Commencez par définir un résultat précis : « Je veux scraper 50 leads SaaS qualifiés par jour, les enrichir avec leurs coordonnées, puis les pousser dans HubSpot pour la prospection. »

Cartographiez les étapes :

Input: D’où viennent les données ? (LinkedIn Sales Navigator, Apollo, ajout manuel)
Enrichissement : Quelles infos ajouter ? (email, téléphone, actualités récentes)
Logique : Quelles règles appliquer ? (exclure les concurrents, valider le format email)
Action : Quoi déclencher ? (mise à jour du CRM, notification Slack, lancement séquence email)
Validation: Where does human review happen? (before CRM push, after enrichment)

Action : Posez-le noir sur blanc. Boîtes pour chaque étape, flèches pour les flux de données. Ce sera votre plan concret pour la suite.

‍

STEP

Prepare and clean your input data

Commencez petit et avec des données clean :

Utilisez 10 leads pour votre premier test.
Vérifiez chaque ligne : email valide, bon nom d’entreprise, correspond à l’ICP (Ideal Customer Profile)
Supprimez les doublons (email comme identifiant unique).
Remplissez les champs manquants si possible.

Si vous scrappez des données :

Lancez Apify sur une seule page de résultats LinkedIn.
Exportez vers Google Sheets.
Ajoutez les colonnes : validation_status, enrichment_status, human_review_needed.

Action : créez un modèle de données avec champs obligatoires : first_name, last_name, email, company, linkedin_url, validation_status.

‍

STEP

Set your data trigger

Choisissez votre type de déclencheur :

Option A : planifié (recommandé pour débuter)

Lancer n8n chaque matin à 8 h.
Traiter 10 à 20 leads max par session.
Plus facile à suivre et à déboguer.

Option B : temps réel

Déclenchement lors de l’ajout d’une nouvelle ligne dans Google Sheets.
Utilise un webhook depuis l’outil de scraping.
Plus complexe mais traitement plus rapide.

Action : commencez en planifiant. Lancez une fois par jour à un horaire où vous pouvez surveiller.

‍

STEP

Add your first agent

Dans n8n, ajoutez votre premier agent.

Un agent fonctionne grâce à 3 composants :

Nœud LLM (OpenAI GPT-4 ou Claude)
Memory storage (Google Sheets or Make data store)
Web research tool (Perplexity or SerpAPI)

Voyons comment les ajouter à votre bloc "agent".

‍

STEP

Add a Large Language Model (LLM) node

Choisissez le bon LLM :

OpenAI GPT-4 : idéal pour rédiger des emails personnalisés.
Claude : mieux pour l’analyse de données et la logique.
Perplexity: Excellent for research tasks

Set up your LLM prompt template, copy ours below.

Action : testez sur 3 entreprises avant connexion au workflow complet.

“You are a sales research assistant.

Input: Company name and LinkedIn URL

Task: Write a 2-sentence personalized opener for a cold email Output format: JSON with “opener” and “reasoning” fields 
Context: B2B SaaS outreach to decision-makers"

STEP

Add memory to your agent

Configuration simple de la mémoire :

Utilisez Google Sheets comme stockage de mémoire.
Créez les colonnes : lead_id, conversation_context, last_interaction, next_action.
Mettez à jour après chaque interaction de l’agent.

Mémoire avancée (optionnel) :

Connectez Supabase pour des requêtes plus rapides.
Stockez l’historique de conversation et les résultats de recherche.
Activez le report de contexte entre les exécutions du workflow.

Action : Commencez avec Google Sheets, évoluez vers une base dédiée uniquement lorsque vous traitez plus de 100 leads par jour.

‍

STEP

Enable web research

Configurer le nœud de recherche web :

Add Perplexity or SerpAPI to your Make workflow
Récupérez la clé API.
Create research query template: “Find recent news and LinkedIn profile for [company name]“

Exemples de requêtes :

« Quels sont les principaux défis de [nom de l’entreprise] en 2024 ? »
« Trouver les derniers posts LinkedIn de [nom du contact] sur [sujet]. »
« Obtenir les derniers lancements produits ou levées de fonds de [nom de l’entreprise]. »

Action : testez les requêtes manuellement pour vérifier leur pertinence

‍

STEP

Test your agentic workflow

Before going live, test every part. n8n offers a built-in chat mode where you can simulate inputs and see how your agent reacts.

Donnez-lui de mauvaises données et identifiez ce qui casse. Ajoutez ensuite des boucles ou des conditions d’erreur pour le rendre plus résilient.

‍

STEP

Contact leads with multichannel outreach

Now that your AI agent has generated custom openers for each lead, it’s time to reach out. Duplicate this simple LGM workflow to contact them on Email + LinkedIn.

Then:

Name the column in your Google Sheet whatever you want (e.g., “opener”, “ai_opening_line”, “intro_copy”).
When you import into LGM, map that column to a Custom Attribute.
In your LGM campaign, reference it with the variable {{customAttribute1}} inside your email and LinkedIn message steps.

Result: Your automated outreach will feel personal, because each lead will receive a message with personalized context.

‍

Campagne en double