Si vous faites de la bonne prospection, il est très probable que vous receviez des réponses parfois positive et parfois négative, en tout cas, il va se passer quelque chose. Tout l’enjeu de ces réponses est la réactivité. Plus vous êtes rapide à prendre en charge tes réponses, plus vous aurez de bons résultats. Que la réponse soit positive ou négative, il faut être le plus réactif possible. Idéalement, appeler directement le prospect au téléphone !
On pourrait se dire qu’un commercial peut très bien être notifié des réponses et les prendre en charge manuellement, mais ce qui fait qu’un commercial est efficace, c’est qu’il s’est alloué des créneaux de travail dont il ne doit jamais sortir. S’il est coupé toutes les 30 minutes par une notification de réponse, il n’arrivera pas à travailler correctement. Il faut donc que ces réponses soient traitées différemment.
Les catégories qui comptent vraiment
Avant de parler de modèle, il faut une taxonomie courte et actionnable. Celle que j’utilise :
| Catégorie | Exemple de réponse | Action automatique |
|---|---|---|
| Intéressé | « Oui, proposez-moi un créneau » | Stop séquence, tâche urgente, lien de réservation |
| Question | « Ça marche avec Salesforce ? » | Stop séquence, tâche pour réponse humaine sous 30 min |
| Plus tard | « Pas avant Q1, revenez en janvier » | Stop séquence, tâche datée, propriété relance_le |
| Redirection | « Voyez avec Marc, notre DSI » | Stop séquence, création du contact Marc, tâche contacter Marc |
| Pas intéressé | « Non merci » | Stop séquence, statut « refus », et réponse interrogative pour essayer de creuser pas de relance 6 mois |
| Désabonnement | « Retirez-moi de votre liste » | Stop toutes séquences, opposition marketing, jamais de relance |
| Absence | Réponse automatique out-of-office | Pause séquence jusqu’à la date de retour, contacter quelqu’un d’autre en mentionnant le out-of-office du collègue |
| Parti | « X ne travaille plus ici » | Statut « parti », déclenche le workflow changement de poste |
| Hostile | « Arrêtez de me spammer » | Stop tout, tag hostile, revue humaine |
| Inclassable | Tout le reste | Revue humaine |
Dix catégories, dont une poubelle explicite. La poubelle est importante : un classifieur qui n’a pas le droit de dire « je ne sais pas » invente.
Choisir le bon modèle
Ce n’est pas une tâche difficile pour un modèle de langage en 2026. Les petits modèles suffisent, et ils sont rapides et peu coûteux :
- Claude Haiku (Anthropic) : rapide, bon en français, excellent respect du format de sortie.
- Mistral Small (Mistral AI, français, hébergement UE possible) : bon choix si vous voulez une résidence des données en Europe.
- GPT-x mini (OpenAI) : équivalent.
Pour traiter 1 000 réponses, LLM va vous coûter quelques centimes, donc c’est pas du tout le sujet ici. Pas la peine de vous équiper d’un grand modèle.
Certaines plateformes d’audience intègrent une classification propre. C’est le cas de la grosse machine, des listes Instantlist, Smartlist et les autres. C’est un bon point de départ, mais si vous voulez être efficace sur vos réponses, vous devez gérer l’ensemble des cas que j’ai listés précédemment et peut-être d’autres, suivant ce que vous vendez, avec divers workflows que vous n’aurez pas dans les outils précédents. Par exemple, enrichir un contact avec son numéro de téléphone et l’envoyer au CSM sur Slack
Le prompt qui fonctionne
Trois principes : donner la taxonomie avec des exemples, exiger un format JSON strict, demander un niveau de confiance.
Tu classes des réponses à des emails de prospection B2B en français de <insérez votre contexte entreprise ici>
Catégories possibles (une seule) :
- interesse : accepte un échange, demande un créneau, veut en savoir plus
- question : pose une question précise sur l'offre avant de décider
- plus_tard : intérêt possible mais pas maintenant, souvent avec une période
- redirection : renvoie vers une autre personne (nom ou fonction)
- pas_interesse : refus poli, sans demande de retrait
- desabonnement : demande explicite de ne plus être contacté
- absence : message automatique d'absence
- parti : la personne ne travaille plus dans l'entreprise
- hostile : ton agressif, menace, accusation de spam
- inclassable : rien de ce qui précède ou trop ambigu
Contexte : le message original envoyé était : <<<{{ message_envoye }}>>>
Réponse à classer : <<<{{ reponse }}>>>demandez une réponse en format JSON, avec ce type de structure :
{"categorie": "...", "confiance": 0.0 à 1.0,
"date_relance": "AAAA-MM-JJ" ou null,
"personne_redirigee": "Prénom Nom, fonction" ou null,
"resume": "une phrase"}Vous pouvez également introduire un LLM judge pour décider de la pertinence des analyses LLM, en tout cas, dans un premier temps.
Le contexte du message envoyé est important : « oui » ne veut pas dire la même chose selon la question posée. L’extraction de date_relance et de personne_redirigee fait gagner deux actions manuelles à chaque fois.
Le workflow n8n
1. Déclencheur : webhook « nouvelle réponse » de l'outil de séquence
(LGM, Lemlist, Instantly, Smartlead) ou lecture IMAP des boîtes
2. Nettoyage : retirer la signature, les citations du message précédent,
les disclaimers
3. Classification : appel LLM avec le prompt ci-dessus
4. Garde-fou : si confiance < 0,7 → catégorie forcée « inclassable »
5. Routage (Switch) selon la catégorie → actions HubSpot + Slack
6. Journalisation : réponse, catégorie, confiance, dans une table
pour audit et améliorationL’étape 2 est celle qu’on néglige et qui fait le plus d’erreurs : un modèle qui voit votre propre message cité en dessous de la réponse peut le classer à la place de la réponse.
Vous pouvez aussi (et c’est ce que je fais de plus en plus) utiliser un agent IA autonome qui va se débrouiller pour tout faire. Ça vous évitera d’avoir un workflow n8n long et complexe à maintenir. Par contre, ça vous coûtera légèrement plus cher en tokens.
Les actions par catégorie dans HubSpot
- Intéressé : propriété
statut_lead = "intéressé", tâche « Répondre » avec échéance 1 h, notification Slack en message direct au propriétaire, et l’outil de séquence reçoit un « stop ». - Plus tard :
relance_le = date extraite, tâche datée, retrait de la séquence en cours. - Redirection : recherche du contact cité ; s’il n’existe pas, création avec enrichissement, association à l’entreprise, tâche « contacter [personne] de la part de [répondant] ».
- Désabonnement : opposition à toute communication (propriété native HubSpot), retrait de toutes les listes, journal de la demande. C’est une obligation, pas une option : la CNIL exige que l’opposition soit prise en compte.
Mesurer la qualité de la classification
Le premier mois, ne faites pas confiance à votre LLM en particulier, parce que vous utilisez des petits modèles pas chers. Vous pouvez faire, comme je vous l’ai dit précédemment, l’utilisation d’un LLM judge qui va juger les réponses de votre LLM tout simplement, ou faire relire manuellement une centaine de réponses pour vérifier qu’on a quelque chose qui est pertinent.
| Catégorie | Précision typique | Erreur fréquente |
|---|---|---|
| Intéressé | > 95 % | « Envoyez-moi de la doc » classé intéressé |
| Désabonnement | > 98 % | Rare, et c’est la catégorie où l’erreur coûte le plus |
| Plus tard | 85 à 90 % | Confusion avec pas intéressé poli |
| Redirection | 90 % | Nom mal extrait |
| Absence | > 98 % | Absence avec redirection classée absence seule |
La règle qui protège : toute erreur sur « intéressé » ou « désabonnement » se règle par un ajustement du prompt, avec exemples. Et tant que la précision sur « intéressé » n’est pas au-dessus de 95 %, gardez une revue humaine quotidienne des « pas intéressé » à faible confiance.
Où garder l’humain
Je ne vais pas enfermer des amis, mais, comme d’habitude, tout ce qui est tâche administrative pour moi, ça devrait pas être géré par l’humain. En tout cas, pas par un commercial qui va coûter une blinde à une entreprise. Par contre, ce que je recommande, c’est d’utiliser un bon modèle pour pré-rédiger un message, donc un brouillon de réponse que le commercial pourra valider manuellement. Ça vous permettra de diviser le temps de réponse par trois, D’éviter de fatiguer votre commercial, d’avoir des réponse pertinentes et bien écrites
Pour résumé tout ça
| Composant | Recommandation |
|---|---|
| Taxonomie | 10 catégories dont « inclassable » |
| Modèle | Claude Haiku, Mistral Small ou équivalent |
| Prompt | Exemples, JSON strict, confiance, extraction de date et personne |
| Garde-fou | Confiance < 0,7 : revue humaine |
| Routage | Actions HubSpot par catégorie, Slack pour « intéressé » |
| Contrôle | 100 réponses relues le premier mois, précision par catégorie |
C’est un système qui est plutôt simple à mettre en place, autour d’une journée. Par contre, ça change vraiment la vie d’une équipe. Le ROI est quasi instantané.