J'ai construit un pipeline de lead generation qui me coûte 5€/mois — voici comment

Le problème que personne veut admettre

La prospection manuelle, tout le monde en fait et tout le monde la déteste.

Vous connaissez le rituel : ouvrir Google Maps, chercher “restaurant Lyon”, cliquer sur chaque établissement, copier le numéro, trouver l’email, écrire un message plus ou moins personnalisé, envoyer, passer au suivant. Deux heures plus jour, trois jours par semaine, pour au final décrocher deux rendez-vous et un taux de réponse de 4%.

Les outils existants ? Soit ils coûtent 200€ à 500€ par mois pour un CRM qui fait à peine plus qu’un tableau Notion, soit ce sont des plateformes d’emailing qui vous facturent au contact. Sans parler des solutions “all-in-one” qui promettent monts et merveilles mais vous enferment dans un écosystème rigide.

J’ai passé des mois à chercher quelque chose qui corresponde à ce que je voulais : un pipeline complet, de la découverte du prospect au premier contact, sans intervention humaine, et sans me ruiner.

Je n’ai rien trouvé. Alors je l’ai construit.

Le cheminement : de l’idée au système de production

La première version était un script Python jetable. Il scrapeait Google Maps, sortait un CSV, et c’était tout. Inutile. La deuxième version envoyait des emails génériques. Taux d’ouverture correct, mais zéro personnalisation — les prospects sentaient le mail de masse à 100 mètres.

Le déclic a été de comprendre que le problème n’était pas technique, c’était un problème de conception d’ensemble. Il ne suffisait pas d’automatiser une tâche — il fallait orchestrer un processus complet où chaque maillon alimente le suivant, avec la personnalisation comme fil rouge.

Aujourd’hui, le système tourne seul. Il prospecte, nettoie, personnalise, et contacte. En silence. Tous les jours.

Comment ça marche — la vue d’ensemble

Le pipeline s’articule autour de cinq étapes, chacune conçue pour être indépendante et résiliente :

1. Scraping Google Maps avec couverture systématique

Le système explore Google Maps en rotationnant automatiquement par secteur d’activité et par ville. Dix sessions par jour, calibrées pour couvrir l’ensemble d’un territoire sans jamais saturer. L’objectif est simple : chaque entreprise locale dans ma zone cible finit par apparaître dans le pipeline.

2. Déduplication intelligente

C’est la partie ingrate, mais sans elle tout le reste s’effondre. Chaque lead est vérifié sur trois critères : le placeId Google (identifiant unique), l’email normalisé en minuscules, et le téléphone au format +33. Ça paraît basique, mais la moitié du travail de nettoyage consiste à gérer les doublons transversaux — cette boulangerie qui apparaît dans les résultats “boulangerie” ET “pâtisserie” ET “snack”, c’est la même entreprise.

3. CRM Notion automatique

Chaque lead est inséré dans Notion avec tous les champs exploitables : nom du contact, catégorie Google, nombre d’étoiles, nombre d’avis, coordonnées. Notion me sert de hub central — pas besoin de CRM payant, l’API gratuite fait exactement ce qu’il faut.

4. Personnalisation par IA

C’est ici que le système passe de “robot qui spamme” à “prospection crédible”. Groq AI (modèle llama-3.3-70b) génère un email unique pour chaque lead en analysant son secteur d’activité et le nom de son entreprise. Chaque SMS est également personnalisé — environ 300 caractères, suffisamment courts pour être lus, suffisamment précis pour ne pas ressembler à un spam.

5. Envoi séquencé et planifié

Les emails sont générés tout au long de la journée par petits lots, puis envoyés en un seul batch à 7h35 du matin, du lundi au vendredi, via SMTP. Les SMS suivent un modèle différent : ils sont mis en file d’attente dans le système, puis un gateway Mac basé sur Messages.app vient les récupérer toutes les 20 minutes pendant les heures de bureau pour les envoyer. Tout est planifié aux heures ouvrées — personne n’ouvre un email de prospection à 23h.

La robustesse — la partie invisible (et la plus importante)

N’importe quel développeur peut écrire un script qui scrape Google Maps et envoie des emails. Ce qui sépare un prototype d’un système de production, c’est ce qui se passe quand les choses tournent mal.

Et elles tournent mal. Tout le temps. L’API qui timeout, le scraper qui se fait bloquer, Notion qui rate une insertion, le réseau qui coupe en plein envoi.

Files d’attente découplées

Le système utilise deux files d’attente séparées — une pour les emails, une pour les SMS. La génération et l’envoi sont découplés : les emails sont générés par petits lots tout au long de la journée et mis en attente, puis un batch unique les envoie tous le lendemain matin. Les SMS suivent le même principe — générés et empilés dans une queue FIFO, puis un gateway Mac vient les consommer toutes les 20 minutes. Ce découplage est la clé qui permet de rester dans le free tier de Groq : on étale la génération sur la journée, et on envoie quand ça compte.

Limitation de débit calibrée au cordeau

Les appels Groq AI sont batchés et espacés dans le temps : génération d’emails par petits lots toutes les 30 minutes, SMS par batch de 3 par heure. Le but est de rester dans le free tier sans jamais le dépasser. Ça demande de la discipline et du calcul, mais c’est ce qui permet d’avoir de l’IA gratuite.

Gestion d’erreurs à tous les étages

Chaque module possède son propre failure handler. Quand quelque chose plante, l’erreur est loguée et une notification email est envoyée automatiquement. Pas de mode silencieux — si le système a un problème, je le sais dans la minute.

Safety net automatique

Un schedule horaire relance les traitements en cas d’échec. Si un process n’a pas abouti à un instant T, il sera retenté à la prochaine exécution programmée. Le système se répare seul, sans intervention manuelle.

Monitoring de cohérence

Chaque semaine, un schedule compare la documentation technique au système en production. Si un script a été modifié manuellement ou si un flow a dérivé, je suis alerté. C’est le gardien qui veille sur le gardien.

Le coût — ou pourquoi ce système coûte moins qu’un abonnement Netflix

Détaillons. Groq AI : gratuit (free tier, batchs calibrés pour ne jamais le dépasser). Notion : plan gratuit. Windmill : self-hosté sur mon VPS. Google Maps scraper : open-source, self-hosté sur le même VPS. SMTP : inclus avec Brevo. Le gateway SMS via Mac : gratuit.

Total : le coût du VPS. Environ 5€ par mois.

Comparez ça à une solution commerciale qui vous facture 200€/mois pour faire la moitié de ce que fait ce pipeline. L’équation est simple : l’automatisation sur-mesure, quand elle est bien conçue, coûte un ordre de grandeur moins cher que les outils SaaS équivalents.

Ce que j’ai appris en construisant ce système

La leçon principale, c’est que l’automatisation n’est pas un problème de technologie — c’est un problème de conception. Le choix des outils compte moins que l’architecture du système. Windmill, Notion, Groq — ce sont des briques. Ce qui compte, c’est la manière dont elles s’emboîtent.

La deuxième leçon, c’est que la robustesse ne se rajoute pas à la fin. Elle se conçoit dès le premier jour. Chaque module a été pensé pour échouer proprement, chaque flux a son mécanisme de récupération, chaque point de défaillance a son safety net.

Et la troisième, la plus contre-intuitive : un système fiable est un système simple. Pas de microservices, pas de Kubernetes, pas d’infrastructure distribuée. Un VPS, des scripts bien écrits, un orchestrateur, et une discipline de moindre coût.

Si vous êtes chef d’entreprise et que vous passez plus de deux heures par semaine à prospecter manuellement, posez-vous la question : quel est le coût réel de ces heures perdues ? Pas juste en euros — en opportunités que vous ne saisissez pas, en énergie que vous gaspillez sur des tâches qu’une machine fait mieux que vous.