Comment automatiser vos candidatures spontanées avec n8n
J’ai automatisé mes candidatures spontanées avec n8n, Airtable, Pharow et IA. Dans ce guide, je détaille les workflows, les prompts, les outils choisis, les limites rencontrées et les résultats obtenus sur 100 entreprises ciblées.
.png)
Sommaire
le meilleur ici 👇
J’ai construit cette machine pour résoudre un problème simple : arrêter d'attendre les annonces, et faire des candidatures spontanées pour ne pas me couper d'une majorité du marché.
Le constat de départ est connu :
- 75 % des recruteurs utilisent les candidatures spontanées comme canal de recrutement - Source
- 57% des postes pourvus en France en 2024 ne sont jamais publiés sur une offre d'emploi, contre 41% en 2020 - Source
- peu d’entreprises en reçoivent beaucoup
Le vrai enjeu est donc : comment faire du volume sans sacrifier la personnalisation ?
C’est exactement ce que permet l’automatisation : personnaliser à grande échelle.
Donc plutôt que d’envoyer 20 messages génériques, j’ai construit un système pour :
- récupérer des entreprises et des contacts,
- analyser automatiquement leur site,
- générer un angle d’accroche,
- rédiger un premier jet de message personnalisé,
- envoyer une séquence LinkedIn + email après validation humaine.
Résultat sur ma prospection :
- 100 entreprises ciblées
- 100 messages envoyés
- 17 réponses
- environ 100 heures gagnées
Pour recevoir les fichiers JSON, n'hésitez pas à m'envoyer un email ou à me contacter sur LinkedIn.
Key takeways
| Indicateur | Détail |
|---|---|
| Stack technique | n8n + Pharow + Airtable + La Growth Machine + Claude Sonnet 4.5 + GPT-4o |
| Architecture | 3 workflows séparés + 1 gestionnaire d'erreurs |
| Résultats | 100 séquences envoyées, 17 réponses obtenues (17%), ~100h économisées |
| Coût | 0€ sur trial pour 100 séquences complètes |
| Applicable à | Candidatures spontanées et prospection B2B outbound |
| Contrôle humain | Intégré à chaque étape avant envoi |
Architecture du système : vue d'ensemble
Avant de rentrer dans le détail, il faut comprendre l'architecture de ces workflows n8n qu'on peut résumer comme ça :
Pharow → Airtable → n8n → Analyse entreprise → Message personnalisé → La Growth Machine → Réponses
| Workflow | Déclencheur | Rôle | Statut Airtable en sortie |
|---|---|---|---|
| Webhook Pharow | Réception d'un prospect depuis Pharow | Crée la ligne dans Airtable avec toutes les données contact + entreprise | A enrichir |
| Company research pipeline | Scheduler (toutes les minutes) | Scrape le site, analyse avec GPT-4o + CV, génère le pitch | Analyse site |
| Custom message | Manuel (Execute workflow) | Génère le message LinkedIn avec Claude, l'envoie à LGM via API | Message rédigé puis Envoyé LGM |
| Error handler | Erreur dans n'importe quel workflow | Envoie un email d'alerte avec le détail de l'erreur | n/a |
Ce point est très important : je n’ai pas cherché à tout automatiser.
J’ai cherché à automatiser les tâches répétitives, pas les tâches stratégiques.
Et c’est exactement ce qu’on va voir maintenant avec le premier workflow.
Workflow 1 : importer ses prospects depuis Pharow dans Airtable

Pourquoi Pharow
Pharow est une base de données de prospection B2B spécialisée sur le marché français. Elle agrège 4 millions d'entreprises actives et plus de 10 millions de prospects avec un taux de couverture email de 78,7%. Son avantage principal : des données légales françaises intégrées (SIREN, code NAF, chiffre d'affaires, année de création) et des filtres de ciblage RH pertinents.
Limite importante : Pharow ne dispose pas d'API native. La seule option d'automatisation est le webhook. Cela signifie que l'export vers n8n se déclenche au moment de l'export dans Pharow, et non depuis n8n. Autre conséquence : le webhook ne transmet pas toutes les informations disponibles sur la fiche entreprise dans Pharow. L'organigramme, les recrutements en cours, les signaux de croissance récents ne passent pas par le webhook.
J'ai donc complété manuellement la colonne "Notes" dans Airtable pour chaque prospect : présence ou non d'un profil growth dans l'équipe, nom de la personne qui permet la mise en relation, connaissance voire ex-cliente du produit, recrutement en cours sur d'autres postes. C'est cette colonne qui permet au message généré d'être vraiment personnalisé.
Mapping des champs Pharow vers Airtable
| Champ Pharow | Champ Airtable | Usage dans le workflow |
|---|---|---|
| personFirstName | Prénom contact | Personnalisation du message |
| personLastName | Nom contact | Envoi LGM |
| positionJobTitle | Poste contact | Sélection des compétences à mettre en avant |
| personLinkedinUrl | LinkedIn contact | Envoi de la séquence via LGM |
| positionEmail | Email contact | Relance email si pas de réponse LinkedIn |
| companyUrl | URL site web | Scraping dans le workflow 2 |
| companyNafSector | Secteur NAF | Contexte pour l'agent IA |
| companyEmployeeRangeCorrected | Effectif | Contexte pour le message |
| companyAnnualRevenueEuros | Chiffre d'affaires | Contexte |
| personSalutation | Civilité + Genre | Accord grammatical dans le message |
Le champ "Genre" est calculé dynamiquement : personSalutation === 'Monsieur' ? 'man' : 'woman'. Ce champ est transmis à La Growth Machine pour les variables de personnalisation de la séquence.
.png)
Alternatives à Pharow
| Outil | Points forts | Limite |
|---|---|---|
| Kaspr | Intégration LinkedIn native, API disponible | Moins de données légales françaises |
| Dropcontact | Enrichissement email, RGPD | Pas de base de contacts native |
| Apollo.io | Base internationale large, API complète | Moins adapté au marché français |
| LinkedIn Sales Navigator | Données LinkedIn à jour | Cher, pas d'export facile vers n8n |
Workflow 2 : analyser le site de l'entreprise et générer le pitch CV

C'est le workflow le plus complexe mais aussi le plus intéressant, parce que c’est lui qui permet la personnalisation à grande échelle. L’idée n’était pas seulement de récupérer des informations sur l’entreprise, mais de comprendre son positionnement, ses enjeux et d’identifier un angle pertinent pour la candidature.
Il tourne en autonomie sur un déclencheur scheduler (toutes les 5 minutes) et traite les prospects dont le statut Airtable est "A enrichir" (premier node).
Le scraping multi-pages

Pour chaque entreprise, le workflow construit automatiquement une liste de 10 URLs à partir de l'URL de base :
https://entreprise.fr
https://entreprise.fr/a-propos
https://entreprise.fr/qui-sommes-nous
https://entreprise.fr/services
https://entreprise.fr/solutions
https://entreprise.fr/expertises
https://entreprise.fr/clients
https://entreprise.fr/cas-clients
https://entreprise.fr/ressources
https://entreprise.fr/produits
Chaque URL est scrapée via un noeud HTTP Request. Le HTML brut est ensuite nettoyé par un noeud Code JavaScript qui supprime les balises <script>, <style> et toutes les balises HTML pour ne conserver que le texte, limité à 4 000 caractères par page. L'URL canonique est extraite depuis les meta tags (<link rel="canonical"> ou <meta property="og:url">).
Les pages valides (qui ne renvoient pas "Page non trouvée") sont filtrées par un noeud IF.

Puis elles sont agrégées en un seul item avec deux tableaux : les URLs scrapées et les textes nettoyés correspondants.

Limite à connaître : si le site utilise un JavaScript heavy (React, Vue sans SSR), le scraping récupère souvent une page vide ou très pauvre. Dans ce cas, l'analyse IA reste générique. Il n'existe pas de contournement simple sans headless browser (Playwright, Puppeteer), qui alourdit considérablement le workflow.
L'analyse avec GPT-4o
Le contenu scrappé est envoyé à GPT-4o avec un prompt système structuré. Le prompt est extrêmement important, parce que c’est lui qui conditionne la qualité de la personnalisation. Le but n’était pas d’avoir un résumé du site, mais des angles d’accroche exploitables pour une candidature.
Le modèle produit une fiche en 6 sections obligatoires :
- Positionnement : 1 à 2 phrases ("Ils font X pour Y")
- Offre : 3 à 6 bullet points
- Clients / preuves : logos, cas clients, secteurs cités
- Expertises : 3 à 8 mots-clés
- Enjeux : 2 à 4 problèmes mis en avant sur le site
- Angle d'accroche suggéré : 3 angles maximum, chacun en 2 à 3 phrases reliant un élément du site à un élément concret du CV
Voici le prompt simplifié :
Tu es un assistant d’analyse d’entreprise pour candidatures spontanées.
Objectif :
Analyser le contenu d’un site web et produire :
- Positionnement
- Offre
- Clients / preuves
- Expertises
- Enjeux business probables
- Angle d’accroche personnalisé en lien avec mon profil
Règles :
- Ne rien inventer
- Si l’information n’existe pas : écrire "Non trouvé"
- Les angles doivent relier un élément du site et un élément de mon CV
- Le ton doit rester professionnel et concret
Tu es un assistant d’analyse d’entreprise pour candidatures spontanées.
Objectif :
Analyser le contenu d’un site web et produire :
- Positionnement
- Offre
- Clients / preuves
- Expertises
- Enjeux business probables
- Angle d’accroche personnalisé en lien avec mon profil
Règles :
- Ne rien inventer
- Si l’information n’existe pas : écrire "Non trouvé"
- Les angles doivent relier un élément du site et un élément de mon CV
- Le ton doit rester professionnel et concret
L'injection du CV comme outil
Le CV est stocké dans un Google Doc. Il est connecté à GPT-4o via un noeud "Google Docs Tool" : le modèle peut l'appeler quand il en a besoin pour personnaliser la section "Angle d'accroche suggéré". Ce mécanisme permet à l'analyse de relier les enjeux détectés sur le site aux expériences et compétences réelles du CV, sans jamais les inventer.

Résultat en sortie
La fiche générée est écrite dans le champ "Analyse site + pitch CV" d'Airtable. Le statut passe à "Analyse site". C'est à ce stade que la relecture humaine intervient : vérifier la qualité de l'analyse, compléter la colonne "Notes" avec les informations que le webhook Pharow n'a pas transmises, et valider avant de passer à la génération du message.

Ce workflow change complètement la qualité des messages, parce qu’on ne part plus de :
“J’ai vu que vous étiez une entreprise innovante…”
Mais plutôt de :
“J’ai vu que vous accompagniez des scale-ups B2B sur des problématiques d’acquisition et de structuration marketing, notamment sur des cycles de vente longs…”

Workflow 3 : générer le message LinkedIn et l'envoyer via La Growth Machine
L’objectif du troisième workflow était de générer automatiquement un message LinkedIn personnalisé, prêt à être relu puis envoyé dans La Growth Machine.

Pourquoi Claude Sonnet 4.5 plutôt que GPT-4o
GPT-4o est utilisé pour l'analyse de site, une tâche de synthèse structurée. Pour la rédaction du message LinkedIn, j'ai choisi Claude Sonnet 4.5 pour deux raisons :
Premièrement, le contrôle de la température. n8n permet de configurer ce paramètre directement sur le noeud de modèle Claude, ce qui n'est pas possible de la même façon sur Make. J'ai fixé la température à 0,8 : assez créatif pour varier le style d'un message à l'autre, assez cohérent pour rester dans le cadre du prompt. Make ne permet pas ce niveau de contrôle sur l'agent IA, ce qui était une limitation bloquante pour moi.
Deuxièmement, la qualité sur des tâches rédactionnelles courtes. Sur des messages de 80 à 120 mots avec des contraintes stylistiques fortes, Claude produit des textes plus naturels et moins "template" que GPT-4o.

Le few-shot prompting : pourquoi c'est indispensable
Définition : le few-shot prompting consiste à fournir au modèle 2 à 5 exemples de la tâche attendue directement dans le prompt, avant de lui demander de produire son propre résultat. Le modèle reconnaît le motif et reproduit le style, le format et le ton des exemples plutôt que de générer une réponse générique.
Source : Prompt Engineering Guide
Sans examples dans le prompt, Claude produit des messages corrects mais uniformes. Avec 2 exemples réels de messages que vous avez vous-même écrits et qui ont bien fonctionné, il reproduit votre voix et varie la structure d'un message à l'autre. C'est la différence entre un message qui semble automatisé et un message qui semble écrit spécifiquement pour la personne.
Les exemples sont intégrés directement dans le prompt système du noeud agent.
Les règles du prompt système
Le prompt système de l'agent définit :
- Le profil de Célia (12 ans marketing RH, 2 ans B2B, transition growth)
- La structure du message : 80 à 120 mots, commencer par "Bonjour [Prénom],", deuxième phrase = variante de "merci pour la connexion", angle d'accroche variable selon le champ "Analyse site + pitch CV" et "Notes"
- Les mots interdits : "passionné(e)", "profil idéal", "opportunité", "motivé(e)", "dynamique", "Cordialement"
- Les phrases interdites : "Je me permets de vous contacter", "Je m'intéresse beaucoup à [entreprise]"
- La règle sur la croissance : ne mentionner "en croissance" que si le champ Airtable correspondant est à "true"
- La règle sur les outils : ne jamais appeler le même outil deux fois dans une exécution
Voici le prompt system message :
Tu es un expert en copywriting LinkedIn pour candidatures spontanées.
Tu ne cherches pas à impressionner : tu cherches à créer une connexion réelle.
Tu rédiges des messages pour Célia Lenormand, growth marketeuse en transition après 12 ans de marketing RH.
# PROFIL DE CÉLIA
- 12 ans en marketing RH (employer branding, acquisition, campagnes multicanales)
- 2 ans en marketing B2B (inbound)
- Cible : rôle growth marketing en HR tech ou secteur RH (acquisition, funnel, automatisation)
# RÈGLES DE RÉDACTION
- 80 à 120 mots, message seul, sans commentaire ni introduction
- Commencer par "Bonjour [Prénom],"
- Deuxième phrase : variante de "merci pour la connexion"
- Troisième phrase : varier l'angle selon "Analyse site + pitch CV" et "Notes" :
→ Produit/positionnement : "Ce que vous faites sur [sujet] me parle vraiment." / "[Entreprise] fait partie des rares acteurs qui [angle]."
→ Signal détecté : "J'ai vu que vous [signal] — c'est exactement le contexte où je pense apporter quelque chose."
→ Connaissance commune : "[Prénom] m'a parlé de vous."
→ Curiosité : "En regardant [entreprise], j'ai été frappée par [élément précis]."
- Structure variable d'un message à l'autre — chaque message doit sembler écrit spécifiquement pour cette personne
- Ton direct, humain, sans jargon, sans bullet points, sans tiret cadratin long
- Dernière phrase : courte et naturelle ("Seriez-vous disponible pour un échange ?")
Interdire : "Je serais ravie d'échanger pour voir comment je pourrais contribuer à [entreprise]"
- Mots interdits : "passionné(e)", "profil idéal", "opportunité", "motivée", "dynamique", "Cordialement"
- Phrases interdites : "Je me permets de vous contacter", "Je m'intéresse beaucoup à [entreprise]"
- Ne jamais inventer d'informations absentes des données
- Ne jamais mentionner la croissance si "En croissance" est vide ou faux
- Ne jamais appeler le même tool deux fois
# DONNÉES PRIORITAIRES — LIRE AVANT DE RÉDIGER
## "Analyse site + pitch CV" (source principale)
- Utiliser au moins un angle d'accroche de ce champ
- Mentionner un élément concret du site (produit, positionnement, enjeu)
- Mentionner la connaissance de Célia de la cible RH (adapter : DRH, responsable recrutement, etc.)
- Si vide : utiliser les autres données disponibles
## "Notes" (contextuel, obligatoire)
- Connaissance commune → commencer par cette référence
- Pas d'équipe marketing → positionner Célia comme premier profil growth, double compétence RH + B2B
- Équipe marketing existante → positionner comme experte pour amplifier la croissance
- Cabinet de recrutement → angle growth hiring (acquisition candidats, funnel, automatisation, IA)
- "En croissance" = true → mentionner la contribution à cette dynamique
- "En croissance" = false/vide → ne pas mentionner la croissance
# EXEMPLES
Exemple 1 :
Exemple 2 :
L'outil Skills Analyzer
L'agent dispose d'un outil connecté à la table "Compétences" d'Airtable. Cette table liste les compétences actives de Célia avec leur catégorie (Growth Marketing, Automation-AI-No code, Data, Softskills), leur niveau (Débutant à Expert) et des détails sur les outils associés.
L'agent sélectionne 1 à 3 compétences maximum selon le profil de l'entreprise, dans cet ordre de priorité :
- Les "Preuves" (résultats chiffrés)
- Les compétences Expert ou Avancé directement liées au secteur
- Les compétences Automation-AI-No code si l'entreprise est une startup ou scale-up tech
- Les Softskills uniquement en dernier recours

L'appel API La Growth Machine
Une fois le message généré, il est transmis simultanément à deux endroits :
- Sauvegardé dans le champ "Message généré" d'Airtable via le noeud "Custom message generated" (outil de l'agent)
- Envoyé à l'API La Growth Machine via un noeud HTTP Request POST
L'appel API LGM crée un lead dans l'audience "Outbound Candidate" avec toutes les données du prospect et le message personnalisé injecté dans le champ customAttribute1. C'est ce champ qui est utilisé dans la séquence LGM pour personnaliser l'envoi.
Un noeud IF vérifie ensuite que l'API a répondu avec un statut HTTP 200 :
- Si oui : le statut Airtable passe à "Envoyé LGM"
- Si non : le statut passe à "Erreur envoi LGM" pour retraitement manuel

La relecture humaine avant lancement
Le message généré est dans Airtable avec le statut "Message rédigé". Avant de lancer la campagne dans LGM, je relis chaque message. En pratique, les messages ne correspondent pas à 100% à ce que j'aurais écrit moi-même : le ton est parfois trop formel, une reformulation s'impose ici ou là. Cette étape de relecture et de correction prend 2 à 3 minutes par message. Elle est indispensable.
Le workflow ne lance pas la séquence LGM automatiquement. L'envoi se fait depuis l'interface LGM après validation des messages dans Airtable.


Workflow erreur : ne pas rater les pannes silencieuses
Un workflow n8n peut planter sans que vous le remarquiez si vous n'avez pas mis en place de surveillance.
J'ai créé un workflow dédié à la gestion des erreurs : configuré comme "error workflow" dans les paramètres de chaque workflow principal, il se déclenche automatiquement en cas d'échec et envoie un email formaté via Gmail avec le nom du workflow, l'ID d'exécution, le dernier noeud exécuté et le message d'erreur.

Les fichiers JSON des 3 workflows sont disponibles sur demande.Ecrivez-moi par email ou sur LinkedIn.
Résultats obtenus et limites réelles
Les chiffres
| Métrique | Résultat |
|---|---|
| Leads importés et traités | 100 |
| Séquences envoyées | 100 |
| Réponses obtenues | 17 |
| Taux de réponse | 17% |
| Temps estimé économisé | ~100 heures |
| Coût total stack (trials & api IA) | 3€ |
Pour rappel, le taux de réponse moyen d'un message LinkedIn générique est de 6,4 à 6,9%. Un message personnalisé manuellement atteint 26 à 31%. Le résultat obtenu (17%) se situe entre les deux, ce qui est cohérent : la personnalisation est réelle mais imparfaite, la relecture humaine améliore le résultat mais ne remplace pas une rédaction 100% manuelle.
Source benchmark : alsona.com
Les limites techniques
Rate limit de l'API agent IA. Pendant la phase de tests, le rate limit de l'API Claude (et GPT-4o) a été atteint plusieurs fois lors d'exécutions en parallèle. Le workflow "Custom message" est volontairement limité à 2 prospects par exécution pour y remédier.
Qualité imparfaite des messages générés. L'agent respecte les règles du prompt mais ne produit pas toujours exactement le message souhaité. Le few-shot prompting améliore significativement le résultat, mais la relecture reste nécessaire.
Données Pharow incomplètes via webhook. Comme mentionné, l'organigramme et les signaux de recrutement en cours ne passent pas par le webhook. La colonne "Notes" doit être complétée manuellement pour chaque prospect où ces informations sont critiques pour la personnalisation.
Scraping limité sur les sites JavaScript-heavy. Sites construits avec React ou Vue sans rendu côté serveur : le scraping récupère souvent du contenu vide. L'analyse GPT-4o produit alors une fiche trop générique.
Coûts des outils
| Outil | Trial | Prix payant | Alternative gratuite / moins chère |
|---|---|---|---|
| n8n | Community Edition gratuite (self-hosted) | Dès $20/mois (cloud) | n8n self-hosted sur VPS (~5€/mois) |
| Pharow | 15 jours sans CB | 25€/utilisateur supplémentaire | Apollo.io (plan gratuit limité) |
| La Growth Machine | 14 jours sans CB | 60 à 180€/mois | Lemlist, Waalaxy |
| Airtable | Plan gratuit (1 000 records, 100 automations/mois) | $20/utilisateur/mois | NocoDB (open source), Google Sheets |
| Claude Sonnet 4.5 (API) | Pay-as-you-go | ~0,01€ par message généré | GPT-4o-mini (moins cher, qualité inférieure) |
| GPT-4o (API) | Pay-as-you-go | ~0,03€ par analyse de site | Claude Haiku (moins cher) |
Astuce LGM : en assistant à un product tour avec l'équipe La Growth Machine, ils doublent la durée de votre trial, soit un mois complet au lieu de 14 jours. C'est suffisant pour envoyer 100 séquences complètes.
Attention : en trial, l'accès à l'API est limité. Il n'est pas possible d'automatiser le suivi de campagne depuis n8n.
Pourquoi j’ai choisi n8n plutôt que Make
Au départ, j’avais construit ce système sur Make. Mais j’ai finalement migré vers n8n pour une raison simple : la gestion des agents IA est plus avancée et plus flexible.
Par exemple, dans n8n, je peux :
- utiliser plusieurs modèles IA,
- gérer la logique d’un agent,
- ajuster des paramètres comme la température,
- chaîner plusieurs étapes d’analyse,
- créer des workflows plus complexes.
Dit simplement :
Make est très bien pour connecter des outils.
n8n est très bien pour construire de la logique.
Et dans mon cas, j’avais besoin de logique plus que de simples automatisations.
| Critère | n8n | Make |
|---|---|---|
| Température configurable sur l'agent IA | Oui | Non |
| Connexion directe d'outils à l'agent | Oui | Via scénarios préalables uniquement |
| Self-hosting | Oui (Community Edition gratuite) | Non |
| Prix cloud | Dès $20/mois | Dès ~9€/mois |
| Flexibilité des LLM supportés | Élevée | Limitée |
Ce workflow s'applique aussi à la prospection B2B
Le système décrit ici est construit pour des candidatures spontanées, mais l'architecture est identique à celle d'un workflow de prospection commerciale outbound.
Les adaptations à faire :
| Élément | Version candidature spontanée | Version prospection B2B |
|---|---|---|
| Table Airtable | Candidatures spontanées | CRM prospects |
| Prompt système | Copywriting LinkedIn candidat | Copywriting LinkedIn commercial |
| Champ "Compétences" | Compétences de Célia | Offre de l'entreprise / USP |
| Audience LGM | Outbound Candidate | Campagne commerciale |
| Analyse site | Recherche d'un angle d'accroche emploi | Recherche d'un signal d'achat |
Construire ces workflows m’a fait comprendre quelque chose d’important :
L’automatisation n’est pas un sujet d’outils.
C’est un sujet de process.
Avant même d’ouvrir n8n, j’ai dû me poser ces questions :
- Quelles sont les étapes d’une candidature spontanée ?
- Quelles étapes prennent du temps ?
- Quelles étapes peuvent être automatisées ?
- Quelles étapes doivent rester humaines ?
- Quelles données sont nécessaires ?
- Quel est mon funnel ?
En réalité, le vrai travail n’a pas été de construire les workflows.
Le vrai travail a été de modéliser la recherche d’emploi comme un funnel.
Et une fois que le funnel existe, l’automatisation devient presque une conséquence logique.
Questions fréquentes
Faut-il savoir coder pour construire ces workflows ?
Non. n8n est un outil no-code. Les seules lignes de code présentes dans ce workflow sont le noeud Code JavaScript pour nettoyer le HTML (une trentaine de lignes que vous pouvez copier-coller) et les expressions n8n pour mapper les champs. Aucune compétence en développement n'est requise.
Quel budget prévoir pour reproduire ce stack ?
Zéro si vous utilisez les trials. Sur la durée, comptez environ 100 à 200€/mois pour le stack complet (LGM + Pharow + n8n cloud), ou moins de 20€/mois en self-hostant n8n et en utilisant les plans gratuits d'Airtable et les API en pay-as-you-go.
Est-ce que les recruteurs détectent les messages automatisés ?
Un message générique, oui. Un message avec une accroche spécifique au site de l'entreprise, une référence à un élément concret du poste ou de l'équipe, et un style naturel sans formules toutes faites : non. La règle d'or est de ne jamais envoyer un message généré sans relecture. Le few-shot prompting et les règles de rédaction dans le prompt système font la majorité du travail.
Combien de candidatures spontanées envoyer par semaine ?
Les règles d'usage LinkedIn recommandent de ne pas dépasser 20 à 25 demandes de connexion par jour pour éviter les restrictions de compte. Pour une campagne outbound, je recommande de rester entre 30 et 50 séquences par semaine, avec des messages relus et validés.
Faut-il obligatoirement Pharow et La Growth Machine ?
Non. Pharow peut être remplacé par Apollo, Kaspr ou même un export LinkedIn Sales Navigator traité dans Google Sheets. LGM peut être remplacé par Lemlist ou Waalaxy. L'architecture n8n reste identique : seul le noeud d'envoi final change.
Ce qu’il faut retenir
- Une candidature spontanée fonctionne comme une campagne de prospection.
- Le problème n’est pas le CV, mais le process : ciblage, volume, personnalisation et suivi.
- n8n permet d’automatiser la recherche, l’analyse et la rédaction des messages.
- L’IA permet de personnaliser à grande échelle, mais la relecture humaine reste indispensable
- Cette machine peut aussi être utilisée pour la prospection B2B.
- L’automatisation n’est pas un sujet d’outils, c’est un sujet de process.
A qui s'adresse cet article ?
Quels outils ont été utilisés ?
Articles similaires
A propos de l'auteur

Après 12 ans en marketing RH, Célia a décidé de prendre un nouveau tournant et de se reconvertir dans le Growth Marketing.
Formations, certifications et expérimentations terrain : elle a développé ses compétences et est maintenant prête à se lancer sur le marché du travail.
👉 Découvrez son parcours

