Le problème
La plupart des outils de 'notation de leads par IA' notent implicitement — le modèle 'ressent' le lead — laissant les équipes commerciales incapables de vérifier pourquoi un lead a obtenu 78 vs 42, et enfermant le score dans une boîte noire du fournisseur qui ne peut pas être exportée.
La solution Scavio
n8n + GPT/Claude + rubrique pondérée de 12 lignes dans le prompt système + enrichissement Scavio pour les champs de formulaire manquants. La rubrique EST le produit ; traitez-la comme du code.
Avant
SaaS de 220 personnes, 120 leads/semaine, deux AE passant 15 h/semaine à trier, délai médian de réponse sur les leads chauds 9 heures.
Après
Lead → score en 60 secondes, routé vers le bon canal, raison consignée dans le CRM. Remplace ~15 h/semaine de tri manuel. Coût par lead 0,01-0,04 $.
À qui cela s'adresse
Équipes SaaS à fort trafic entrant avec 50-500 leads/semaine ; ingénieurs de croissance fatigués des modèles ML opaques ; agences produisant la notation de leads.
Avantages clés
- Auditable : chaque score a une raison ancrée dans la rubrique
- Coût par lead <0,05 $
- Pas de dépendance fournisseur (la rubrique est portable entre LLM)
- L'enrichissement Scavio comble les lacunes firmographiques que le formulaire ne capture pas
- Configuration prend 1 jour, pas 2 à 4 semaines
Exemple Python
import requests, os
H = {'x-api-key': os.environ['SCAVIO_API_KEY']}
RUBRIC = '''Score 0-100 using ONLY this rubric. Return {"score":int,"reason":"..."}.
Title fit:30 Industry:25 Company size:20 Intent:15 Fit notes:10'''
def enrich(company):
r = requests.post('https://api.scavio.dev/api/v1/search', headers=H,
json={'query': f'site:linkedin.com/company {company}'}).json()
return r.get('organic_results', [])[:3]
def score(lead, llm_call):
e = enrich(lead['company'])
return llm_call(RUBRIC + f'\nLead: {lead}\nEnrichment: {e}')Exemple JavaScript
// Same shape in TS via fetch + LLM SDK. n8n is the deliverable.Plateformes utilisées
Recherche web avec graphe de connaissances, PAA et aperçus IA