Un agent qui analyse les commentaires LinkedIn pour repérer les besoins réels

Le client et ses difficultés

Le client est une société de services informatiques B2B spécialisée dans l’automatisation et le déploiement de CRM. Ses clients sont actifs sur LinkedIn, et le meilleur moment pour les contacter est celui où quelqu’un explique, sous la publication d’un leader du secteur, qu’il rencontre précisément le problème auquel le client répond. Le commercial le savait bien : chaque jour, il parcourait LinkedIn manuellement, lisait des centaines de commentaires, copiait les profils et rédigeait des messages. Cette tâche lui prenait dix à quinze heures par semaine.

Le rendement était faible pour trois raisons. D’abord, la grande majorité des commentaires sous les publications populaires n’étaient que du bruit : spam, comptes automatisés, concurrents ou personnes cherchant simplement à se faire remarquer. Ensuite, pour atteindre un volume suffisant, le commercial envoyait le même modèle à tout le monde, avec un taux de réponse de quelques pour cent seulement. Enfin, les envois massifs d’invitations entraînaient le blocage du compte pendant une ou deux semaines, interrompant tout le canal.

Il fallait donc à la fois élargir la portée, améliorer la qualité des messages et réduire les risques : trois objectifs généralement difficiles à concilier.

Ce que nous avons mis en place

Nous avons créé un agent en TypeScript sur Node.js qui travaille en arrière-plan, sans intervention humaine. La surveillance et la collecte de contenu s’appuient sur Puppeteer et sur la session authentifiée du compte connecté. L’agent suit une liste de profils choisis parmi les leaders du secteur, détecte leurs nouvelles publications et retient celles qui suscitent une réelle activité, soit plus de cinquante commentaires.

Il récupère alors tous les commentaires de la publication ainsi que les profils de leurs auteurs. L’évaluation intervient ensuite : chaque commentaire est transmis à un modèle de langage via OpenRouter, qui détermine si son auteur exprime un véritable besoin d’achat ou s’il participe simplement à la discussion. Le spam, les comptes automatisés et les concurrents sont écartés.

Les contacts retenus reçoivent une invitation. Après son acceptation, l’agent leur envoie un bref message construit à partir de trois éléments : le contenu de la publication, leur commentaire précis et la description de leur profil. Les messages ne ressemblent donc pas à des modèles génériques : ils ne le sont pas. Des plafonds quotidiens stricts protègent le compte contre les blocages. L’état de l’agent, son journal d’activité, son signal de disponibilité et sa consommation de jetons sont enregistrés dans Supabase ; PM2 maintient le processus en fonctionnement.

Fonctionnement actuel

L’agent tourne en continu, vingt-quatre heures sur vingt-quatre. Il repère les nouvelles publications, collecte les commentaires, les évalue et envoie les messages. Le commercial intervient seulement lorsqu’une personne répond : c’est la seule étape du processus qui nécessite réellement une présence humaine.

Le déploiement a pris quatorze jours. Les trois premiers ont servi à analyser les méthodes de travail du commercial et à définir des limites sûres. Les cinq suivants ont été consacrés à la surveillance et à l’apprentissage du modèle, afin qu’il distingue l’intérêt réel du bruit. Puis quatre jours ont été consacrés aux invitations et à la rédaction de messages contextualisés. Les deux derniers ont servi à tester l’agent sur de vrais profils, vérifier la précision du filtre, suivre les cinquante premiers contacts et former l’équipe.

Résultats

Le filtre fondé sur un modèle élimine 98 % du bruit : le commercial ne reçoit que les contacts ayant manifesté un intérêt concret. La surveillance fonctionne en continu, vingt-quatre heures sur vingt-quatre et sept jours sur sept ; une publication du samedi soir n’attend donc pas le lundi. Les limites de sécurité sont fixées à vingt invitations et trente messages par jour. Chaque message est personnalisé automatiquement à partir de la publication, du commentaire et du profil de son destinataire.

Ce que nous ferions autrement

La protection du compte aurait dû être mise en place en premier, et non en parallèle du reste. Nous avons construit la collecte et l’envoi, puis ajouté les limites en cours de route. Pour un tel outil, c’est l’élément le plus important : un seul blocage coûte plus qu’une semaine de fonctionnement de l’agent.

La surveillance du site à partir d’une session utilisateur connectée est également fragile. Une modification de la mise en page peut faire échouer la collecte des commentaires, et nous n’avons ajouté une détection robuste de ces situations qu’après la première panne. Aujourd’hui, nous commençons par là. Enfin, nous avons intégré tardivement la mesure du taux de réponse et évalué les premiers jours la qualité du filtre à l’intuition. Puisque ce filtre détermine la valeur de l’ensemble, il faut mesurer son efficacité dès l’envoi du premier message.