--- title: "Agents IA de sourcing: workflow" description: "Découvrez comment sourcer des candidats avec des agents IA. Workflow complet avec prompts, scripts d’intégration et modèles de messages prêts à l'emploi." url: "https://www.leonar.app/fr/blog/source-candidates-ai-agents-workflow/" lang: "fr" alternates: en: "https://www.leonar.app/blog/source-candidates-ai-agents-workflow/" de: "https://www.leonar.app/de/blog/source-candidates-ai-agents-workflow/" image: "https://www.leonar.app/og/blog/source-candidates-ai-agents-workflow-fr.png" tokens: 7238 --- 1. [Accueil](https://www.leonar.app/fr/) 2. [Blog](https://www.leonar.app/fr/blog/) 3. [IA & Automatisation](https://www.leonar.app/fr/blog/category/ai/) 4. Agents IA de sourcing : un workflow de recrutement étape par étape IA & Automatisation 10 mars 2026 12 min de lecture # Agents IA de sourcing : un workflow de recrutement étape par étape Découvrez comment sourcer des candidats avec des agents IA. Workflow complet avec prompts, scripts d’intégration et modèles de messages prêts à l'emploi. [![Pierre-Alexis Ardon](https://www.leonar.app/_astro/pierre-alexis-ardon.ByBiMn-t_1eJ10c.webp)](https://www.leonar.app/fr/authors/pierre-alexis-ardon/) [Pierre-Alexis Ardon](https://www.leonar.app/fr/authors/pierre-alexis-ardon/) Co-founder ![Workflow d'agent IA de sourcing pour recruteurs montrant l'automatisation du pipeline de candidats](https://www.leonar.app/_astro/source-candidates-ai-agents-workflow-fr.DxTP8kfh_Z1D7dGn.webp) Prêt à passer à l'action ? Découvrez Leonar en quelques minutes. Résumer avec une IA Choisir une IA [ChatGPT](https://chat.openai.com/?q=R%C3%A9sume%20cet%20article%20sur%20le%20recrutement%20de%20Leonar%20%3A%20) [Perplexity](https://www.perplexity.ai/search/new?q=R%C3%A9sume%20cet%20article%20sur%20le%20recrutement%20de%20Leonar%20%3A%20) [Claude](https://claude.ai/new?q=R%C3%A9sume%20cet%20article%20sur%20le%20recrutement%20de%20Leonar%20%3A%20) [Mistral](https://chat.mistral.ai/chat?q=R%C3%A9sume%20cet%20article%20sur%20le%20recrutement%20de%20Leonar%20%3A%20) Sommaire - [Ce que font réellement les agents IA de sourcing (et ce qu’ils ne font pas)](#ce-que-font-réellement-les-agents-ia-de-sourcing-et-ce-quils-ne-font-pas) - [En quoi un agent IA diffère d’un filtre de recherche](#en-quoi-un-agent-ia-diffère-dun-filtre-de-recherche) - [Où se situent les agents dans votre stack de recrutement](#où-se-situent-les-agents-dans-votre-stack-de-recrutement) - [Le workflow de sourcing IA en 5 étapes](#le-workflow-de-sourcing-ia-en-5-étapes) - [Étape 1. Définir le profil de candidat idéal avec l’IA](#étape-1-définir-le-profil-de-candidat-idéal-avec-lia) - [Étape 2. Sourcer et évaluer les candidats automatiquement](#étape-2-sourcer-et-évaluer-les-candidats-automatiquement) - [Étape 3. Enrichir les profils avec des données de contact vérifiées](#étape-3-enrichir-les-profils-avec-des-données-de-contact-vérifiées) - [Étape 4. Lancer une campagne de messages personnalisés multicanale](#étape-4-lancer-une-campagne-de-messages-personnalisés-multicanale) - [Étape 5. Accompagner les candidats passifs en mode automatique](#étape-5-accompagner-les-candidats-passifs-en-mode-automatique) - [Comment construire un agent IA de sourcing avec des outils connectés](#comment-construire-un-agent-ia-de-sourcing-avec-des-outils-connectés) - [Connecter Claude ou ChatGPT à votre CRM de recrutement](#connecter-claude-ou-chatgpt-à-votre-crm-de-recrutement) - [Automatiser le ciblage : recherche, filtrage et import de candidats](#automatiser-le-ciblage--recherche-filtrage-et-import-de-candidats) - [Automatiser la messagerie et l’inscription aux séquences](#automatiser-la-messagerie-et-linscription-aux-séquences) - [Automatiser le nurturing avec des relances intelligentes](#automatiser-le-nurturing-avec-des-relances-intelligentes) - [Choisir la bonne approche de sourcing IA pour votre équipe](#choisir-la-bonne-approche-de-sourcing-ia-pour-votre-équipe) - [Un plan de déploiement plus sûr pour les équipes recrutement](#un-plan-de-déploiement-plus-sûr-pour-les-équipes-recrutement) Les agents IA de sourcing peuvent désormais faire en quelques minutes ce qui prenait auparavant une semaine entière aux recruteurs : trouver des candidats, vérifier leurs coordonnées, envoyer des messages personnalisés et relancer jusqu’à obtenir une réponse. Selon l’enquête Korn Ferry 2026 sur les tendances en acquisition de talents, 52 % des équipes de recrutement prévoient d’intégrer des agents IA autonomes cette année. La question n’est plus de savoir s’il faut les adopter, mais comment construire un workflow qui fonctionne réellement. Ce guide décompose l’ensemble du processus en cinq étapes. Vous y trouverez des prompts à copier-coller, des modèles de messages et du code concret montrant comment connecter des outils comme Claude ou ChatGPT directement à votre CRM de recrutement. Que vous dirigiez un [cabinet de recrutement](https://www.leonar.app/fr/for-agencies/), un [cabinet de chasse de dirigeants](https://www.leonar.app/fr/for-executive-search/) ou une [équipe de recrutement interne](https://www.leonar.app/fr/for-teams/), le workflow est le même. ## Ce que font réellement les agents IA de sourcing (et ce qu’ils ne font pas) Avant de plonger dans le workflow, il est utile de comprendre ce qui distingue un [agent IA de sourcing](https://www.leonar.app/fr/blog/what-is-ai-sourcing-agent/) des filtres de recherche que vous utilisez déjà dans LinkedIn Recruiter ou votre ATS. ### En quoi un agent IA diffère d’un filtre de recherche Un filtre de recherche renvoie une liste. Vous tapez « Senior Software Engineer » + « Paris » + « 5 ans d’expérience » et vous obtenez 2 000 profils. Puis vous passez les trois jours suivants à les lire, à décider qui correspond, à trouver des emails, à rédiger des messages et à relancer. Le filtre a fait un seul travail. Vous avez fait tout le reste. Un agent IA gère l’intégralité de la chaîne. Vous décrivez le poste en langage naturel (« Je cherche un ingénieur backend senior à Paris avec de l’expérience en Python et Django, idéalement issu d’une entreprise de la health-tech, ouvert à un mode hybride »), et l’agent interprète cette description, lance la recherche, évalue les résultats selon vos critères, enrichit les meilleurs profils avec des adresses email, rédige des messages personnalisés pour chaque candidat et les inscrit dans une séquence multi-étapes. Vous passez en revue et approuvez. L’agent exécute. La différence concrète : un recruteur utilisant des filtres de recherche pourvoit 3 postes par mois. Le même recruteur avec un agent IA de sourcing en gère 6 à 8, selon les recherches de PwC sur le recrutement assisté par l’IA. ### Où se situent les agents dans votre stack de recrutement Les agents IA de sourcing ne remplacent pas votre CRM ou votre ATS. Ils se positionnent au-dessus de ces systèmes comme une couche d’orchestration. Voyez les choses ainsi : - Votre **CRM** stocke les données des candidats, suit les conversations et gère votre pipeline. - Votre **base de sourcing** ([logiciel de sourcing IA](https://www.leonar.app/fr/features/leonar-source/), LinkedIn Recruiter ou fournisseur de données) vous donne accès aux profils de candidats. - Votre **agent IA** se connecte aux deux, puis décide qui contacter, quoi dire et quand relancer. L’agent lit depuis vos outils, réfléchit et écrit en retour. C’est l’architecture derrière chaque workflow de ce guide. Si votre vivier principal reste LinkedIn, notre panorama des [outils d’automatisation pour LinkedIn Recruiter](https://www.leonar.app/fr/blog/linkedin-recruiter-automation-tools/) montre quelles connexions approuvées existent pour cette couche. ## Le workflow de sourcing IA en 5 étapes Voici le workflow complet, de la prise de brief à la réponse du candidat. Chaque étape inclut ce que fait l’agent, ce que vous faites et où le jugement humain intervient. ### Étape 1. Définir le profil de candidat idéal avec l’IA La plupart des échecs en sourcing surviennent avant même de commencer, parce que le brief est vague. « On a besoin d’un bon ingénieur » n’est pas un brief. Les agents IA sont littéraux : si vous leur donnez une entrée floue, vous obtiendrez un résultat flou. Commencez par injecter votre description de poste (ou même un message Slack approximatif du hiring manager) dans Claude ou ChatGPT avec ce prompt : **Prompt de profilage de candidat (copiez-le) :** ``` Tu es un recruteur technique senior. À partir de la description de poste suivante, crée un profil de candidat structuré avec les champs suivants : 1. Intitulés de poste requis (actuel + précédents, liste 5 à 8 variantes) 2. Compétences indispensables (compétences techniques uniquement, classées par importance) 3. Compétences souhaitables 4. Entreprises cibles (liste 10 à 15 entreprises où ce type de talent travaille généralement) 5. Fourchette d'années d'expérience 6. Préférences de localisation et flexibilité télétravail 7. Exigences de formation (le cas échéant) 8. Chaîne de recherche booléenne pour LinkedIn Recruiter 9. Signaux d'alerte à surveiller (surqualification, changements fréquents de poste, etc.) Description de poste : [COLLEZ VOTRE FICHE DE POSTE ICI] ``` Ce prompt transforme une description de poste de 500 mots en un brief de recherche structuré en environ 15 secondes. La chaîne de recherche booléenne seule fait gagner 20 minutes de construction manuelle de requêtes. Sauvegardez le résultat : vous l’injecterez directement dans l’étape 2. ### Étape 2. Sourcer et évaluer les candidats automatiquement Avec votre profil structuré prêt, l’agent recherche les candidats correspondants. Si vous utilisez une plateforme de sourcing native IA, cela se fait via l’interface. Mais la vraie puissance vient du sourcing connecté, où votre agent interroge les bonnes bases de données et évalue chaque résultat. Par exemple, avec une [documentation d’automatisation recruiting](https://leonar.mintlify.app/introduction), un agent peut rechercher des profils LinkedIn avec des filtres précis : ``` import requests BASE = "https://app.leonar.app/api/v1" response = requests.post( f"{BASE}/sourcing/linkedin/search", headers={"Authorization": "Bearer leo_your_api_key"}, json={ "project_id": "your-project-uuid", "account_id": "your-linkedin-account-uuid", "job_titles": ["Senior Software Engineer", "Staff Engineer"], "companies": ["Doctolib", "Alan", "Qonto"], "location_ids": {"105015875": "Paris"}, "years_experience": {"min": 5, "max": 12}, "boolean_query": "Python AND (Django OR Flask) AND NOT Intern", "page_size": 25 } ) profiles = response.json()["data"]["profiles"] ``` Cela renvoie des profils complets de candidats incluant leur parcours professionnel, leurs compétences, leur formation et leur titre actuel. L’agent peut ensuite évaluer chaque profil par rapport à vos critères de l’étape 1, en les classant du plus pertinent au moins pertinent. L’évaluation peut être aussi simple qu’un prompt envoyé à Claude : ``` Voici 25 profils de candidats. Évalue chacun de 1 à 10 en fonction de ce profil de candidat idéal : [coller le résultat de l'étape 1]. Renvoie uniquement les candidats ayant un score de 7+, triés par score. Pour chacun, écris une phrase expliquant pourquoi il correspond. ``` Vous passez en revue la shortlist. L’agent a trouvé 200 candidats et les a réduits à 15 correspondances solides. Cela a pris 3 minutes au lieu de 3 heures. ### Étape 3. Enrichir les profils avec des données de contact vérifiées Vous avez votre shortlist. Maintenant, il vous faut des emails et des numéros de téléphone. La plupart des plateformes de sourcing proposent l’enrichissement, mais le faire manuellement (cliquer sur le profil, lancer l’enrichissement, attendre, recommencer) est fastidieux à grande échelle. Avec un workflow connecté, l’agent importe d’abord les profils sourcés dans votre pipeline de projet, puis déclenche l’enrichissement automatiquement : ``` BASE = "https://app.leonar.app/api/v1" add_response = requests.post( f"{BASE}/sourcing/add-to-project", headers={"Authorization": "Bearer leo_your_api_key"}, json={ "project_id": "your-project-uuid", "profiles": top_scored_profiles # pass full profile objects from search } ) contact_ids = add_response.json()["data"]["contact_ids"] for contact_id in contact_ids: requests.post( f"{BASE}/contacts/{contact_id}/enrich", headers={"Authorization": "Bearer leo_your_api_key"}, json={"type": "work_email"} ) ``` L’enrichissement s’exécute de manière asynchrone. En quelques minutes, votre CRM dispose d’adresses email vérifiées associées à chaque candidat. Pas d’onglets de navigateur ouverts, pas de copier-coller, pas d’extensions Chrome. ### Étape 4. Lancer une campagne de messages personnalisés multicanale C’est là que la plupart des recruteurs perdent des candidats. Ils envoient un InMail générique, sont ignorés et passent à autre chose. Les agents IA résolvent ce problème en générant des messages véritablement personnalisés à grande échelle et en les diffusant sur plusieurs canaux. **Prompt de personnalisation des messages (copiez-le) :** ``` Tu es un recruteur qui rédige un premier message à un candidat passif. Règles à suivre : - Garde le message sous les 100 mots - Fais référence à un élément spécifique de son parcours (projet en cours, changement de poste récent, ou compétence qui correspond au rôle) - Présente l'opportunité en une phrase - Termine par une question sans pression, pas un appel à l'action agressif - Ton : chaleureux, direct, d'égal à égal (pas commercial) Profil du candidat : [COLLER LE PROFIL] Poste : [COLLER LA DESCRIPTION DU POSTE] Canal : [LinkedIn / Email / WhatsApp] ``` Voici des exemples de résultats sur trois canaux : **Message LinkedIn :** > Bonjour Sophie, j’ai vu que vous avez rejoint l’équipe backend de Doctolib il y a environ deux ans. Votre expérience sur la stack Python + Django correspond parfaitement à un poste sur lequel je travaille actuellement : un rôle de développeuse backend senior dans une entreprise health-tech en Série B à Paris, en mode hybride. Est-ce que vous seriez ouverte à un échange de 15 minutes cette semaine pour en savoir plus ? **Email (avec objet) :** > Objet : Poste backend senior dans une startup health-tech à Paris > > Bonjour Sophie, votre expérience dans la construction de systèmes scalables chez Doctolib a retenu mon attention. Je recrute actuellement un(e) ingénieur(e) backend senior pour une entreprise health-tech en Série B à Paris, sur une stack Python et Django, en mode hybride. L’équipe compte 12 ingénieurs et grandit rapidement. Seriez-vous disponible pour un bref échange ? **WhatsApp (plus court) :** > Bonjour Sophie, je suis tombé sur votre profil et je pense que vous pourriez être une excellente candidate pour un poste de développeuse backend senior dans une entreprise health-tech à Paris (hybride, Python/Django). Ça vous intéresserait d’en savoir plus ? Une fois les messages générés, l’agent inscrit les candidats dans une [séquence de messages multicanale](https://www.leonar.app/fr/features/linkedin-email-automation/) qui gère le timing, les relances et le changement de canal automatiquement. ### Étape 5. Accompagner les candidats passifs en mode automatique Tous les bons candidats ne sont pas prêts à bouger aujourd’hui. Selon les données LinkedIn sur le marché du travail, 70 % de la main-d’œuvre mondiale est composée de talents passifs. Les meilleurs recruteurs ne se contentent pas de sourcer et de pitcher. Ils construisent des relations sur des semaines et des mois. Les agents IA gèrent cette boucle d’accompagnement en surveillant les réponses, en mettant à jour les étapes des candidats et en déclenchant des relances contextuelles. Un candidat qui a répondu « pas maintenant, peut-être dans 6 mois » est tagué, déplacé vers une étape de nurturing et réengagé automatiquement le moment venu. C’est là que la combinaison d’un CRM et d’un agent IA prend tout son sens. Votre [CRM de recrutement](https://www.leonar.app/fr/blog/best-recruitment-crm/) stocke l’historique de la relation. L’agent le lit et agit en conséquence. Aucun candidat ne passe entre les mailles du filet, même avec des centaines de postes ouverts. ## Comment construire un agent IA de sourcing avec des outils connectés Cette section s’adresse aux recruteurs et aux équipes Recruiting Ops qui veulent aller au-delà des outils prêts à l’emploi. Si vous avez déjà rêvé de dire à ChatGPT « trouve-moi 50 développeurs Python à Berlin et inscris-les dans ma séquence de messages », voici comment y parvenir. Un espace de recrutement connecté peut couvrir tout le workflow : sourcing, gestion des contacts, enrichissement, messages, séquences et pipeline. Lorsque vous reliez ces actions à Claude ou ChatGPT, vous obtenez un agent de sourcing capable d’agir à partir d’un brief clair. ### Connecter Claude ou ChatGPT à votre CRM de recrutement La mise en place prend environ 30 minutes. Vous avez besoin d’une clé d’espace de travail et d’un accès à Claude ou OpenAI. L’architecture est simple. Votre LLM joue le rôle du cerveau. Votre plateforme de recrutement joue le rôle des mains. Le modèle décide quoi faire (« rechercher les candidats correspondant à ces critères »), envoie la bonne requête et traite les résultats. Vous pouvez construire cela avec le [function calling](https://leonar.mintlify.app/introduction), pour que le modèle déclenche directement des actions approuvées. Pour un guide complet sur la connexion d’agents IA à votre stack de recrutement, consultez notre article sur [comment connecter Claude, ChatGPT ou tout autre IA à votre stack de recrutement](https://www.leonar.app/fr/blog/connect-ai-agents-recruiting-stack-mcp-api/). ### Automatiser le ciblage : recherche, filtrage et import de candidats Une fois connecté, vous pouvez donner à votre agent des instructions en langage naturel comme : > « Recherche des product designers à Londres avec plus de 3 ans d’expérience dans des entreprises fintech. Ajoute les 20 meilleurs au projet “Senior Product Designer”. » L’agent traduit cela en deux actions : chercher avec les bons filtres, puis ajouter les profils correspondants au projet. Il gère la pagination s’il y a plusieurs pages de résultats, déduplique par rapport aux candidats déjà dans votre pipeline et vous renvoie un résumé. Vous pouvez lancer cela pour 10 postes différents simultanément. Chaque recherche prend quelques secondes. L’agent traite des centaines de profils et livre une shortlist propre, sans doublons et sans candidats que vous avez déjà contactés. ### Automatiser la messagerie et l’inscription aux séquences Après avoir importé les candidats, l’agent peut les inscrire dans des séquences de messages en un seul appel : ``` BASE = "https://app.leonar.app/api/v1" response = requests.post( f"{BASE}/sequences/{sequence_id}/enroll", headers={"Authorization": "Bearer leo_your_api_key"}, json={ "contacts": [ { "contact_id": cid, "custom_variables": { "role_title": "Senior Product Designer", "company_pitch": "a Series B fintech scaling to 200 people" } } for cid in contact_ids ] } ) result = response.json()["data"] print(f"Enrolled: {result['enrolled']}, Skipped: {result['skipped_blacklisted']}") ``` Le champ `custom_variables` est puissant. Vos modèles de séquence peuvent inclure des variables comme `{{role_title}}` et `{{company_pitch}}`, et le workflow les remplit pour chaque candidat. L’agent peut également générer des `custom_variables` uniques pour chaque candidat à l’aide du LLM, créant des séquences hyper-personnalisées à grande échelle. Le workflow saute automatiquement les candidats qui sont en liste noire, déjà inscrits ou actifs dans une autre séquence. Aucun risque de double contact. ### Automatiser le nurturing avec des relances intelligentes Pour le nurturing à long terme, l’agent peut surveiller votre pipeline et envoyer des messages contextuels aux candidats devenus inactifs. Voici la logique : 1. **Lister les entrées du pipeline** pour un projet et filtrer les candidats bloqués à une étape depuis plus de 30 jours. 2. **Lire l’historique des conversations** de chaque candidat pour comprendre le contexte. 3. **Générer une relance personnalisée** à l’aide du LLM, en faisant référence à la dernière interaction. 4. **Envoyer le message** sur le bon canal (LinkedIn, email ou WhatsApp). ``` BASE = "https://app.leonar.app/api/v1" requests.post( f"{BASE}/messages", headers={"Authorization": "Bearer leo_your_api_key"}, json={ "contact_id": candidate_id, "channel": "email", "subject": "Quick update on the role we discussed", "content": ai_generated_followup_message } ) ``` Cette boucle de nurturing s’exécute selon un calendrier (quotidien ou hebdomadaire) et maintient votre vivier de talents actif sans aucun effort manuel. C’est ce qui se rapproche le plus d’un sourceur dédié travaillant 24h/24 sur l’engagement des candidats. ## Choisir la bonne approche de sourcing IA pour votre équipe Toutes les équipes n’ont pas besoin de construire une intégration personnalisée. Voici un cadre simple : **Utilisez un outil de sourcing IA prêt à l’emploi si** vous avez moins de 10 postes ouverts à la fois, votre équipe n’est pas technique et vous voulez des résultats dans la journée. Des [outils de recrutement IA](https://www.leonar.app/fr/features/ai-recruiting/) comme hireEZ, Fetcher ou Leonar offrent le sourcing IA via une interface visuelle. **Construisez un agent IA personnalisé si** vous gérez de gros volumes (plus de 20 postes), vous voulez un contrôle total sur la logique d’évaluation et la messagerie, ou vous devez intégrer le sourcing avec vos systèmes internes. Cette approche fonctionne surtout quand les actions disponibles dans l’interface peuvent aussi être déclenchées depuis votre espace connecté. **Commencez par l’interface, puis automatisez les étapes répétables.** La plupart des équipes démarrent avec des fonctionnalités de [sourcing IA intégrées](https://www.leonar.app/fr/features/leonar-source/) et ajoutent l’automatisation une fois qu’elles identifient les processus qu’elles veulent répéter. Vous n’avez pas à vous engager sur une approche unique dès le premier jour. Les 58 % de recruteurs qui utilisent déjà l’IA pour le sourcing ont commencé simplement. Les équipes qui prennent de l’avance en 2026 sont celles qui automatisent la boucle complète : sourcer, enrichir, contacter, accompagner. Les outils existent. Le workflow est là. La seule variable, c’est la vitesse à laquelle vous agissez. ## Un plan de déploiement plus sûr pour les équipes recrutement Commencez avec un seul poste, un seul canal et un seul recruteur. Laissez l’agent préparer la shortlist et rédiger les messages, mais gardez une validation humaine avant tout contact candidat. Quand la qualité des réponses devient stable, élargissez à d’autres postes puis aux relances. Cette approche rend le workflow utile sans transformer le chantier en projet d’automatisation risqué. ## Questions fréquentes ### Les agents IA de sourcing peuvent-ils remplacer entièrement les recruteurs ? Non. Les agents IA gèrent les parties répétitives du sourcing : recherche, filtrage, enrichissement et envoi des premiers messages. Mais évaluer l'adéquation culturelle, vendre l'opportunité lors d'une conversation en direct et closer les candidats nécessitent toujours un jugement humain. Les meilleurs résultats viennent des recruteurs qui utilisent les agents pour gérer le volume tout en se concentrant sur les relations. Les études montrent que 85 % des entreprises exigent encore une décision humaine finale pour l'embauche, même avec une forte adoption de l'IA. ### Combien coûte l'utilisation d'un agent IA de sourcing ? Les coûts varient selon votre configuration. Le sourcing connecté coûte souvent une fraction du sourcing manuel. Certaines équipes rapportent des coûts aussi bas que 0,25 $ par profil sourcé, contre 1 à 2 $ pour le sourcing manuel. En ajoutant le coût du modèle (généralement 0,01 à 0,05 $ par candidat pour l'évaluation et la génération de messages), le coût total par candidat reste bien en dessous de 1 $. ### L'envoi automatisé de messages sur LinkedIn est-il conforme aux conditions d'utilisation de LinkedIn ? Cela dépend de la méthode utilisée. Scraper des profils LinkedIn avec des bots viole les conditions d'utilisation. Passer par une plateforme disposant d'une intégration LinkedIn Recruiter réduit ce risque, car l'accès repose sur l'authentification du titulaire du compte plutôt que sur un bot. Mais s'authentifier prouve qui contrôle le compte, pas que LinkedIn a validé la méthode, et aucun prestataire, Leonar compris, ne peut garantir qu'un compte ne sera jamais restreint. Vérifiez l'intégration et l'usage prévu au regard de votre contrat LinkedIn avant de vous y fier. ### Combien de temps faut-il pour mettre en place un workflow de sourcing IA ? Avec une plateforme disposant d'un sourcing IA intégré, vous pouvez être opérationnel le jour même. Construire un agent personnalisé prend souvent quelques heures pour un développeur familier des échanges REST et de l’usage d’outils par les modèles. La documentation développeur inclut des exemples de code en Python et JavaScript que vous pouvez adapter rapidement. ### Quelle est la différence entre le sourcing IA et la recherche booléenne traditionnelle ? La recherche booléenne vous donne une liste de profils correspondant à des critères de mots-clés. Vous devez encore lire chaque profil, décider qui convient et rédiger chaque message manuellement. Les agents IA de sourcing comprennent le contexte : ils peuvent interpréter un brief de poste en langage naturel, évaluer les candidats sur leur adéquation (pas seulement sur des correspondances de mots-clés) et générer des messages personnalisés. La différence, c'est comme utiliser une calculatrice ou faire appel à un comptable. Les deux travaillent avec des chiffres, mais l'un comprend ce que ces chiffres signifient. ### Peut-on utiliser les agents IA de sourcing pour le recrutement de dirigeants ? Oui, et les cabinets de chasse de dirigeants font partie des premiers adopteurs. Le workflow est le même, mais avec des critères de ciblage plus précis et des messages encore plus personnalisés. Les agents IA sont particulièrement utiles pour la recherche de dirigeants car les viviers de candidats sont plus restreints et le coût d'un mauvais message est plus élevé. L'agent peut étudier en profondeur le parcours de chaque candidat et rédiger des messages qui font référence à des rôles spécifiques au sein de conseils d'administration, à une expérience en fusions-acquisitions ou à une expertise sectorielle. Vous ne savez pas quel plan choisir ? Répondez à 3 questions rapides et nous vous recommanderons la meilleure option pour votre recrutement. Quelle est la taille de votre équipe recrutement ? Quel est votre principal défi ? Êtes-vous un cabinet ou une équipe interne ? Le plan recommandé pour vous [Voir les tarifs](https://www.leonar.app/fr/pricing/) sourcing ia automatisation du recrutement agents ia ![Pierre-Alexis Ardon](https://www.leonar.app/_astro/pierre-alexis-ardon.ByBiMn-t_2wY0oT.webp) Auteur [Pierre-Alexis Ardon](https://www.leonar.app/fr/authors/pierre-alexis-ardon/) Co-founder Pierre-Alexis Ardon est co-fondateur de Leonar, où il se concentre sur la conception de systèmes de recrutement augmentés par l'IA, l'automatisation du sourcing et l'optimisation de la recherche. Avec une formation d'ingénieur et plus de 7 ans d'expérience à l'intersection de l'intelligence artificielle et du talent acquisition, il conçoit les algorithmes qui alimentent le matching candidat et l'automatisation outreach de Leonar. Pierre-Alexis accompagne les agences de recrutement dans leur transformation digitale et partage régulièrement ses analyses sur l'impact des agents IA dans les métiers RH. Il est passionné par l'idée de rendre la technologie avancée accessible aux recruteurs qui ne sont pas ingénieurs. Systèmes IA recrutement Automatisation sourcing Analytics recrutement Agents IA pour les RH [LinkedIn](https://www.linkedin.com/in/ardonpa/) ## Articles similaires - ![Tri de CV par IA qui analyse et classe les candidatures selon leur pertinence](https://www.leonar.app/_astro/ai-resume-screening-fr.C_RaKCnG_Z17T1pW.webp) IA & Automatisation ### [Tri de CV par IA : comment ça marche vraiment](https://www.leonar.app/fr/blog/ai-resume-screening/) - ![Comment l'IA transforme la chasse de têtes pour les cabinets d'executive search](https://www.leonar.app/_astro/ai-transforming-executive-search-fr.FAACjN_Q_2fL6jp.webp) IA & Automatisation ### [Comment l'IA transforme la chasse de têtes](https://www.leonar.app/fr/blog/ai-transforming-executive-search/) - ![ATS nativement conçu pour l'IA comparé à un ATS classique avec l'IA ajoutée par-dessus](https://www.leonar.app/_astro/what-is-ai-native-ats-fr.DJrytU2f_ZBFJtf.webp) IA & Automatisation ### [ATS nativement IA : qu'est-ce que ça veut dire ?](https://www.leonar.app/fr/blog/what-is-ai-native-ats/)