Agents d'IA pour la recherche de prospects Nourrissez votre IA avec données réelles de Google Maps

Les agents d'IA ont soif de données réelles

Demandez à ChatGPT de vous trouver « 50 dentistes à Chicago avec leurs numéros de téléphone » et vous obtiendrez une liste qui semble correcte, mais qui est en grande partie erronée. Les grands modèles de langage prédisent le texte, ils n'explorent pas votre marché local. Sans véritable base de données, les agents d'IA créent de toutes pièces des entreprises, inventent des numéros de téléphone et falsifient discrètement les évaluations.

La solution ne consiste pas à améliorer l'invite de commande. La solution est données réelles. Une fois que vous remettez à un agent un fichier d'entreprises vérifiées extraites directement de Google Maps, tout ce qui suit (notation, segmentation, contenu des messages de prospection) est ancré dans la réalité. Le modèle cesse de deviner et commence à raisonner à partir de faits que vous possédez.

C’est tout le principe du concept « alimenter votre IA en données ». Vous collectez les données avec un outil d’extraction, et l’IA se charge du traitement Nourrissez votre IA avec des données d'entreprise Le guide explique l'état d'esprit. Cet article décrit le processus pratique : comment obtenir le fichier et comment l'exploiter avec les deux agents les plus couramment utilisés.

Capturez et exportez le fichier

Ouvrez Google Maps, effectuez une recherche comme « couvreurs à Denver » et laissez l'extension Vonsel récupérer les annonces. Une fois la récupération terminée, exportez les données en un clic. L'extension propose trois formats: CSV pour les tableurs, Exceller pour un classeur formaté, et JSON pour tout ce qui est programmatique.

Le format à choisir dépend de l'agent. En règle générale : CSV ou Excel pour ChatGPT, JSON pour Claude Code et les agents pilotés par code Options d'exportation CSV, XLSX et JSON Le guide détaille les conditions de victoire de chaque camp, et exportation de prospects pour l'IA montre comment façonner les colonnes avant de les remettre.

Ce sont les champs qui importent, plus que le format. Chaque exportation inclut le nom de l'entreprise, sa catégorie, son adresse complète, son numéro de téléphone, son site web, sa note, le nombre d'avis et le texte de ces avis. Ce sont précisément les informations dont un agent a besoin pour évaluer l'adéquation et les intentions du client, et elles proviennent de Google Maps et non d'une liste achetée obsolète. Pour comprendre l'importance de ce choix, voir… Données Google Maps vs listes achetées..

Utilisez la liste avec ChatGPT

ChatGPT est la méthode la plus rapide pour démarrer, car il lit nativement les feuilles de calcul. Glissez-déposez votre fichier CSV ou Excel dans une conversation et ChatGPT le convertit en un tableau qu'il peut analyser, trier et filtrer. Son analyseur de données intégré exécute Python en arrière-plan, ce qui lui permet de traiter des milliers de lignes sans que vous ayez à écrire une seule ligne de code. Voir OpenAI documentation des outils pour expliquer comment fonctionnent les entrées de fichiers et l'exécution du code.

Une fois le fichier téléchargé, des invites effectuent les recherches pour vous. Voici quelques exemples particulièrement utiles:

Évaluer la liste: "Classez ces entreprises par ordre de priorité de prospection. Une note élevée correspond à une note inférieure à 4,2, avec plus de 40 avis et un site web fonctionnel. Ajoutez une colonne « Note » et une brève explication. Cette simple consigne transforme une liste statique en un pipeline de prospects classés.

Segmentation par douleur: "Lisez les avis et classez les entreprises en trois catégories : plaintes concernant la lenteur du service, les prix et le personnel. Remettez un tableau indiquant le nom de l’entreprise et sa catégorie. Vous saurez ainsi comment aborder le problème avant même de décrocher le téléphone.

Projet de sensibilisation: "Pour les dix entreprises les mieux notées, rédigez une courte phrase d'accroche pour un e-mail de prospection, faisant référence à une tendance récurrente dans leurs avis. Comme les avis sont authentiques, ces accroches sont ciblées et non génériques. Pour une version plus détaillée, consultez [lien analyser les listes de prospects avec ChatGPT..

Mettez-le à l'échelle avec Claude Code

ChatGPT est idéal pour une seule liste dans une fenêtre de chat. Lorsque vous avez vingt exportations, ou que vous souhaitez exécuter la même analyse chaque semaine, vous avez besoin d'un agent qui se trouve à côté de vos fichiers. C'est le cas Code Claude, un agent terminal qui lit le dossier dans lequel se trouvent vos exportations JSON et CSV et agit directement sur celles-ci.

Le processus est simple. Déposez vos exportations Vonsel dans un dossier de projet, ouvrez Claude Code et décrivez la tâche en langage clair. Le logiciel écrit et exécute le script, puis vous fournit le résultat. Plus besoin de copier-coller, ni de limite de taille, ni de vous perdre dans les détails, même avec une longue liste.

Voici un exemple de requête : « Fusionnez tous les fichiers JSON exportés dans ce dossier, supprimez les doublons d'entreprises par numéro de téléphone et générez un seul fichier CSV classé. » Ou encore : « Pour chaque entreprise possédant un site web, repérez celles dont les avis mentionnent des problèmes de réservation ou d'organisation et enregistrez-les dans hot-leads.csv. » Claude Code transforme ces instructions en code réutilisable que vous pouvez exécuter à nouveau le mois prochain avec des données actualisées.

Comme il est scriptable, le travail s'accumule. Une fois qu'une routine de notation existe, chaque nouvelle donnée extraite suit la même logique en quelques secondes Analyser les prospects avec Claude Code Le guide passe en revue l'installation complète, et Du scraping au flux de travail CRM basé sur l'IA l'intègre à votre processus.

ChatGPT contre Claude Code pour la recherche de prospects

La plupart des utilisateurs commencent avec ChatGPT et passent à Claude Code à mesure que leurs listes s'étoffent. Aucun des deux ne remplace l'autre. Vous explorez une nouvelle requête dans ChatGPT et vous automatisez les tâches récurrentes dans Claude Code.

Codex et modèles locaux

Si vous vivez dans un éditeur de code, Codex OpenAI Il remplit la même fonction que Claude Code depuis le terminal ou votre IDE. Indiquez-lui le fichier JSON exporté et décrivez la transformation. C'est une solution idéale si votre équipe développe déjà des outils pour exploiter les données de prospects.

Pour les listes sensibles ou les volumes importants, un modèle local conserve toutes les données sur votre machine. Les outils qui exécutent des modèles ouverts sur votre propre matériel lisent exactement les mêmes exportations CSV et JSON, sans que les données ne quittent votre ordinateur portable et sans coût par jeton. Le compromis est un contexte plus restreint et une configuration plus complexe utiliser des LLM locaux avec des données de plomb Ce guide explique dans quels cas la protection de la vie privée en vaut la peine.

Quel que soit l'agent choisi, l'entrée est identique : une exportation propre depuis une extension de navigateur gratuite. Le scraper reste le même, mais vous pouvez remplacer la couche d'IA. Voir la suite Documentation des extensions Chrome pour comprendre comment fonctionne la capture basée sur le navigateur en interne.

Là où la recherche devient source de revenus

Un agent IA vous fournit une liste classée, segmentée et annotée. C'est un excellent résultat de recherche. Mais ce n'est pas encore une démarche commerciale. Pour exploiter concrètement ces prospects, il vous faut un outil pour les visualiser sur une carte, suivre leur statut et les contacter à grande échelle.

C'est le rôle du Tableau de bord Vonsel. L'extension intègre les données de vos entreprises collectées dans un CRM cartographié. L'analyse des avis clients de Vonsel identifie les points faibles et rédige un e-mail personnalisé par IA pour chaque entreprise. Ainsi, les recherches effectuées par votre agent en externe deviennent des données contextualisées et à forte valeur ajoutée, exploitables en interne. Le scraper et l'agent externe sont les moyens. Le tableau de bord est le résultat final.

Vous pouvez gérer les deux processus simultanément : exporter les données vers votre IA préférée pour une analyse exploratoire, et conserver le pipeline de travail dans Vonsel où le CRM mappé et l’e-mail IA par métier bouclent la boucle. Les mêmes données alimentent simultanément votre IA et votre processus de vente.