Sales Agent Builder

Sales Agent Builder

Quand utiliser ce skill

Conçois un agent commercial automatisant tout ou partie du cycle outbound : enrichissement de leads, qualification structurée (BANT/MEDDIC), rédaction d'emails personnalisés, séquences multi-touch, mise à jour CRM, prise de rendez-vous. S'applique aux équipes SDR/BDR, startups B2B en croissance et toute équipe cherchant à industrialiser les tâches répétitives sans sacrifier la personnalisation.

Workflow en étapes

1. Choix du mode d'autonomie

Avant de coder : décide du niveau d'autonomie selon la maturité de l'équipe.

Toujours démarrer en human-in-the-loop. Passer en semi-autonome uniquement après validation de 100 emails minimum et taux de réponse > 10%.

2. Architecture des cinq modules

┌─────────────────────────────────────────────────────┐
│  Lead entrant (CSV / webhook CRM / formulaire)      │
└────────────────────┬────────────────────────────────┘
                     ▼
         ┌─────────────────────┐
         │ A. Enrichissement   │  Apollo, Clay, Hunter.io
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ B. Qualification     │  BANT / MEDDIC → score 0-100
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ C. Génération       │  Email + variantes A/B
         │    d'outreach       │
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ D. Séquences        │  Multi-touch J0/J3/J5/J8/J10/J15
         │    & follow-ups     │
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ E. CRM + Reporting  │  HubSpot / Salesforce / Pipedrive
         └─────────────────────┘

3. Enrichissement automatique des leads

Pour chaque lead entrant, collecter : taille/secteur/financement (Crunchbase, Apollo), profil LinkedIn, actualités récentes (levées, recrutements, partenariats), stack technique (BuiltWith), et score ICP.

# Enrichissement via Apollo API
import requests

def enrich_lead(lead: dict, api_key: str) -> dict:
    resp = requests.post(
        "https://api.apollo.io/v1/people/match",
        json={
            "first_name": lead["first_name"],
            "last_name": lead["last_name"],
            "organization_name": lead["company"],
            "api_key": api_key,
        },
        timeout=10,
    )
    resp.raise_for_status()
    person = resp.json().get("person", {})
    return {
        "title": person.get("title"),
        "linkedin_url": person.get("linkedin_url"),
        "seniority": person.get("seniority"),
        "company_size": person.get("employment_history", [{}])[0].get("organization", {}).get("estimated_num_employees"),
        "technologies": person.get("organization", {}).get("current_technologies", []),
    }

Critère de décision : si l'enrichissement retourne < 3 champs fiables, marquer le lead enrichment_incomplete et ne pas l'inclure dans les séquences automatiques avant revue manuelle.

4. Framework de qualification — scoring structuré

Implémente un score composite 0-100 basé sur le framework choisi.

BANT simplifié :

def bant_score(lead: dict) -> dict:
    score = 0
    reasons = []

    # Budget (0-25)
    if lead.get("company_size", 0) > 200:
        score += 25; reasons.append("Budget probable (>200 employés)")
    elif lead.get("company_size", 0) > 50:
        score += 15; reasons.append("Budget estimé moyen")

    # Authority (0-25)
    senior_titles = ["VP", "Director", "Head", "Chief", "CXO", "Founder"]
    if any(t in (lead.get("title") or "") for t in senior_titles):
        score += 25; reasons.append("Décisionnaire identifié")

    # Need (0-25) — basé sur stack / industrie
    pain_industries = ["fintech", "ecommerce", "saas"]
    if lead.get("industry", "").lower() in pain_industries:
        score += 20; reasons.append("Industrie cible prioritaire")

    # Timeline (0-25) — basé sur signaux (recrutement SDR, levée récente)
    if lead.get("recent_funding") or lead.get("hiring_sales"):
        score += 25; reasons.append("Signal de croissance détecté")

    tier = "Hot" if score >= 70 else "Warm" if score >= 40 else "Cold"
    return {"score": score, "tier": tier, "reasons": reasons}

Règle : ne faire entrer dans les séquences automatiques que les leads Warm (≥ 40) et Hot (≥ 70). Les Cold vont dans une nurture séparée.

5. Génération d'emails d'outreach personnalisés

Contraintes non négociables : < 150 mots, objet < 50 caractères, 1 seul CTA, accroche liée à une donnée concrète du lead.

EMAIL_PROMPT = """Rédige un email de prospection outbound court (< 150 mots) en {language}.

Contact : {lead_name}, {lead_title} chez {company}
Taille entreprise : {company_size} employés
Actualité récente : {recent_news}
Pain point probable : {pain_point}
Notre solution : {value_prop}
Preuve sociale secteur : {case_study}

Règles strictes :
- Objet < 50 caractères, sans point d'exclamation
- Première phrase = accroche sur l'actualité récente (pas "J'espère que...")
- 1 seul CTA à la fin (question fermée ou lien calendrier)
- Ton direct et professionnel
- Génère 2 variantes (A et B) avec angles différents"""

Génère systématiquement 2-3 variantes pour A/B testing dès le départ.

6. Séquences multi-touch

J0  — Email 1er contact (accroche actualité)
J3  — Relance email (angle valeur différent)
J5  — Connexion LinkedIn (message court, pas de pitch)
J8  — Email "value add" (ressource pertinente, pas de vente)
J10 — Appel sortant (script court préparé par l'agent)
J15 — Email de rupture ("Dois-je vous retirer de ma liste ?")

Stop automatique dès toute réponse reçue (positive, négative ou hors-sujet). Ne jamais continuer une séquence après une réponse humaine sans analyse du contenu.

Script d'appel J10 généré par l'agent :

CALL_SCRIPT_PROMPT = """Génère un script d'appel de 60 secondes pour :
- Lead : {lead_name}, {lead_title}
- Contexte : a ouvert l'email J0 mais pas répondu
- Pain point : {pain_point}
Structure : accroche (10s) → raison de l'appel (15s) → question ouverte (10s) → CTA booking (10s)"""

7. Gestion des réponses et objections

L'agent classifie chaque réponse entrante :

CLASSIFY_PROMPT = """Classifie cette réponse email en une catégorie :
- INTERESTED : ouvert à un échange
- NOT_NOW : pas le bon moment (> 3 mois)
- NOT_RELEVANT : hors cible, mauvaise personne
- OBJECTION_PRICE : problème de budget
- OBJECTION_TOOL : déjà un outil concurrent
- NEGATIVE : refus définitif
- QUESTION : demande d'information

Réponse : {email_body}
Réponds avec le code catégorie uniquement."""

Pour OBJECTION_PRICE et OBJECTION_TOOL : utilise une bibliothèque d'objections validée par l'équipe commerciale. Pour INTERESTED : escalade immédiate vers un humain avec contexte complet du lead.

8. Intégration CRM

# Mise à jour HubSpot après qualification (SDK officiel)
from hubspot import HubSpot

client = HubSpot(access_token=HUBSPOT_TOKEN)

def update_lead_hubspot(contact_id: str, score: int, summary: str):
    client.crm.contacts.basic_api.update(
        contact_id=contact_id,
        simple_public_object_input={
            "properties": {
                "hs_lead_status": "QUALIFIED" if score >= 70 else "IN_PROGRESS",
                "qualification_score": str(score),
                "qualification_notes": summary,
                "lifecyclestage": "salesqualifiedlead" if score >= 70 else "lead",
            }
        },
    )

Actions minimales à logger dans le CRM pour chaque lead : email envoyé, email ouvert, réponse reçue, classification de la réponse, score de qualification, meeting booké.

9. Métriques à monitorer

Génère un rapport hebdomadaire automatique (Slack/email) pour le manager avec ces indicateurs et les top 3 emails par taux de réponse.

Garde-fous et conformité

• RGPD / CAN-SPAM : lien de désinscription fonctionnel dans chaque email. Respecter les opt-outs sous 48h. Ne jamais prospecter sur des listes achetées sans consentement documenté.
• Délivrabilité : maximum 100-200 emails/jour par domaine. Réchauffage progressif sur 4 semaines (10 → 30 → 80 → 150/jour). Surveiller bounce (< 2%) et spam (< 0.1%) en continu.
• Escalade humaine obligatoire : toute réponse INTERESTED ou réponse ambiguë → transfer immédiat à un commercial avec contexte complet. L'agent ne négocie jamais seul.
• Audit trail : chaque email envoyé par l'agent doit être loggé avec timestamp, version du template, données d'enrichissement utilisées. Conserve 12 mois minimum pour conformité.

Anti-patterns à éviter

• Générer des emails sans accroche contextualisée : "J'espère que vous allez bien" = taux de réponse < 3%. L'accroche doit citer une donnée concrète.
• Lancer la séquence complète avant validation : envoyer J0 à J15 sans analyser les réponses intermédiaires brûle les leads et risque le blacklistage.
• Score de qualification sans justification : un score sans reasons est inexploitable par le commercial. Toujours fournir les critères.
• Pas de limite de volume au démarrage : un nouveau domaine qui envoie 500 emails J1 sera blacklisté sous 48h. Respecter le réchauffage.
• CRM non synchronisé : un agent qui envoie des emails sans logger dans le CRM crée des doublons de prospection et détruit la relation client.
• Objections gérées par l'agent sans validation humaine : les réponses aux objections complexes doivent être validées par l'équipe commerciale avant d'être intégrées à la bibliothèque.

Stack recommandée (2026)