Agents IA Claude pour la prospection B2B : cas pratique avec N8N

La prospection B2B reste l'une des activités les plus chronophages des équipes commerciales : trier des listes de contacts, enrichir les données, rédiger des emails personnalisés, suivre les relances. Un commercial passe en moyenne 21 % de son temps sur ces tâches répétitives (HubSpot State of Sales, 2025). Nous avons construit pour un client SaaS belge un workflow d'agent IA qui automatise 80 % de ce travail. Voici l'architecture et les résultats réels.

Pourquoi Claude plutôt que GPT-4 pour ce cas d'usage

Nous avons testé les deux. Claude 3.7 Sonnet s'est imposé pour trois raisons : sa fenêtre de contexte étendue permet d'ingérer un profil LinkedIn complet + le site web d'une entreprise en une seule requête ; ses capacités de raisonnement sur des critères de qualification complexes sont supérieures sur des grilles ICPs multicritères ; et son API est plus prévisible en latence sur des workflows haute fréquence (200-500 requêtes/jour).

Architecture du workflow N8N

1. 1Trigger : nouveau lead entrant dans HubSpot CRM (via webhook N8N).
2. 2Enrichissement : appel à l'API Apollo.io pour récupérer données firmographiques (secteur, taille, revenus estimés, stack technologique).
3. 3Scraping du site web : nœud N8N HTTP Request + extraction du texte visible (homepage + page /about + page /pricing si existante).
4. 4Analyse Claude : prompt structuré qui évalue le lead sur 8 critères ICP (secteur, taille, budget estimé, maturité digitale, douleurs probables, fit produit).
5. 5Score de qualification : Claude retourne un JSON structuré avec un score 0-100 et un motif de qualification ou de disqualification.
6. 6Routage : si score ≥ 70, création d'une tâche Asana pour le commercial avec un brief personnalisé ; si score < 70, lead archivé avec tag + email de nurturing automatique.
7. 7Email de premier contact : si score ≥ 85, Claude génère un email de prospection personnalisé de 150-200 mots en s'appuyant sur les données enrichies.

Le prompt de qualification : structure et logique

Le prompt de qualification est le cœur du système. Il doit être déterministe et retourner un JSON parsable. Nous utilisons un system prompt qui définit le persona de l'agent (expert en qualification B2B SaaS), les 8 critères pondérés de l'ICP, des exemples de scores annotés (few-shot), et une instruction stricte de format de réponse JSON. L'output parsing est géré par un nœud N8N Code avec validation Zod pour s'assurer que Claude respecte le schéma.

5 erreurs à éviter dans ce type d'architecture

• Ne pas versionner vos prompts : un changement de prompt sans historique casse votre système de scoring. Stockez vos prompts dans un fichier versionné ou une table de base de données.
• Appeler l'API Claude de façon synchrone sur chaque lead : mettez en place une file d'attente (N8N Queue mode ou Redis) pour absorber les pics de trafic sans dépasser les rate limits.
• Ignorer les hallucinations sur les données d'enrichissement : Claude peut inférer des informations non sourcées. Distinguez dans le prompt ce qui est 'donné' (Apollo data) de ce qui est 'inféré' (analyse Claude).
• Ne pas monitorer le coût API : 500 requêtes/jour à 2000 tokens input + 500 tokens output représentent ~12 €/jour sur Claude Sonnet. Surveillez avec les logs d'usage Anthropic.
• Oublier le fallback humain : si la confiance du score est faible (ex : données insuffisantes), le workflow doit router le lead vers une file humaine, pas le disqualifier automatiquement.

Évolutions futures : vers un agent mémoire longue durée

La prochaine itération intègre une couche de mémoire persistante via une base vectorielle (Supabase pgvector) : l'agent mémorisera les interactions passées avec chaque compte, les patterns de leads convertis vs churned, et affinera son scoring en temps réel. C'est le passage d'un système de règles augmenté par l'IA à un véritable agent apprenant.