Qualifier et router ses leads entrants automatiquement avec n8n et l'IA

Un formulaire de contact qui reçoit vingt à cent soumissions par jour finit toujours par le même problème : personne ne les lit toutes avec la même attention. Le lead qui cherche vraiment à acheter dans la semaine se retrouve mélangé à la demande de stage, au message de partenariat hors sujet et au spam commercial. Sans tri, c'est le premier arrivé qui est traité en premier — rarement le plus prometteur.

Un LLM change la donne parce qu'il lit un message comme le ferait un commercial expérimenté : il reconnaît un besoin précis, un budget mentionné, une urgence réelle, et les distingue d'une simple curiosité. Cet article construit, node par node, un pipeline n8n qui capte un lead à sa soumission, le score avec un barème explicite, puis le route automatiquement vers votre CRM et vers Slack pour les dossiers chauds — le tout en quelques secondes, sans intervention humaine sur le tri initial.

Vue d'ensemble du pipeline

Le pipeline tient en quatre briques, dans cet ordre : réception du formulaire par webhook, normalisation des champs, scoring par un LLM avec sortie structurée, puis routage conditionnel. C'est exactement l'architecture du workflow de scoring d'urgence des emails du Pack Inbox IA (79 €), appliquée ici à des leads plutôt qu'à des emails entrants : même squelette webhook + chaîne LLM + sortie structurée, un barème différent.

Étape 1 — Capter le lead sans dépendre d'un outil propriétaire

Le point d'entrée est un node Webhook (n8n-nodes-base.webhook) en méthode POST, avec le mode responseNode si vous voulez renvoyer une confirmation au formulaire appelant. L'intérêt d'un webhook générique plutôt qu'un trigger propriétaire : n'importe quel formulaire capable de faire un POST peut l'alimenter — Typeform, Tally, un formulaire HTML sur votre site, ou même un Form Trigger natif de n8n si vous préférez héberger le formulaire directement dans votre instance.

Attendez un JSON minimal : nom, email, message, et idéalement un ou deux champs qualifiants propres à votre activité (budget indicatif, taille d'équipe, délai souhaité). Plus ces champs sont présents, plus le scoring sera précis — mais le pipeline fonctionne même avec un simple champ « message » libre.

Étape 2 — Nettoyer et normaliser

Un node Set (n8n-nodes-base.set) juste après le webhook fait deux choses : il ne garde que les champs utiles pour maîtriser le coût en tokens, et il normalise leur format (email en minuscules, champs manquants remplacés par une chaîne vide plutôt que undefined, qui casserait le prompt). C'est aussi le bon endroit pour rejeter silencieusement les soumissions qui ressemblent à du spam évident — un champ « message » vide couplé à un domaine d'email jetable, par exemple, via un node IF avant même d'appeler le LLM.

Étape 3 — Scorer avec un barème explicite

C'est le cœur du pipeline : une chaîne LLM (@n8n/n8n-nodes-langchain.chainLlm) branchée sur un modèle en sous-node ai_languageModel (gpt-4o-mini suffit largement pour cette tâche, voir notre guide pour connecter Claude ou GPT à n8n).

Le prompt système doit définir un barème noir sur blanc, avec un exemple par palier plutôt qu'une consigne vague du type « évalue la qualité du lead ». Un barème qui fonctionne bien en pratique :

• Score 5 — besoin précis, budget ou délai mentionnés, décision proche (« nous cherchons une solution avant fin de trimestre »)
• Score 3-4 — besoin réel mais flou, pas de signal de délai ou de budget
• Score 1-2 — demande générale, curiosité, candidature ou partenariat hors périmètre commercial

Consigne importante à ajouter explicitement : ne pas se laisser impressionner par un ton insistant ou des mots comme « urgent » écrits par l'expéditeur lui-même — c'est le contenu factuel du message qui doit déterminer le score, pas sa mise en forme.

Un Structured Output Parser (@n8n/n8n-nodes-langchain.outputParserStructured) force ensuite une sortie JSON fiable : score (entier 1 à 5), justification (une phrase), secteur_detecte et action_suggeree. C'est ce schéma strict qui rend le routage suivant fiable — sans lui, vous devriez parser du texte libre à chaque exécution, un pari perdant sur la durée.

Étape 4 — Router vers le bon canal

Un node IF ou Switch compare le score au seuil retenu. Deux branches typiques :

• Score ≥ 4 : alerte immédiate dans Slack (node n8n-nodes-base.slack) avec nom, message, score et justification — votre équipe commerciale voit le lead chaud avant même d'ouvrir sa boîte mail, sur le même modèle que l'alerte Slack du Pack Inbox IA pour les emails urgents.
• Score < 4 : enregistrement dans le CRM sans alerte, pour traitement en lot plus tard.

Pour l'enregistrement lui-même, le node dépend de votre outil : HubSpot (n8n-nodes-base.hubspot) ou Pipedrive (n8n-nodes-base.pipedrive) si vous en avez un, sinon Airtable (n8n-nodes-base.airtable) ou une table Supabase — voir notre guide de connexion n8n à Supabase si vous partez de zéro. Dans tous les cas, écrivez le score et la justification du LLM comme des champs à part entière : ils deviennent des critères de tri et de reporting pour l'équipe, pas seulement une donnée de passage.

Sécuriser le webhook exposé

Un webhook de capture de leads est, par nature, exposé publiquement — c'est même son but. Cela en fait une cible pour du remplissage automatisé ou du contenu malveillant injecté dans les champs. Deux réflexes minimums : activer au moins une authentification légère sur le node Webhook (Header Auth avec un secret partagé côté formulaire) et valider la structure du payload avant de l'envoyer au LLM. Notre article sur la sécurisation des webhooks n8n couvre en détail Header Auth, JWT Auth et la vérification de signature HMAC pour les intégrations qui le permettent.

Fiabilité : ne perdez jamais un lead

Un lead qui arrive pendant un pic de trafic (une campagne publicitaire, une mention presse) peut se heurter à un rate limit de l'API du LLM. La bonne pratique est la même que pour tout appel IA à volume variable : un Error Workflow dédié qui capture les échecs et alerte plutôt que de laisser l'exécution mourir en silence — voir notre guide sur la gestion des erreurs dans n8n. Si votre volume de leads dépasse plusieurs centaines par jour, consultez aussi notre article sur les rate limits des API OpenAI et Anthropic pour dimensionner correctement vos appels.

Combien ça coûte

Avec gpt-4o-mini et un prompt de scoring court, comptez de l'ordre de 0,01 à 0,02 € par lead scoré — négligeable face au coût d'un lead chaud traité trop tard, ou pire, jamais traité. Le seul poste de coût significatif reste votre instance n8n elle-même (Cloud ou self-hosted, voir notre comparatif n8n self-hosted vs cloud pour trancher selon votre volume).

Aller plus loin

Ce pipeline de qualification repose sur exactement les mêmes briques n8n que le tri d'emails du Pack Inbox IA (79 €) : webhook, chaîne LLM avec sortie structurée, routage conditionnel, alerte Slack. Si vous avez déjà ce pack, adapter le workflow de scoring d'urgence à des leads plutôt qu'à des emails ne demande que de changer le prompt et le node de destination — l'architecture reste identique. Et si vous voulez couvrir en une fois la boîte mail, l'assistant documentaire et la conformité, le Bundle FlowKit Complet (269 € au lieu de 347 €) regroupe les trois packs.