Le problème de la liste froide : pourquoi LinkedIn ne suffit pas

Cette série documente la construction d’un système d’automatisation partielle de la prospection B2B (renforcée par l’IA), depuis l’idée de départ jusqu’au premier run en production. Chaque article correspond à une étape réelle du projet, avec les choix, les blocages et les leçons.

Avant d’entrer dans la technique, il faut poser le contexte : quel problème cherchait-on à résoudre, pour qui et avec quelles contraintes de départ ? C’est l’objet de cet article car sans ce cadrage, les choix d’architecture qui viennent ensuite n’auraient pas de sens.

Le contexte de départ : une activité solo, une zone cible, aucune liste

Oguhnas Consulting a démarré en octobre 2025 et cible principalement des PME en Normandie et sur l’axe Rouen-La Défense, sans responsable informatique interne. L’interlocuteur visé est le dirigeant qui prend les décisions IT par défaut en l’absence d’autre interlocuteur dédié.

La contrainte principale de ce démarrage d’activité est structurelle : l’activité est entièrement solo. Chaque heure investie dans la recherche de prospects est une heure indisponible pour les clients. La prospection devait donc produire des résultats sans y consacrer l’essentiel du temps de travail, ce qui excluait d’emblée toute approche reposant sur un effort manuel permanent.

Le premier réflexe a été de tester LinkedIn. La plateforme regroupe des millions d’entreprises françaises, avec des profils de dirigeants, des informations sur les effectifs, les secteurs. Sur le papier c’était l’outil évident, en pratique les filtres qui auraient vraiment servi (taille d’entreprise précise, zone géographique, secteur d’activité) sont réservés aux abonnements payants, à plusieurs centaines d’euros par mois. Avec un compte gratuit, les résultats sont partiels, non filtrables selon les critères métier et la plateforme plafonne les recherches à usage commercial. Construire une liste qualifiée à volume dans ces conditions s’est révélé impossible.

Ce qu’on a trouvé en cherchant autrement

Le blocage LinkedIn a forcé un changement d’angle et ce changement a mis en évidence un problème plus profond que la question de l’outil.

Problème 1 : LinkedIn est conçu pour qualifier, pas pour découvrir.

La structure commerciale de la plateforme cible les équipes de vente disposant d’un budget dédié, les fonctionnalités réellement utiles à la constitution d’une liste (filtres avancés, exports, volume de recherches) sont toutes payantes. Le scraping automatisé des résultats est par ailleurs interdit par les conditions d’utilisation et techniquement détectable. La décision a donc été de retirer LinkedIn du périmètre de découverte pour le cantonner à ce qu’il fait bien : vérifier un prospect déjà identifié par une autre source, à raison de quelques minutes par contact.

Problème 2 : Sans définition précise d’un bon prospect, n’importe quelle source produit du bruit.

Avant de chercher où trouver des prospects, il fallait définir rigoureusement ce qu’était un prospect qualifié. Cette étape, souvent court-circuitée dans l’urgence d’un démarrage, conditionne toute la suite. La définition retenue : entreprise active, siège social uniquement (pas d’établissements secondaires), dans les départements ciblés, entre 5 et 100 salariés, tous secteurs à l’exception de quelques catégories manifestement hors cible. L’interlocuteur recherché est le dirigeant, en l’absence de responsable IT. Cette définition a pris environ une demi-journée à formaliser et elle a servi de référence à chaque décision technique qui a suivi.

Problème 3 : Automatiser la qualification LinkedIn du dirigeant n’est pas viable.

La tentation d’aller plus loin (vérifier automatiquement l’absence de DSI, identifier le profil LinkedIn du dirigeant) s’est heurtée à une réalité technique et légale. LinkedIn bloque activement ce type d’extraction automatisée. Forcer cette étape aurait fragilisé l’ensemble du système pour un gain incertain. La décision retenue est une vérification manuelle de cinq minutes par prospect, organisée autour d’une procédure en cinq étapes. Ce n’est pas un compromis par défaut : c’est un choix d’architecture assumé, qui réserve l’effort humain à l’étape où il apporte le plus de valeur.

Avec ce vécu : ce qu’on a mis en place

Le pivot s’est fait vers le registre légal officiel des entreprises françaises, géré par l’INSEE. Cette base de données recense toutes les entreprises actives en France avec leur état administratif, leur localisation, leur tranche d’effectifs et leur secteur d’activité. Elle est publique, gratuite et peut être interrogée de façon incrémentale : à chaque synchronisation, on ne récupère que les entreprises créées ou modifiées depuis la dernière requête, ce qui évite de retraiter en permanence un volume inutile de données.

La comparaison avec l’approche initiale est instructive :

La leçon qui s’impose : définir ses critères de ciblage avant de choisir sa source de données. LinkedIn reste pertinent pour la qualification mais n’est pas adapté à la découverte à volume. Une fois la cible définie avec précision, la question devient naturellement « quelle source contient ces informations ? » plutôt que « comment chercher sur LinkedIn ? »

Ce que ça change concrètement pour une PME

Le registre légal des entreprises françaises est une ressource que la plupart des structures ignorent parce qu’elle n’est pas mise en avant commercialement. Elle contient pourtant toutes les informations nécessaires à un premier filtre de qualification : statut administratif, zone géographique, tranche d’effectifs, secteur d’activité, type de siège. Pour une PME qui prospecte en B2B sur une zone définie avec des critères métier précis, c’est une base bien plus adaptée que LinkedIn pour la phase de découverte.

La généralisation qui s’impose est plus large que la prospection. Toute structure qui cherche de l’information structurée sur les entreprises françaises a intérêt à se demander si cette information n’existe pas déjà dans une source publique avant d’investir dans une plateforme payante. La question à poser n’est pas « comment trouver mes prospects sur LinkedIn » mais « quelle source de données correspond à mes critères et comment l’interroger efficacement ? »

La suite logique de ce projet (construire le pipeline qui automatise cette collecte et y brancher un agent IA pour l’enrichissement) fait l’objet du prochain article. Avec une leçon inattendue sur les limites des outils d’automatisation visuels.

Choisir sa source avant de choisir ses outils

La démarche documentée dans cette série commence par une définition, pas par un outil. Avant de chercher comment collecter des prospects, il a fallu poser précisément ce qu’était un bon prospect pour cette activité : zone, taille, secteur, interlocuteur cible. Cette définition a pris quelques heures et a conditionné toutes les décisions techniques qui ont suivi.

Si vous pilotez votre prospection manuellement, la question vaut la peine d’être posée : vos critères de ciblage sont-ils formalisés quelque part ou vivent-ils uniquement dans la tête de la personne qui prospecte ?