J'ai construit une boucle d'IA qui génère des prospects pendant que je dorme (47 en 30 jours)

J'ai ajouté 47 prospects à mon CRM ce mois-ci et je n'ai envoyé aucun email froid ni scrollé un seul flux LinkedIn. Une boucle d'IA les génère pendant que je travaille sur d'autres choses. Aujourd'hui, je le construis avec vous en dix-huit minutes.

Voici la photo. Make.com fonctionne toutes les six heures. Il tire de nouveaux messages d'une liste de sources publiques, pour moi c'est un ensemble de subreddits et de comptes X où mes clients idéaux se plaignent de problèmes que je résolve. Chaque message est envoyé à un Lead Scout, une requête système qui connaît mon profil client idéal. Il retourne soit qualifié-avec-récuses, soit saute. Les leads qualifiés reçoivent une entrée ping Notion et un Slack. Saute disparaissent. Je ne les vois jamais. Dix-huit minutes à construire, aucun email froid.

Première étape, le scout en chef. C'est le cerveau. Nous ne construisons pas une GPT personnalisée cette fois-ci, nous construisons le système de prompt dont sont fabriqués les GPT personnalisés, et nous le déployons à l'intérieur de Make.com. La même logique, un contexte différent. Voici la structure du prompt. Identité: Vous êtes un responsable B2B qualifié pour un CMO fractionnel qui sert des entreprises SaaS de cinq à cinquante employés, avec un chiffre d'affaires compris entre deux et vingt millions. Remplacez votre propre ICP. Règles: lisez le message. Décidez si vous êtes qualifié ou non. Qualifié signifie: correspond à la taille de l'entreprise, mentionne un problème lié à la croissance ou au marketing, et la personne qui publie a l'autorité de prise de décision. Format de sortie: Répondre en JSON. Si vous êtes qualifié, retournez le nom de l'entreprise, l'URL du message, le problème, suggéré en premier lieu. Ne retournez pas, ne retournez pas. Si vous êtes qualifié, ce message est en deux minutes. Si nous le sauvegardons.

Deuxième étape, le déclencheur. ouvre Make.com, cliquez sur Créer un nouveau scénario. Le module déclencheur dépend de votre source. pour X, utilisez le module X. Regardez les messages filtrés par mots-clés ou par une liste de comptes. pour Reddit, utilisez le module Reddit. Regardez les nouveaux messages dans le subreddit. pour RSS, utilisez le module RSS. Regardez les articles de flux RSS, le mieux pour les blogs de niche. Je suis en train d'utiliser Reddit parce que trois subreddits couvrent mon ICP. Configurez le déclencheur: nom du subreddit, limitez dix nouveaux messages par exécution, planifiez le scénario pour exécuter toutes les six heures. Le calendrier est en bas à gauche du tableau, Exécuter une fois déroulé, passez à chaque X heures. Enregistrer. Maintenant, nous avons un flux de nouveaux messages entrant dans notre scénario de six heures, prêts pour l'évaluation du Scout.

Troisième étape, le qualifiant. Ajoutez un module OpenAI après le déclencheur, choisissez Créer une finition. Modèle: gpt-4o-mini. Le prompt système est exactement ce que nous avons écrit à l'étape 1, collez-le dans le champ de message système. Message utilisateur: juste le contenu de la publication du déclencheur, cartographié à partir de la sortie du module Reddit. Maintenant, la réglage de température, déposez ceci au point un. Basse température signifie sortie cohérente, dont nous avons besoin parce que nous partageons JSON en aval. Haute température signifie sortie créative, ce qui signifierait ici une mise en forme JSON incohérente et une automatisation cassée. Enregistrer. Testez-le une fois avec Run Once. Le module OpenAI devrait retourner une chaîne de sortie JSON dans le panneau, soit des données qualifiées, soit nulle. Si vous voyez cela, le cerveau est en train de travailler.

Étape quatre, le filtre. Nous voulons seulement agir sur les leads qualifiés. Cliquez sur le connecteur après OpenAI, ajoutez un filtre. Condition: la réponse JSON n'est pas égale à nulle, ce qui signifie que le lead a été qualifié. Maintenant, nous devons analyser cette chaîne JSON dans des champs individuels que Make.com peut utiliser. Ajoutez un module JSON Parse JSON. Mettez la réponse OpenAI dans le champ de chaîne JSON. La première fois que vous exécutez cela, collez un échantillon de réponse qualifiée dans le champ d'échantillon afin que Make.com connaisse la structure. Après le parsing, vous aurez le nom du lead qualifié, la société, le problème et le message suggéré disponibles en tant que variables distinctes.

Étape cinq, les actions. Nous sommes de retour sur un territoire familier depuis la dernière vidéo. Sur la même branche, ajouter Notion Créer un élément de base de données. Choisir votre base de données CRM. Mettez les champs JSON parsemés: Nom à titre, colonne Compagnie à Compagnie, Problème à Notes, Message suggéré à une colonne Définition de message. Définir le statut à nouveau entrant. Enregistrer. Ajouter un Slack Envoyez un module de message. Channel: leads. Message: Nouveau lead entrant, nom de la société. Problème: problème. Message préparé en Notion. Mettez les champs parsemés. Enregistrer. Maintenant, quand un lead qualifié est détecté partout dans vos sources surveillées, deux choses se produisent automatiquement: une entrée CRM avec un message de diffusion prêt, et un ping-drape afin que je sache le revoir. Temps totaux de la publication à mon Slack: moins de trente secondes.

C'est là que se termine la boucle. Lorsque je passe en revue un prospect dans Notion, j'ouvre le message de projet, le modifie pendant trente secondes, le renvoie depuis Gmail. Le destinataire répond. Cette réponse frappe ma boîte de réception Gmail, et le système de triation des e-mails de la dernière vidéo le capte, le classe comme un prospect, met à jour la même entrée Notion avec la réponse, et me remet à jour.

Trois erreurs à éviter. Une, en utilisant le modèle lourd GPT-4 pour le qualifiant. Le mini modèle est suffisant pour la qualification binaire à un dixième du coût. Deux, en laissant le scénario fonctionner sans un commutateur de déclenchement sur le coût. Ajouter un plafond d'utilisation OpenAI à l'intérieur des paramètres de Make. Mine est fixé à vingt dollars par mois. Trois, sur-larges sources. J'ai commencé avec douze subreddits et j'ai eu du bruit. Trois sources de signaux élevés battent douze médiocres à chaque fois. Curer les entrées, pas les filtres.

Trente-sept jours de résultats. Quarante-sept prospects qualifiés ont été ajoutés au CRM. Six ont répondu à mon contact. Deux sont devenus des clients payants. Un a réservé un engagement de trente mille dollars. Coût total: douze dollars en frais OpenAI, vingt-neuf dollars en Make.com. J'ai passé environ dix minutes par jour à examiner les prospects dans Notion et à modifier les messages avant d'envoyer. C'est tout. Le système a trouvé, qualifié et prédéfini tout le reste. Comparer cela à l'ancienne école de contact: cinquante heures par mois pour les mêmes résultats.

Le prompt complet du système Lead Scout et le blueprint Make.com sont dans la description. Modifiez le prompt pour votre ICP, changez vos sources, vous avez la même boucle en vingt minutes. Abonnez-vous car la prochaine vidéo je vais comparer Notion AI, ChatGPT et Claude côte à côte après trente jours d'utilisation de chacun comme mon chauffeur quotidien. Le verdict n'est pas ce que je m'attendais.