Traitement intelligent des emails commerciaux
Une PME recevait 80 emails par semaine. Les leads se noyaient dans le flux. Personne n'avait le temps de répondre vite. On a mis un pipeline IA entre la boîte de réception et l'équipe.
Scénario représentatif basé sur des missions réelles. Les noms, chiffres et contextes sont adaptés pour des raisons de confidentialité.
Le problème
Une PME de services B2B, 6 personnes. Pas d’équipe commerciale dédiée - les demandes arrivent dans une boîte email partagée, et tout le monde est censé surveiller.
En pratique : personne ne surveille vraiment. Les emails s’accumulent. Les leads urgents se perdent entre les newsletters, les relances fournisseurs et les demandes de support. Un prospect qui pose une question un mardi attend parfois jusqu’au jeudi pour une réponse. Certains ne reçoivent jamais de réponse du tout.
80 emails entrants par semaine. 20% sont des leads potentiels. 60% sont du bruit. Le reste est du suivi de dossiers existants. Tout ça arrive mélangé, sans structure.
Ce qu’on a construit
Un pipeline IA branché directement sur la boîte de réception.
Classification en temps réel - chaque email est analysé et catégorisé : nouveau lead, suivi client, support, administratif, spam. Les leads sont remontés immédiatement.
Extraction des informations clés - besoin exprimé, secteur, urgence estimée, informations de contact. Un brief structuré prêt en 10 secondes.
Rédaction de brouillons - pour les demandes standard, un brouillon personnalisé est soumis à validation. L’équipe relit, ajuste, envoie. Pas de rédaction from scratch.
Relances automatiques - les leads sans réponse après 24h sont signalés. Les prospects qui n’ont pas donné suite reçoivent une relance au bon moment.
La classification a nécessité 3 semaines d’ajustement. Les premiers modèles confondaient régulièrement certains types de demandes support avec des leads. On a construit un dataset de correction spécifique au secteur de l’entreprise - depuis, le taux de faux positifs est tombé sous 5%.
Les résultats
- Délai de réponse moyen : 2,5 jours → 6 heures
- Taux de réponse aux leads : ~60% → 87%
- Temps passé sur les emails : réduit d’environ 60% pour l’équipe
- Plusieurs opportunités identifiées que l’équipe n’avait pas vues dans les 3 mois précédents
Stack
- Python - pipeline LLM classification et génération
- Connexion IMAP à la boîte existante
- Interface de validation des brouillons (web, mobile)
- Pas de migration d’outil - branché sur ce qu’ils utilisaient déjà