Construisez le workflow «Lead Scoring Auto» dans n8n : webhook ou Salesforce → enrichissement Apollo/Clearbit → scoring IA (OpenAI ou Gemini) → routing hot/mid/cold → notification Slack. Chaque lead scoré en moins de 30 secondes, RGPD inclus.
La plupart des PME scorent leurs leads à la main, ou pas du tout. Un commercial regarde rapidement la fiche, décide à l’instinct, et passe à autre chose. Résultat : les bons leads refroidissent pendant qu’on rappelle les mauvais.
Ce tutoriel décrit un workflow n8n complet et testé : enrichissement des données + scoring IA dans un seul flux, pas deux workflows séparés. Vous repartez avec une logique reproductible et un template JSON prêt à importer.
Ce que vous allez construire
- Trigger : un webhook (formulaire) ou un nœud Salesforce Trigger capte chaque nouveau lead en temps réel.
- Enrichissement : un nœud HTTP Request interroge Apollo.io ou Clearbit pour compléter les données manquantes (secteur, taille, poste).
- Scoring IA : un nœud OpenAI ou Google Gemini attribue une note A-F selon le framework BANT.
- Routing : un nœud Switch dirige le lead vers trois branches selon son score (hot/mid/cold).
- Notification : un nœud Slack alerte l’équipe commerciale sur les leads chauds ; les leads froids partent en séquence d’email nurture.
- RGPD : un nœud Code masque les PII avant tout envoi à l’API IA.
Au sommaire
Avant de lancer le premier nœud, vérifiez que vous disposez de tout ce qui suit. Un prérequis manquant bloque le workflow à mi-chemin, ce qui est plus frustrant qu’un blocage dès le départ.
Prérequis
- Un compte n8nCloud (à partir de 20 €/mois) ou instance self-hosted : les deux fonctionnent identiquement pour ce workflow.
- Une clé API OpenAI ou Google GeminiUn modèle léger (mini ou nano chez OpenAI, Flash-Lite chez Google) suffit pour le scoring ; comptez 3 à 10 €/mois selon le volume de leads.
- Un compte Apollo.io ou ClearbitLe plan gratuit Apollo couvre jusqu’à 50 enrichissements/mois, suffisant pour tester.
- Un accès CRMSalesforce, HubSpot ou simple webhook depuis votre formulaire de contact : le nœud Salesforce Trigger est natif dans n8n.
- Un canal SlackPour recevoir les alertes leads chauds ; un simple webhook Slack entrant suffit.
- Temps de setupComptez un après-midi complet pour la première mise en place et les tests.
Le scoring de leads automatisé : définition et pourquoi n8n change la donne
Le scoring de leads automatisé, c’est faire évaluer chaque nouveau contact commercial par une IA selon des critères précis (budget, autorité, besoin, délai), sans qu’un humain ait à le faire manuellement. Le résultat est une note structurée, attribuée en quelques secondes, qui décide du prochain mouvement commercial.
n8n change la donne parce qu’il permet de combiner enrichissement de données et scoring dans un seul flux, sans code. Les solutions SaaS de scoring vendent la même promesse, mais vous enfermez dans leur modèle de données.
Avec n8n, vous contrôlez chaque critère, chaque prompt, chaque règle de routing. Et vous pouvez brancher n’importe quel CRM ou source de leads, pas seulement ceux que l’éditeur a prévu.
Automatiser le scoring de leads avec n8n en 6 étapes
Le workflow «Lead Scoring Auto» suit un flux linéaire avec un branchement conditionnel en fin de chaîne. Chaque étape peut être configurée indépendamment, ce qui facilite le debug et les évolutions futures.
Infographie
Le pipeline en un coup d’œil
Trigger CRM/webhook
Enrichissement Apollo
Critères BANT
Scoring IA
Routing hot/mid/cold
Slack + email nurture
1
Configurer le trigger : webhook ou Salesforce
Nœud Webhook ou Salesforce Trigger
Le webhook (un nœud Webhook en mode POST) capture un lead dès qu’un formulaire est soumis. L’URL générée par n8n s’intègre directement dans votre formulaire Typeform, Tally ou votre landing page.
Si vous utilisez Salesforce, ajoutez un nœud Salesforce Trigger avec l’événement On Record Create sur l’objet Lead. Les données transmises au workflow sont identiques dans les deux cas : email, prénom, nom, société, poste.
2
Enrichir automatiquement les données du lead via Apollo
Nœud HTTP Request (Apollo.io)
Ajoutez un nœud HTTP Request en méthode POST vers https://api.apollo.io/v1/people/match. Passez dans le body JSON les champs email, first_name et organization_name issus du trigger. Apollo renvoie le secteur d’activité, la taille de l’entreprise, le chiffre d’affaires estimé et le niveau hiérarchique du contact.
C’est cette étape qui différencie ce workflow d’un simple scoring. Un lead qui arrive sans contexte repart avec 8 à 12 champs supplémentaires, ce qui permet à l’IA de scorer avec précision plutôt que de deviner.
3
Définir vos critères de scoring avec le framework BANT
Nœud Set (préparation du contexte IA)
Ajoutez un nœud Set pour construire un champ scoring_context qui consolide les données du trigger et de l’enrichissement. Le framework BANT (Budget, Authority, Need, Timeline) est le standard le plus fiable pour le B2B : chaque dimension est pondérée selon votre cycle de vente.
Voici les pondérations recommandées pour une PME B2B :
- Budget (30 pts) : taille d’entreprise >50 salariés ou CA estimé >5 M€.
- Authority (25 pts) : poste de niveau C-suite, VP, Directeur ou Responsable.
- Need (25 pts) : secteur cible ou formulaire rempli avec problème explicite.
- Timeline (20 pts) : mention d’un projet en cours ou délai exprimé dans le formulaire.
Ces pondérations sont des valeurs de départ. Ajustez-les après 30 leads scorés en comparant le résultat IA au verdict réel de vos commerciaux.
4
Scorer le lead avec OpenAI ou Gemini : comparatif et prompt exact
Nœud OpenAI ou Google Gemini
Ajoutez un nœud OpenAI (modèle mini ou nano le plus récent) ou Google Gemini (modèle Flash-Lite le plus récent). Passez le champ scoring_context construit à l’étape 3 dans le message utilisateur. Le system prompt suivant produit un résultat structuré et parseable :
You are a B2B lead scoring assistant. Based on the BANT context provided, assign a grade from A (best) to F (worst) and a score from 0 to 100. Return ONLY valid JSON: {"grade": "A", "score": 87, "reason": "one sentence"}. Do not add any text outside the JSON.
Sur ce type de tâche courte et structurée, les modèles légers d’OpenAI et de Google donnent en général des grades proches. La principale différence tient au coût et à la discipline de format : les prix changent plusieurs fois par an, et le respect de la contrainte «JSON uniquement» varie d’un modèle à l’autre.
Recommandation pratique : testez les deux sur une vingtaine de vos leads, gardez celui qui renvoie un JSON propre à chaque fois, puis comparez les coûts si votre volume dépasse 500 leads/mois.
5
Router le lead selon son score (hot / mid / cold)
Nœud Switch
Ajoutez un nœud Switch avec trois règles portant sur le champ {{ $json.score }} issu de la réponse IA. Les seuils recommandés pour démarrer :
- Hot (score ≥ 70) : lead chaud, alerte Slack immédiate à l’équipe commerciale.
- Mid (score 40-69) : lead tiède, ajout dans une séquence email nurture à 3 messages sur 10 jours.
- Cold (score < 40) : lead froid, inscription à la newsletter mensuelle uniquement.
La logique conditionnelle de n8n fonctionne ici comme un aiguillage ferroviaire : un seul lead entre, une seule branche sort, sans duplication de données.
6
Notifier l’équipe commerciale et déclencher le nurturing
Nœuds Slack, Gmail ou SendGrid
Sur la branche hot, ajoutez un nœud Slack qui poste un message dans le canal #leads-chauds avec le prénom, la société, le grade IA et la raison en une phrase. Ciblez un temps de réaction commercial inférieur à 15 minutes sur ces leads.
Sur la branche mid, un nœud Gmail ou SendGrid envoie le premier email de la séquence nurture avec un délai de 0 minute (immédiat). Les deux emails suivants sont programmés via des nœuds Wait de 3 et 7 jours.
Sur la branche cold, un simple nœud HTTP Request vers l’API de votre outil email ajoute le contact à votre liste newsletter. Aucune relance commerciale, aucun spam.
Vous préférez qu’on construise ce workflow pour vous ?
On configure, on teste, on livre un workflow prêt à tourner dans votre n8n.
Piège à éviter
Le piège à éviter : scorer sans enrichir d’abord
Le réflexe le plus courant est de brancher l’IA directement sur le trigger, sans passer par l’étape d’enrichissement. On envoie un prénom, un email et un nom de société, et on attend un score fiable.
L’IA score alors dans le vide. Elle invente ou extrapole les critères BANT qu’elle ne peut pas déduire d’une adresse email. Le grade A obtenu pour «jean@startup.io» ne vaut rien si on ignore que la startup a 3 salariés et zéro budget.
L’enrichissement (étape 2) n’est pas optionnel : c’est ce qui donne à l’IA la matière pour scorer avec pertinence. Sans lui, vous automatisez de la mauvaise qualification à grande échelle, ce qui est pire qu’une qualification manuelle imparfaite.
Le résultat concret : ce que gagne votre équipe commerciale
Une fois le workflow en production, chaque lead entrant est enrichi, scoré et routé en 20 à 35 secondes. L’équipe commerciale ne voit plus que les leads chauds dans Slack, avec le contexte complet déjà remonté.
Temps de scoring
< 30 s
Par lead, du trigger à la notification Slack
Temps commercial libéré
3 à 5 h/sem
Sur une base de 50 à 100 leads/semaine
Coût IA par lead
~0,01 €
Enrichissement + scoring par un modèle léger inclus
RGPD et data masking : ce que personne ne vous dit
Envoyer un prénom, un email et un numéro de téléphone à l’API OpenAI ou Gemini, c’est transférer des données personnelles (PII) à un sous-traitant hors UE. Sans base légale explicite ni DPA (Data Processing Agreement) signé avec l’éditeur, vous exposez votre entreprise au regard du RGPD.
La solution est simple : un nœud Code placé juste avant le nœud IA remplace les champs sensibles par des pseudonymes. Le data masking consiste à substituer l’email réel par un identifiant anonyme (ex : lead_0042), à supprimer le prénom et à ne conserver que les champs BANT non-identifiants (secteur, taille, poste générique).
L’IA score sur des données anonymisées et renvoie un grade. Un second nœud Set réassemble ensuite le grade avec les données réelles, sans que celles-ci aient jamais quitté votre infrastructure vers une API tierce.
OpenAI et Google ont tous deux signé des DPA compatibles RGPD, mais les conditions d’utilisation précisent que les données transmises via l’API peuvent être utilisées pour l’amélioration des modèles (sauf opt-out explicite). Le data masking est la seule protection fiable, indépendamment de la confiance que vous accordez à l’éditeur.
Le choix Daremonkey
Un modèle léger + data masking : le duo gagnant pour scorer sans risque
On démarre avec un modèle léger qui respecte bien le format JSON en sortie, et on intègre le nœud de masquage dès le départ, pas comme une correction après coup. Le setup initial prend un après-midi. Ce qu’on gagne ensuite, c’est un commercial qui ne passe plus ses matinées à trier des leads pour en trouver deux qui valent le coup.
L’IA ne remplace pas le jugement commercial sur les cas ambigus. Elle libère du temps pour que ce jugement s’exerce là où il a de la valeur, pas sur le tri initial.
À retenir
- Enrichissez avant de scorer : sans données BANT complètes, l’IA improvise et le grade ne vaut rien.
- Un modèle léger pour démarrer : gardez celui qui respecte le mieux le format JSON sur vos leads, comparez les coûts au-delà de 500 leads/mois.
- Nœud Code + masquage PII : indispensable avant tout appel à une API IA tierce, RGPD ou non.
- Trois branches, pas deux : la catégorie «mid» évite de jeter des leads qui ont juste besoin de temps.
- Calibrez après 30 leads réels : comparez le grade IA au verdict de vos commerciaux et ajustez les pondérations BANT.
Questions fréquentes
Peut-on utiliser ce workflow sans Salesforce ?
Oui. Le nœud Salesforce Trigger est interchangeable avec un nœud Webhook standard. Tout formulaire capable d’envoyer une requête POST (Typeform, Tally, HubSpot Forms) peut déclencher le workflow. La structure des données transmises reste identique.
Apollo.io est-il indispensable pour l’enrichissement ?
Non. Clearbit, Hunter.io ou même une combinaison de recherche LinkedIn via RapidAPI fonctionnent avec le même nœud HTTP Request. Apollo est recommandé pour son rapport coût/exhaustivité sur le marché B2B français, mais le workflow accepte n’importe quelle API qui renvoie du JSON.
Comment fonctionne le calcul du score de lead dans ce workflow ?
Le nœud IA reçoit un contexte structuré (secteur, taille, poste, besoin exprimé) et applique le framework BANT selon le system prompt fourni. Il retourne un score de 0 à 100 et un grade de A à F. Ce score n’est pas calculé par une formule mathématique fixe : l’IA pondère les critères en langage naturel, ce qui lui permet de gérer les cas mixtes (ex : budget fort mais décideur absent).
Le workflow est-il compatible avec n8n self-hosted ?
Oui, intégralement. Tous les nœuds utilisés (Webhook, HTTP Request, OpenAI, Switch, Slack, Gmail) sont disponibles dans la version community de n8n. Aucune fonctionnalité n8n Cloud n’est requise. La seule différence est que vous gérez vous-même les mises à jour et la disponibilité du serveur.
Combien de temps prend la mise en place de ce workflow n8n ?
Comptez un après-midi complet pour quelqu’un qui connaît déjà n8n : une heure pour le trigger et l’enrichissement, une heure pour le nœud IA et le prompt, une heure pour le routing et les notifications, et une heure pour les tests sur une dizaine de leads réels. Si c’est votre premier workflow n8n, ajoutez une demi-journée pour la prise en main de l’interface.
Prêt à automatiser votre qualification de leads ?
On peut construire et déployer ce workflow dans votre environnement n8n, avec vos critères BANT et votre CRM.
