Prospection · Données Cas réel

Trouver les clients qu'aucun fichier ne connaît.

Un grossiste en déstockage vend des palettes à des solderies et des magasins discount indépendants. Il n'existe aucun code NAF pour les soldeurs, et la responsable commerciale avait déjà couvert l'essentiel du territoire en sept ans.

Cas réel, octobre 2026. Chiffres fournis par le formateur, fichier source non diffusé.

419
prospects uniques, qualifiés et priorisés
51 000
établissements Sirene, resserrés par activité et par taille
2 h
de recherche, des premières listes au fichier final
8
nouveaux clients, sur un portefeuille de 50 (+16 %)
🧠 Humain : décide, choisit 🤖 ChatGPT : génère des listes 🤖 Claude : fusionne, contrôle 🏛️ Sirene : garantit
Étape 1 sur 4 · ChatGPT + humain

Lister avec ChatGPT, département par département.

Une première demande vague ne donne qu'une dizaine d'enseignes génériques, et des fiches « à vérifier » partout. On change de méthode : une requête par département et par type de commerce, chaque vague récupérée en Excel ou en CSV.

La leçon : une IA seule produit des listes plausibles. C'est la contrainte du prompt qui les rend utilisables.

Le prompt, en quatre blocs :

✅Inclusionles commerces ciblés, avec des exemples
🚫Exclusionles enseignes nationales et tout ce qui est déjà trouvé
📋Format16 colonnes, toujours les mêmes
🔗Méthodechaque prospect vérifié sur une source publique, URL obligatoire, aucune invention
Étape 2 sur 4 · Claude

Fusionner, dédoublonner, mesurer.

Les listes sont déposées dans Claude : colonnes harmonisées, un seul tableau, doublons supprimés en normalisant les noms (casse, accents, ponctuation). Puis ChatGPT affirme avoir « fait le tour de la France ». La carte de couverture de Claude dit le contraire : on relance ChatGPT sur les départements vides.

La leçon : ne jamais croire une IA qui dit avoir tout couvert. Mesurer.
7 sur 15
prospects proposés par vague étaient déjà connus
39
départements sans aucun prospect, malgré le « tour de la France »
251
prospects issus du web, après les relances
Étape 3 sur 4 · INSEE (data.gouv.fr) + Claude

La source officielle : la base Sirene.

Il n'existe pas de code d'activité « soldeur » : on prend les codes du commerce de détail où ils se trouvent, puis on resserre. Sirene est en données ouvertes : réutilisation autorisée.

🏛️Prendre largeÉtablissements en activité des codes NAF voisins : supérettes, épiceries, commerce non spécialisé, vente à distance… 51 000.
→
📏Resserrer par la tailleAvec la tranche d'effectifs : ni les toutes petites structures, ni les grandes enseignes.
→
🤖Exporter, Claude trieFaux positifs écartés, établissements déjà trouvés sur le web retirés.
→
🔎Vérifier en ligneChaque prospect retenu, avant d'être appelé.
→
✅168 nouveauxAdresse certifiée, SIREN, activité, date de création, taille. Le téléphone reste à trouver.
Étape 4 sur 4 · Claude + humain

Le fichier final, prêt à appeler.

Web et Sirene en un seul fichier, trois onglets : liste, légende, statistiques. En cas de doublon, la version web est gardée, plus riche en contacts. Chaque ligne a une priorité et une colonne « Pourquoi » : la raison d'appeler.

Le résultat : la responsable commerciale appelle. 8 nouveaux clients.

🔵 251 prospects web

Avec téléphone et page Facebook : on peut appeler tout de suite.

🟢 168 établissements Sirene

Adresse certifiée, téléphone à compléter.

419
prospects en tout, en deux heures de recherche
Ce qu'on en retient

La valeur vient de la combinaison, pas de la génération brute.

Le code NAF ne suffit pasOn prend large avec les codes du commerce de détail, on resserre par la taille, on vérifie chaque fiche en ligne.
ChatGPT seul recycle et inventeUtile pour les enseignes connues, il sature vite. Liste d'exclusion à jour, et un département à la fois.
Mesurer la couverture« J'ai fait le tour de la France » : faux, 39 départements manquaient. On compte.
La source officielle pour la fiabilitéSirene garantit l'existence et l'adresse, pas le téléphone. Chaque source a son rôle.
Le prompt est un outil qui évolueInclusion, exclusion, format, méthode : mis à jour à chaque vague.
L'humain tient le volantIl choisit les sources, écarte celles qui n'apportent rien, décide qui appeler.
En une phrase : ce qui aurait pris des semaines a été fait en deux heures, non parce que l'IA « sait » où sont les clients, mais parce qu'un humain a choisi les bonnes sources et fait travailler deux IA chacune sur ce qu'elle fait bien.
Le cadre

Prospecter, oui. Pas n'importe comment.

Quatre règles qui valent pour toute recherche de prospects avec l'IA.

Pas de blocage anti-robots contournéLe « scraping » forcé expose à un risque juridique (conditions d'utilisation, droit des bases de données) : on cherche une autre source.
Sirene : données ouvertesLicence ouverte : réutilisation autorisée.
Le nom d'un dirigeant est une donnée personnelleProspection B2B possible, en disant d'où viennent les données et avec un droit d'opposition simple.
Le fichier reste dans l'entrepriseOn travaille sur des exports, avec l'outil validé.
Atelier rapide · 20 minutes, par deux

Votre cible introuvable.

Chaque binôme part d'une cible réelle de son entreprise que les fichiers classiques ne savent pas trouver.

5 min · La cible« Quels clients cherchez-vous que vos fichiers ne savent pas trouver ? » Une phrase, une zone.
5 min · Le promptRemplir les quatre blocs, générer, copier.
5 min · Le testLancer sur un seul département. Combien de lignes ont une source réelle ?
5 min · La source officielleChercher les mêmes mots-clés dans l'annuaire des entreprises. Comparer.
Pour le débriefing : combien de lignes de l'IA ont une source qui s'ouvre vraiment ? Qu'a trouvé la source officielle que l'IA n'a pas trouvé, et inversement ? Qui a décidé de la cible, des sources, et de qui appeler ?
Atelier · Étapes 1 et 2

Les quatre blocs, pour votre cible.

ChatGPT ↗ Claude ↗ Gemini ↗
Atelier · Étape 4

La même cible, dans la source officielle.

Chaque lien ouvre une recherche sur l'annuaire officiel des entreprises (data.gouv.fr), à affiner ensuite par département.

← Retour au diaporama