Rémi Kokabi5 septembre 202610 min de lectureMis à jour: 28 sept. 2026

5 techniques de prompt engineering pour réduire le temps de recherche en cold email (templates de vente inclus)

La semaine dernière, j'ai vu un SDR coller « rédige-moi un cold email pour un VP Sales » dans Claude et envoyer le résultat à 200 prospects. Taux de réponse : 1,2 %. Le même après-midi, un autre commercial de l'équipe a utilisé un prompt chargé de contexte prospect, de limites de ton et d'un objectif clair. Même outil, même segment de liste. Taux de réponse : 6,4 %.

La différence n'avait rien à voir avec le produit ou le modèle IA. Tout s'est joué sur le prompt.

Dans cet article, je vous montre comment le prompt engineering fonctionne pour la prospection, les cinq techniques qui font vraiment bouger les taux de réponse, des templates prêts à l'emploi pour votre prochaine campagne, et le workflow qui relie tout ça dans lemlist.

Qu'est-ce que le prompt engineering

Le prompt engineering, c'est l'art de rédiger et d'affiner des instructions (les prompts) pour qu'un modèle IA produise le résultat que vous attendez vraiment. Le MCP (Model Context Protocol) est un standard ouvert qui permet aux agents IA d'appeler des outils externes (lemlist MCP | Connectez vos agents IA à la prospection et aux données leads), mais avant que tout ça compte, le prompt lui-même doit être bon. La façon dont vous formulez une requête influence directement la qualité du résultat. IBM le définit comme le processus de rédaction, d'affinage et d'optimisation des inputs pour obtenir des résultats spécifiques et de haute qualité à partir de systèmes d'IA générative.

Demandez à un modèle de « rédiger un cold email » et vous obtiendrez quelque chose de générique. Dites-lui qui est le prospect, ce qui l'intéresse et quelle longueur doit faire l'email, et le résultat change du tout au tout. Cet écart entre vague et précis, c'est toute la compétence en résumé.

Astuce : considérez un prompt moins comme une recherche Google et plus comme un brief que vous donneriez à un nouveau commercial le premier jour.

Pourquoi le prompt engineering compte pour les équipes commerciales

La prospection rédigée par l'IA arrive dans quasiment toutes les inbox aujourd'hui, ce qui veut dire que la plupart des prospects voient des messages qui se ressemblent. Les commerciaux qui sortent du lot ne vendent pas forcément un meilleur produit. Ils utilisent de meilleurs prompts.

Soyons honnêtes : le prompting seul ne rattrapera ni une mauvaise liste ni une offre faible. Si vous ciblez les mauvaises personnes, un prompt plus affûté vous fait juste ignorer plus vite. Mais quand le ciblage est bon, c'est le prompt qui fait la différence.

Imaginez dix SDR qui tapent « rédige un cold email pour un VP Sales » dans le même outil. Le résultat se ressemble sur les dix. Un prompt construit avec du contexte prospect, des limites de ton et un objectif clair donne au modèle de quoi travailler, et le résultat a l'air d'un vrai travail de recherche. lemlist est noté 4,6/5 sur G2 avec plus de 2 000 avis, et un thème récurrent dans ces avis : la personnalisation IA ne fonctionne qu'aussi bien que les inputs que vous lui donnez.

Cette différence se cumule vite :

  • Un bon template de prompt peut alimenter des centaines d'emails personnalisés sur tout votre pipeline

  • Un mauvais prompt répété cent fois ne fait qu'ajouter du bruit dans les inbox

Comment fonctionne le prompt engineering

Les composants d'un prompt

Chaque prompt, qu'il s'agisse d'un cold email ou d'un résumé LinkedIn, repose sur les mêmes briques de base. Vous ne les utiliserez pas toutes à chaque fois, mais les connaître vous aide à écrire des inputs plus précis.

Composant

À quoi il sert

Exemple en vente

Instruction

Indique au modèle quoi faire

« Rédige un cold email en 2 phrases »

Contexte

Fournit les informations que le modèle n'a pas

« Cette entreprise vient de lever une Série B »

Exemples

Montre à quoi ressemble un bon résultat

Un email type dans le ton de votre marque

Format

Définit la structure et la longueur

« 3 phrases max, pas d'objet »

Contraintes

Pose des limites sur le ton ou le contenu

« Pas de points d'exclamation »

Plus vous en incluez, moins le modèle doit deviner. Et quand il devine, il tombe presque toujours dans le générique.

Comment les LLM traitent vos prompts

Un LLM fonctionne comme un moteur de prédiction. Il lit votre input morceau par morceau et prédit le token suivant, un fragment de mot, en se basant sur les patterns appris pendant l'entraînement.

C'est pour ça que l'ordre des mots et la précision comptent autant. Déplacez une contrainte de la fin du prompt vers le début, et le résultat peut changer sensiblement. Voyez ça comme piloter une prédiction plutôt que programmer une machine.

Techniques de prompt engineering pour la prospection

Avant de passer aux cinq techniques que j'utilise le plus, un mot sur le paysage global. Les guides de Google Cloud et de promptingguide.ai couvrent huit techniques ou plus, dont le self-consistency, le Tree of Thoughts, ReAct et le meta-prompting. Ça vaut le coup si vous travaillez en recherche IA ou si vous construisez des pipelines d'agents complexes. Pour la prospection, les cinq suivantes font le gros du travail.

Zero-shot et few-shot prompting

Le zero-shot prompting demande au modèle de réaliser une tâche en s'appuyant uniquement sur son entraînement, sans aucun exemple. Le few-shot prompting ajoute quelques exemples d'inputs et d'outputs directement dans le prompt pour guider le style.

Le zero-shot fonctionne bien pour des tâches simples et bien définies, comme résumer un profil LinkedIn en deux phrases. Le few-shot tend à mieux performer quand vous voulez que le résultat corresponde à un ton précis : collez deux de vos meilleurs cold emails et demandez-en un nouveau dans le même style.

Role prompting

Donner un persona à l'IA change sa façon d'écrire. Commencez par « Tu es un SDR expérimenté qui vend à des VP dans le SaaS » et le vocabulaire change par rapport à une requête classique.

Le role prompting attribue un rôle au modèle qui fixe le ton et le style avant de générer quoi que ce soit. Lancez la même requête avec et sans rôle, puis comparez les deux côte à côte. La différence saute aux yeux.

Chain-of-thought prompting

Le chain-of-thought prompting demande au modèle de raisonner étape par étape avant d'arriver à une réponse finale. Au lieu de sauter directement à une conclusion, il déroule la logique d'abord.

C'est utile pour les tâches qui demandent du jugement. Essayez : « Analyse le LinkedIn et le site de ce prospect. D'abord, identifie un pain point probable pour son équipe. Puis rédige un cold email qui adresse ce pain point. » L'étape de raisonnement supplémentaire affine souvent le résultat final.

Retrieval-augmented prompting

La plupart des guides de prompt engineering traitent le Retrieval Augmented Generation (RAG) comme une technique à part entière, et à juste titre. Quand vous injectez des données réelles et récupérées dans un prompt avant que le modèle génère sa réponse, le résultat repose sur des faits, pas sur des suppositions.

En contexte commercial, ça veut dire intégrer des notes CRM, des données de profil LinkedIn, des actualités récentes de l'entreprise ou des transcriptions d'appels passés directement dans le prompt. L'enrichissement agentique IA de lemlist fait ça à grande échelle : les agents IA analysent les pages clés pour comprendre comment une entreprise se positionne, lisent les profils LinkedIn pour l'historique de poste et la trajectoire de carrière, et détectent des signaux comme des recrutements ou des lancements (enrichissement agentique IA lemlist) (enrichissement agentique IA lemlist). Les données enrichies alimentent directement vos variables de prompt, pour que le modèle rédige avec un contexte qu'un prompt générique n'aurait jamais.

Prompt chaining pour les workflows multi-étapes

Le prompt chaining découpe une tâche complexe en une séquence de prompts connectés, où chaque résultat alimente le suivant. Une chaîne type en vente ressemble à ça :

  1. Rechercher l'entreprise et le poste du prospect

  2. Identifier un pain point pertinent à partir de cette recherche

  3. Rédiger un premier email autour de ce pain point

  4. Construire une séquence de relances basée sur cet email

Faites-le manuellement, ou confiez toute la chaîne à lemlist MCP, qui l'exécute depuis Claude, Cursor ou Windsurf. Le MCP est un standard ouvert qui permet aux agents IA d'appeler des outils externes. Le serveur MCP de lemlist expose plus de 40 actions : recherche de leads, enrichissement, création de séquences, gestion de campagnes. Votre agent gère l'outbound de bout en bout depuis un seul prompt. (lemlist MCP | Connectez vos agents IA à la prospection et aux données leads)

Comment rédiger des prompts efficaces pour la prospection

  1. Définissez votre objectif et le format. Précisez ce que vous voulez, un cold email ou un message LinkedIn, et la forme exacte qu'il doit prendre. Sautez cette étape et le modèle comble les trous avec ses propres suppositions.

  2. Ajoutez du contexte spécifique au prospect. Un prompt sans données prospect produit un template. Un prompt avec des détails firmographiques ou un événement déclencheur récent produit quelque chose qui sonne comme un vrai travail de recherche. Les agents d'enrichissement de lemlist récupèrent ce type de détail depuis LinkedIn et les sites d'entreprise automatiquement.

  3. Fixez le ton et les anti-patterns. Dites au modèle ce qu'il doit éviter aussi clairement que ce qu'il doit inclure : « pas de questions rhétoriques, pas de points d'exclamation ». La plupart des résultats faibles viennent de prompts qui disent ce qu'ils veulent mais jamais ce qu'ils ne veulent pas.

  4. Itérez en fonction du résultat. Voyez ça comme une boucle, pas un one-shot. En général, un ou deux tours d'affinage suffisent pour passer du générique à quelque chose qui vaut le coup d'être envoyé.

Exemples de prompts pour cold email, LinkedIn et relances

Cold email :

« Tu es un SDR qui vend [produit] à [ICP]. Rédige un cold email de 3 phrases à [nom], [titre] chez [entreprise]. Leur entreprise a récemment [événement déclencheur]. Concentre-toi sur [pain point]. Pas de questions rhétoriques, pas de points d'exclamation. »

Remplacez les variables entre crochets pour chaque prospect. La structure reste fixe, seuls les détails changent, et c'est ce qui rend le résultat personnel même à grande échelle.

Note de connexion LinkedIn :

« Rédige une note de connexion LinkedIn de moins de 200 caractères à [nom], [titre] chez [entreprise]. Mentionne [contexte commun]. Pas de pitch, juste une raison de se connecter. »

Les relances fonctionnent mieux avec un événement déclencheur, comme un changement de poste ou un post pertinent partagé par le prospect. Ça donne au modèle quelque chose de concret plutôt qu'un suivi générique.

« Rédige une relance de 2 phrases à [nom], qui n'a pas répondu à mon premier email. Mentionne [événement déclencheur]. Donne une raison précise de relancer. »

Les erreurs de prompt engineering qui plombent vos taux de réponse

  • Oubliez le contexte prospect et le modèle ne peut que deviner la personnalisation.

  • Ne fixez pas de limite de longueur et attendez-vous à des pavés génériques en retour.

  • Surcharger un seul prompt avec la recherche, la qualification et la rédaction en même temps affaiblit chaque partie du résultat. Chaînez des prompts séparés à la place.

  • Oubliez d'exclure les buzzwords dès le départ et ils apparaîtront quand même.

  • Considérez le premier brouillon comme la version finale et vous enverrez quelque chose de bâclé. Les premiers résultats sont un point de départ.

Comment construire une bibliothèque de prompts pour votre équipe commerciale

Une bibliothèque utile couvre les workflows que votre équipe utilise au quotidien : prospection par canal, relances, traitement des objections, préparation d'appels et reporting. Chaque entrée contient des variables clairement identifiées pour que n'importe quel commercial puisse insérer ses propres données et l'utiliser immédiatement.

Stockez la bibliothèque là où votre équipe travaille déjà, un doc partagé ou directement dans votre plateforme outbound. Les AI Variables sont les briques de prompt manuel dans lemlist. Vous écrivez un prompt, et lemlist l'exécute sur tous vos leads. Elles font partie de Smart Messaging, l'IA de lemlist pour générer des séquences outbound complètes. (6 façons d'utiliser les AI Variables de lemlist pour personnaliser votre prospection à grande échelle (2026)) Vous pouvez parcourir la bibliothèque de prompts prêts à l'emploi dans l'app, choisir un template et l'exécuter sur vos leads sans quitter lemlist. Tagguez les entrées par canal et segment ICP, puis faites une revue mensuelle : retirez tout ce qui est lié à un message obsolète, et ajoutez ce qu'un commercial découvre qui performe.

Du prompt writing à l'outbound piloté par prompt

Écrire de bons prompts, c'est la moitié du chemin. Le vrai gain apparaît quand un prompt déclenche une action concrète : trouver des leads, enrichir des contacts, construire une séquence, lancer une campagne.

lemlist MCP connecte Claude, ChatGPT et les agents IA à plus de 600 M de leads, des campagnes multicanales et des workflows de prospection automatisés. (lemlist MCP | Connectez vos agents IA à la prospection et aux données leads) Au lieu de déplacer des données entre les onglets, vous décrivez un objectif, par exemple « trouve des CMO SaaS aux US qui ont récemment levé des fonds, enrichis-les et lance une séquence en 3 étapes », et l'agent s'en charge.

Le MCP nécessite une installation locale (Claude Desktop, Cursor, etc.). Claude Skills est l'alternative sans installation. Allez sur lemlist.com/claude-skills, tapez votre requête, et Claude l'exécute directement dans le navigateur. Même puissance, zéro config. (lemlist MCP | Connectez vos agents IA à la prospection et aux données leads) Si vos commerciaux ne veulent pas configurer un client MCP, Claude Skills leur donne le même workflow prompt-to-action sans rien à installer.

À vous de jouer

Le prompt engineering en vente, ce n'est pas maîtriser la théorie IA. C'est écrire des briefs plus clairs, injecter de meilleures données et connecter le résultat à une action qui fait vraiment avancer le pipeline.

Commencez avec un template de cet article. Chargez-le avec du vrai contexte prospect. Testez-le sur dix leads et relisez chaque résultat avant d'envoyer. Cette boucle, écrire, tester, affiner, c'est toute la compétence.

Envie de piloter votre outbound depuis un seul prompt ? Démarrez l'essai gratuit de 14 jours. Sans carte bancaire, résiliable à tout moment.

Lancez vos campagnes outbound IA

Automatisez votre prospection et personnalisez vos séquences IA pour décrocher plus de rendez-vous.

Questions fréquentes

Glassdoor indique un salaire annuel médian d'environ 126 000 $ en décembre 2025, avec des salaires de base aux États-Unis allant de 95 000 $ à 206 000 $ selon la séniorité. Pour la plupart des équipes commerciales, former les commerciaux existants à bien prompter apporte plus de valeur que de recruter spécifiquement pour ce poste.

Ça va vite dans cette direction. La prospection générée par IA est devenue la norme, et les commerciaux qui rédigent de meilleurs prompts obtiennent de meilleurs taux de réponse que ceux qui se contentent des paramètres par défaut.

Le prompt engineering change ce que vous envoyez au modèle. Le fine-tuning modifie le modèle lui-même en le réentraînant sur des données personnalisées. Le prompting reste l'option la moins chère et la plus rapide pour la plupart des équipes.

Oui. lemlist MCP vous permet de définir un prompt une seule fois, puis de lancer tout le workflow (recherche, enrichissement, personnalisation, envoi) automatiquement. Le prompt devient le déclencheur ; la plateforme fait le reste.

Pas besoin d'un profil technique. Les compétences clés sont les mêmes que celles qui rendent un commercial efficace en général : savoir qui vous ciblez, pourquoi ça devrait les intéresser, et quelle action vous attendez d'eux. Si vous êtes capable de rédiger un bon brief de cold email pour un collègue, vous pouvez écrire un prompt. La courbe d'apprentissage, c'est de prendre le réflexe de préciser le contexte, les contraintes et le format à chaque fois, au lieu d'envoyer une demande vague en espérant que l'IA comble les trous.
Rémi Kokabi

Rémi Kokabi

Co-founder @GTM Club

Partager l'article