Persona B — Prescripteur : Directeur commercial, VP Sales, Head of Growth dans la même cible
- Persona C — Opérationnel : Sales manager, Business developer — peut être intéressant en nurturing
- Persona D — Hors cible : Étudiant, freelance hors secteur, concurrent identifié
La clé technique
Ce qui fait la différence avec un scoring basique :
Les règles de classification sont basées sur des patterns, pas sur des mots-clés exacts.
L'agent ne cherche pas "CEO" dans le titre. Il comprend que "Fondateur & Gérant", "Co-founder", "Dirigeant", "Président" sont des équivalents.
Il comprend aussi que "CEO" d'une entreprise de 2 personnes n'a pas la même valeur que "CEO" d'une entreprise de 200 personnes.
Le prompt est structuré pour que Claude raisonne par élimination :
- D'abord, est-ce un concurrent ? → Si oui, écarter immédiatement
- Ensuite, est-ce dans le secteur cible ? → Si non, écarter
- Puis, quel est son niveau de décision ? → Attribuer le persona
Résultat concret
→ 30% des leads sont écartés automatiquement avant même d'être contactés → Les leads restants sont correctement classifiés dans 95%+ des cas → Chaque client a sa propre liste de personas adaptée à son marché
Agent n°2 — Le Scoring de Maturité
Le problème
Même parmi les leads bien classifiés, il y a une différence énorme entre :
→ Quelqu'un qui a juste accepté votre invitation LinkedIn (signal faible) → Quelqu'un qui a visité votre profil, liké 3 posts, téléchargé votre lead magnet et travaille dans votre cible exacte (signal fort)
Contacter les deux de la même manière, c'est gaspiller vos meilleurs leads.
Ce que fait l'agent
L'agent de scoring attribue un score de 0 à 100% à chaque lead en croisant :
Données du prospect : → Correspond-il au persona idéal ? (pondération forte) → Taille de l'entreprise dans la fourchette cible ? → Secteur d'activité pertinent ? → Localisation géographique alignée ?
Signaux d'engagement : → A-t-il visité mon profil LinkedIn ? → A-t-il liké ou commenté un de mes posts ? → S'est-il abonné à ma page entreprise ? → A-t-il téléchargé un lead magnet ? → A-t-il visité ma landing page ? → Interagit-il avec mes concurrents ou leaders d'opinion ?
Signaux contextuels : → Vient-il de changer de poste ? (nouveau budget, nouvelles priorités) → Son entreprise a-t-elle levé des fonds récemment ? → Son entreprise recrute-t-elle sur des postes liés à mon offre ?
La clé technique
Le scoring n'est pas un simple comptage de points.
Claude analyse le contexte combiné des signaux. Un lead qui :
- A visité mon profil 3 fois en 7 jours
- Travaille dans une entreprise de 50 personnes dans le SaaS
- A commenté un post de mon concurrent sur la prospection
→ Ce n'est pas 20 + 15 + 10 = 45 points.
Claude comprend que la combinaison de ces signaux indique une recherche active de solution. Le score monte à 80%+.
À l'inverse, un CEO parfaitement dans la cible mais sans aucun signal d'engagement reçoit un score modéré (40-50%). Il sera contacté, mais pas en priorité.
Résultat concret
→ Je ne contacte que les leads au-dessus de 60% → Taux de réponse moyen en prospection : +40% → Un de mes clients atteint 91% de taux de réponse sur les leads scorés 80%+ → Les commerciaux ne perdent plus de temps sur des leads froids
Tu veux ces 5 agents IA en production sur ton business ? 🔥
Tu viens de voir comment l'Agent Classificateur élimine 30% de leads non qualifiés et comment l'Agent Scoring permet d'atteindre +40% de taux de réponse.
Et ce n'est que 2 agents sur 5.
→ Pas un SaaS de plus dans ta stack → Un système complet que tu possèdes et maîtrises → Déployé et personnalisé pour ton marché, tes personas, ton ton de voix
Agent n°3 — Le Générateur d'Icebreakers
Le problème
"J'ai vu que vous venez de rejoindre [entreprise], félicitations !" "Votre profil a retenu mon attention..." "En tant que [poste], vous devez sûrement..."
Ces accroches sont mortes. Tout le monde les utilise. Tout le monde les ignore.
Le problème n'est pas l'automatisation. Le problème, c'est que tout le monde automatise la même chose : des templates génériques avec un prénom et un nom d'entreprise en variable.
Ce que fait l'agent
L'agent d'icebreaker ne part pas d'un template.
Il part de l'activité réelle du prospect :
→ Ses derniers posts LinkedIn (de quoi parle-t-il ?) → Ses commentaires récents (quels sujets l'intéressent ?) → Son changement de poste éventuel (quel nouveau défi ?) → Les actualités de son entreprise (levée de fonds, recrutement, lancement produit)
Claude synthétise ces informations et rédige une accroche qui :
- Fait référence à quelque chose de spécifique (pas une flatterie générique)
- Apporte une observation pertinente (pas un pitch déguisé)
- Ne demande rien (pas de "seriez-vous dispo pour un call ?")
- Ressemble à ce qu'un humain curieux écrirait (pas à un message automatisé)
La clé technique
Le prompt est structuré pour que Claude respecte des contraintes strictes :
→ Maximum 3 phrases → Zéro question dans le premier message → Interdiction d'utiliser les mots "intéressant", "impressionnant", "retenu mon attention" → L'accroche doit pouvoir être envoyée par un humain sans modification
Un exemple concret — le cas d'un client dans le BTP :
Pour un de mes clients qui vend des services digitaux aux entreprises du BTP, on a construit un agent IA qui va encore plus loin qu'un simple signal LinkedIn.
Avant même d'envoyer un message, l'agent réalise un audit complet de la présence en ligne du prospect :
→ Son site web est-il fonctionnel ? A-t-il des landing pages dédiées par offre ?
→ Le tracking est-il en place (Google Tag Manager, suivi des conversions) ?
→ Quels réseaux sociaux sont actifs ? Quelle cohérence entre eux ?
→ Sa fiche Google My Business existe-t-elle ? Quelle note, combien d'avis ?
→ A-t-il de la publicité active sur Meta ou Google Ads ?
L'agent compile tout ça automatiquement et attribue un score de maturité digitale sur 10.
Résultat pour une entreprise de construction bois à Toulouse :
L'agent a détecté : site actif avec des landing pages existantes mais pas de tracking (GTM absent), une excellente fiche Google My Business (4.8/5, 19 avis) mais aucune publicité active ni sur Meta ni sur Google Ads. Score de maturité digitale : 6/10.
L'icebreaker généré s'appuie directement sur ces observations :
"Bonjour, voici les observations que je me suis noté : votre site dispose de landing pages dédiées à la construction bois et à l'aménagement, mais le GTM n'est pas détecté — cela vous empêche de suivre les demandes de devis. Vous bénéficiez d'une excellente note de 4.8/5 avec 19 avis Google, mais une publication hebdomadaire de réalisations pourrait augmenter votre taux de clic local de 25 à 35%. Vous avez prévu de mettre en place ces optimisations en ce début d'année 2026 ?"
Ce n'est plus un message de prospection. C'est un mini-diagnostic gratuit que le prospect ne peut pas ignorer — parce qu'il parle de SON entreprise, avec des données concrètes.
Le message est ensuite injecté automatiquement dans une campagne multicanale via La Growth Machine ou Lemlist, avec la variable {{icebreaker}} qui se remplit pour chaque prospect.
Résultat concret
→ Taux de réponses : +50% (vs 5% en moyenne avec des templates) → Chaque icebreaker est unique — zéro risque de "déjà vu" pour le prospect
Agent n°4 — Le Créateur de Contenus LinkedIn
Le problème
95% des posts LinkedIn écrits par l'IA se ressemblent.
Le même ton. Les mêmes structures. Les mêmes expressions ("Dans un monde où...", "La clé, c'est de...", "Et vous, qu'en pensez-vous ?"), des emojis "fusée" dans tous les sens
Les gens reconnaissent un post IA en 3 secondes. Et ça les fait fuir.
Ce que fait l'agent
L'agent de contenu ne génère pas des posts "à partir d'un sujet".
Il apprend la voix unique de chaque client :
→ J'entraîne l'agent avec 10-15 exemples de posts existants du client (ceux qui ont le mieux performé) → Claude analyse les patterns : longueur des phrases, vocabulaire récurrent, structure narrative, ton (formel, direct, humour, technique...) → L'agent intègre aussi la connaissance des personas cibles du client : quels problèmes les préoccupent ? Quel vocabulaire utilisent-ils ?
Quand le client veut créer un post, il fournit : → Le sujet ou l'angle qu'il veut traiter → Le pilier éditorial (conviction, éducation, storytelling, preuve...) → Des notes brutes ou des idées en vrac
Claude co-construit le post comme un ghostwriter : → Structure le contenu → Rédige dans la voix du client → Propose des accroches alternatives → Adapte le format (post standard, carousel, document)
La clé technique
Le secret, c'est le "voice prompt" — un prompt système qui capture l'ADN éditorial du client.
Ce prompt inclut : → Les expressions que le client utilise naturellement → Les expressions interdites (celles qu'il n'utiliserait jamais) → La structure type de ses posts (accroche courte + développement + CTA, ou narrative longue, etc.) → Son positionnement sur les sujets clés de sa niche → Les résultats concrets qu'il peut citer
Ce voice prompt évolue avec le temps. Après chaque feedback du client ("ce post me ressemble" / "ce post ne me ressemble pas"), l'agent s'affine.
Résultat concret
→ 0 post "générique IA" chez moi ou chez mes clients → Les posts maintiennent (voire améliorent) le taux d'engagement naturel du client → Temps de création d'un post : réduit de 80% (de 45min à ~10min de review) → Le client garde le contrôle total — il valide et ajuste chaque post
Agent n°5 — Le Setter IA
Le problème
Vous avez envoyé un bon message de prospection. Le prospect répond. Et là...
→ Vous êtes en réunion et vous répondez le lendemain (momentum perdu) → Vous répondez trop vite avec un message pushy ("Super ! On se cale un call ?") → Vous ne savez pas comment gérer un "je suis pas intéressé pour le moment" → Vous oubliez de relancer et le lead refroidit
Le setting (l'art de transformer une réponse en RDV), c'est là où 80% des leads sont perdus.
Ce que fait l'agent
Quand un prospect répond à un message de prospection, l'agent de setting analyse :
Le niveau d'intérêt : → Intérêt réel ("Oui, ça m'intéresse, on en parle quand ?") → Proposer un créneau directement → Curiosité ("C'est quoi exactement ?") → Donner de la valeur, pas un pitch → Politesse froide ("Merci mais pas pour le moment") → Nurturing doux → Objection ("On a déjà un outil pour ça") → Réponse contextualisée
Le ton de la réponse : → Formel → Réponse structurée et professionnelle → Décontracté → Réponse directe et naturelle → Pressé → Réponse courte et actionnable
Le contexte : → Historique de la conversation → Le persona du prospect (décideur vs prescripteur) → Le signal d'origine (comment il est entré dans le système)
Claude rédige ensuite une réponse que vous validez avant envoi.
La clé technique
L'agent de setting suit des règles strictes :
→ Ne jamais forcer un call. Jamais. Si le prospect n'est pas prêt, on nourrit la relation. → Matcher la longueur du message du prospect. S'il écrit 2 lignes, on ne répond pas un pavé. → Poser maximum 1 question par message. → Toujours apporter un élément de valeur (insight, ressource, observation). → Savoir désamorcer les objections sans être pushy.
Exemple concret :
Signal : Le prospect a liké 3 posts sur la prospection LinkedIn Message initial envoyé : Observation pertinente sur le sujet Réponse du prospect : "Intéressant, mais on utilise déjà Lemlist pour notre prospection"
Réponse du setter IA : "Lemlist fait bien le job pour l'envoi de séquences. La question que je vois souvent, c'est comment alimenter Lemlist avec des leads vraiment qualifiés et matures plutôt que des listes froides. C'est là que l'approche change pas mal de choses. Si le sujet vous parle, je peux vous montrer comment on structure ça — ça prend 20 minutes."
Pas d'attaque frontale. Pas de dénigrement de l'outil existant. Juste un élargissement de la réflexion.
Résultat concret
→ Taux de conversion réponse → call : nettement supérieur au setting manuel → Temps de rédaction des réponses : réduit de 90% → Zéro "lead grillé" par un message trop agressif ou mal calibré → L'humain reste dans la boucle : chaque réponse est validée avant envoi
Ce que ça change concrètement (en chiffres)
Imaginez ce que ça change pour votre prospection :
- Plus besoin de passer des heures sur Google.
- Plus besoin de payer une fortune en crédits pour Clay.
- Plus besoin de faire du copier-coller comme un robot.
Vous récupérez automatiquement toutes les infos pour personnaliser vos messages de prospection.
Et qualifier des centaines de prospects en quelques minutes grâce à l'IA.
De mon côté, j'ai intégré ça dans l'Allbound AI System.
Résultat : entre 40 et 50% de taux de réponse en prospection.
L'un de mes clients a même atteint 91% de taux de réponses.
Tu connais un dirigeant ou un commercial qui galère avec sa prospection LinkedIn ?
Envoie-lui cet article — ça pourrait lui faire gagner 10h par semaine et transformer son taux de réponse.
Si au contraire tu as des suggestions d'améliorations, envoie-moi un message en privé — c'est tout aussi précieux.
Tu veux recevoir les prompts exacts de ces 5 agents + les prochains systèmes que je construis ?
Rejoins les 10 000 abonnés de The World of AI. Chaque semaine, je partage un système, un prompt ou une stratégie d'acquisition que tu peux appliquer directement.
Comments ()