Agents IA de sourcing : un workflow de recrutement étape par étape

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 vrai code API montrant comment connecter des outils comme Claude ou ChatGPT directement à votre CRM de recrutement. Que vous dirigiez un cabinet de recrutement ou une équipe de recrutement interne, 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 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 (comme Leonar) stocke les données des candidats, suit les conversations et gère votre pipeline.
• Votre base de sourcing (comme Leonar Source, LinkedIn Recruiter ou un fournisseur de données) vous donne accès aux profils de candidats.
• Votre agent IA se connecte aux deux via API, prenant des décisions sur 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.

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) :

You are a senior technical recruiter. Based on the following job description,
create a structured candidate profile with these fields:

1. Required job titles (current + previous, list 5-8 variations)
2. Must-have skills (hard skills only, ranked by importance)
3. Nice-to-have skills
4. Target companies (list 10-15 companies where this talent typically works)
5. Years of experience range
6. Location preferences and remote flexibility
7. Education requirements (if any)
8. Boolean search string for LinkedIn Recruiter
9. Red flags to watch for (overqualified, job-hopping patterns, etc.)

Job description:
[PASTE YOUR JD HERE]

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 piloté par API, où votre agent IA interroge les bases de données de manière programmatique et évalue chaque résultat.

Par exemple, en utilisant l’API Leonar, un agent peut rechercher des profils LinkedIn avec des filtres précis :

import requests

response = requests.post(
    "https://app.leonar.app/api/v1/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 FastAPI) 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 :

Here are 25 candidate profiles. Score each from 1-10 based on
this ideal candidate profile: [paste from step 1].
Return only candidates scoring 7+, sorted by score.
For each, write a one-sentence explanation of why they fit.

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 piloté par API, l’agent importe d’abord les profils sourcés dans votre pipeline de projet, puis déclenche l’enrichissement automatiquement :

# Add top candidates to your project
add_response = requests.post(
    "https://app.leonar.app/api/v1/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"]

# Enrich each contact with work email
for contact_id in contact_ids:
    requests.post(
        f"https://app.leonar.app/api/v1/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) :

You are a recruiter writing a first-touch message to a passive candidate.
Use these rules:
- Keep it under 100 words
- Reference something specific from their background (current project,
  recent job move, or a skill that matches the role)
- State the opportunity in one sentence
- End with a low-pressure question, not a hard CTA
- Tone: warm, direct, peer-to-peer (not salesy)

Candidate profile: [PASTE PROFILE]
Role: [PASTE BRIEF DESCRIPTION]
Channel: [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 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 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 personnalisé avec l’API Leonar

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.

L’API Leonar expose chaque partie du workflow de recrutement : sourcing, gestion des contacts, enrichissement, messagerie, séquences et gestion du pipeline. Lorsque vous la connectez à un LLM comme Claude ou ChatGPT, vous obtenez un agent de sourcing entièrement autonome.

Connecter Claude ou ChatGPT à votre CRM de recrutement

La mise en place prend environ 30 minutes. Vous avez besoin d’une clé API Leonar (disponible dans les paramètres de votre espace de travail) et d’un accès à l’API Claude ou à l’API OpenAI.

L’architecture est simple. Votre LLM joue le rôle du cerveau. L’API Leonar joue le rôle des mains. Le LLM décide quoi faire (« rechercher les candidats correspondant à ces critères »), génère le bon appel API et traite les résultats. Vous pouvez construire cela avec le function calling (tool use de Claude ou function calling d’OpenAI) pour que le LLM puisse invoquer les endpoints API directement.

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.

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 appels API : d’abord un POST /sourcing/linkedin/search avec les bons filtres, puis un POST /sourcing/add-to-project avec les profils correspondants. 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 :

# Enroll sourced candidates in your outreach sequence
response = requests.post(
    f"https://app.leonar.app/api/v1/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 l’API 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.

L’API 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 via l’API sur le bon canal (LinkedIn, email ou WhatsApp).

# Send a nurture message via email
requests.post(
    "https://app.leonar.app/api/v1/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 API 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 plateformes comme Leonar, hireEZ ou Fetcher vous offrent le sourcing IA via une interface visuelle.

Construisez un agent IA personnalisé via API 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. L’API Leonar est conçue pour cela : chaque action réalisable dans l’interface est disponible sous forme d’endpoint API.

Commencez par l’interface, puis passez à l’API. La plupart des équipes démarrent avec les fonctionnalités de sourcing IA intégrées de Leonar et ajoutent l’automatisation par API une fois qu’elles identifient les processus qu’elles veulent industrialiser. 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.

FAQ : agents IA de sourcing pour les recruteurs

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 par API via des plateformes comme Leonar coûte 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 de l’API LLM (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. Mais utiliser les API officielles de LinkedIn via une plateforme disposant d’une intégration LinkedIn Recruiter est conforme. Leonar se connecte via les API officielles de LinkedIn (Recruiter et Sales Navigator), ce qui protège votre compte.

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 avec l’API Leonar prend quelques heures pour un développeur familier des API REST et du function calling des LLM. La documentation API 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.