ChatGPT ou Claude peuvent-ils gérer votre outbound ?

« Je peux utiliser ChatGPT / Claude pour mon outbound. Pourquoi aurais-je besoin de Coolie ? »

Une rapide présentation

Je suis Shabbir, cofondateur de Coolie. J’ai fondé 2 entreprises et je vends depuis 11 ans. J’ai envoyé, reçu et analysé plus de 628 000 cold emails et messages LinkedIn : assez pour savoir que la façon dont la plupart des équipes font encore de l’outbound a cessé de fonctionner vers 2024.

L’outbound, lui, est bien vivant. Ce trimestre, 75 % de mes rendez-vous qualifiés sont venus de l’email et de LinkedIn, avec exactement le système décrit dans ce playbook. Ce qui est mort, c’est sa version « spray and pray » : les listes froides, la personnalisation à coups de templates et les accroches du type « Félicitations pour votre levée de fonds ! ».

Ce qui l’a remplacée, c’est un système où Claude réfléchit, Coolie exécute, et vous validez puis concluez. Lisez-le jusqu’au bout et vous aurez la même configuration que celle avec laquelle mon équipe décroche 18+ conversations qualifiées par semaine.

→ Si vous préférez passer directement à l’outil qui l’automatise : trycoolie.ai (essai gratuit de 7 jours)

Une courte vidéo qui montre tout en moins de 2 minutes.

Voir la vidéo (en anglais)

Chaque semaine, j’échange avec des fondateurs qui ouvrent la discussion de la même façon :

« J’utilise déjà ChatGPT / Claude pour mon outbound. Pourquoi aurais-je besoin de Coolie ? »

La question est légitime. Si vous savez demander à un LLM d’écrire un cold email, pourquoi payer une plateforme GTM ?

J’ai passé 11 ans dans la vente et analysé 628 000 cold emails. Voici la réponse honnête : ce que les LLM font brillamment, ce qu’ils ne savent pas faire du tout, et où passe la vraie frontière entre une fenêtre de chat et un système qui décroche des rendez-vous.

Ce que ChatGPT et Claude font vraiment bien

Commençons par ce qui marche. Les LLM actuels sont réellement bons sur une partie du travail d’outbound :

• Écrire un cold email une fois que vous leur avez donné le contexte. Collez le poste du prospect, le signal, votre proposition de valeur : vous obtenez un premier jet solide en 10 secondes.
• Réécrire un message sur un autre ton. Plus décontracté, plus direct, plus court, en anglais.
• Trouver des idées d’objets d’email. 20 variantes, sans problème.
• Résumer un profil LinkedIn, si vous en collez le texte.
• Expliquer ce que fait une entreprise à partir d’informations publiques.
• Rédiger une relance, si vous recollez le fil de la conversation.

Si votre travail consiste à envoyer 10 emails par semaine à des prospects que vous connaissez déjà par leur nom, un LLM vous suffit sans doute.

Mais ce n’est pas de l’outbound. C’est de la correspondance.

Le vrai outbound est un système qui tourne en continu : trouver les gens qui sont en recherche aujourd’hui, les étudier en profondeur, écrire une séquence, l’envoyer sur plusieurs canaux, relancer selon leur comportement, et réinjecter ce qui marche dans la cohorte suivante.

C’est là que le LLM s’arrête. Pas parce qu’il n’est pas assez intelligent. Parce qu’il n’a jamais été conçu pour faire tout cela.

Ce que ChatGPT et Claude ne peuvent fondamentalement pas faire

Voici la liste, en toute honnêteté. Ce n’est pas une critique des modèles, c’est simplement la réalité :

1. Ils ne trouvent pas de prospects tout seuls

Un LLM ne sait pas quelles entreprises SaaS en série B viennent de recruter leur premier VP Sales. Il ne sait pas quelles entreprises ont publié des offres pour 3 SDR cette semaine. Il ne sait pas qui doit renouveler son contrat chez un concurrent dans 90 jours.

Ces données vivent sur LinkedIn, les sites d’emploi, les API d’actualité, les publications financières, etc.

Le LLM n’en a aucune en temps réel.

Si vous ne lui donnez pas de liste, il n’a rien sur quoi travailler.

2. Ils ne surveillent pas les signaux d’achat 24/7

Tout l’intérêt de l’outbound moderne, c’est de toucher quelqu’un au moment où un signal se déclenche : une levée de fonds, un commentaire chez un concurrent, un changement de poste, une vague de recrutements.

ChatGPT et Claude ne surveillent rien. Ils répondent quand vous leur demandez.

3. Ils n’envoient pas de messages

C’est le point que la plupart des fondateurs ratent. Même si le LLM écrit un email parfait, il faut encore l’envoyer. Depuis votre boîte. Un par un. Ou le coller dans votre outil de séquences.

Multipliez par 30 prospects par jour et vous venez de vous créer un poste de copier-coller.

Sur LinkedIn, c’est pire : pas d’API, des limites d’envoi strictes, et des restrictions de compte si vous essayez d’automatiser vous-même. Le LLM peut rédiger le message LinkedIn parfait. Il ne peut pas ouvrir LinkedIn pour l’envoyer.

4. Ils ne font pas de recherche approfondie à grande échelle

Vous pouvez demander à Claude : « Faites une recherche sur ce prospect. » Il cherchera sur le web et vous donnera un résumé. Très bien pour un prospect. Faites-le pour 30 prospects chaque matin et vous passerez plus de 7 heures par jour dans une fenêtre de chat.

Surtout, la recherche que font la plupart des LLM est de niveau 1 : « ce qui s’est passé ». La recherche de niveau 3 (la vraie tension que ce signal crée pour ce poste précis, dans cette entreprise précise) demande 300+ données par prospect, notées au regard de votre proposition de valeur et classées par pertinence.

Ce n’est pas un prompt. C’est un agent.

5. Ils n’orchestrent pas plusieurs canaux

Jour 1 LinkedIn → Jour 1 email → Jour 3 appel à froid → Jour 4 email → Jour 5 LinkedIn : le tout ancré sur la même tension, chaque message adapté à son canal et calé sur le comportement réel du prospect.

Un LLM ne peut pas suivre qui a ouvert quoi, qui a accepté l’invitation, qui vous a laissé en vu. Il n’a aucune mémoire de vos séquences. Il ne sait pas quoi envoyer ensuite, parce qu’il ne sait pas ce que vous avez envoyé en dernier.

6. Ils n’apprennent pas de votre pipeline

Quels signaux ont produit les meilleurs rendez-vous le trimestre dernier ? Quelles tensions ont obtenu les meilleurs taux de réponse ? Quel segment de l’ICP signe le plus vite ?

Le LLM n’en sait rien. Il n’a aucune vue durable de votre pipeline. Chaque conversation repart de zéro.

La comparaison honnête

Le LLM est le cerveau. Il lui manque les mains, les yeux et la mémoire.

La bonne question n’est pas « LLM ou Coolie », mais « Comment donner des mains au LLM ? »

C’est le changement de perspective que la plupart des fondateurs ratent.

Vous ne remplacez pas Claude par Coolie. Vous les connectez, via MCP (Model Context Protocol), pour que Claude puisse vraiment agir dans votre workflow d’outbound, au lieu de seulement rédiger des messages que vous devez ensuite exécuter vous-même.

Voici la stack :

• Claude = la couche d’intelligence. Il raisonne sur votre ICP, écrit vos messages, décide de ce qu’il faut envoyer ensuite.
• MCP = la couche de connexion. Elle permet à Claude de parler directement à Coolie, sans copier-coller.
• Coolie = la couche d’exécution. Il trouve les leads, surveille les signaux, mène la recherche, envoie sur LinkedIn + email, respecte les limites d’envoi, suit les réponses.
• Vous = la couche de validation. Vous approuvez les leads, relisez les messages avant l’envoi, signez les deals.

Chaque couche fait ce pour quoi elle est conçue. Le LLM cesse d’être une fenêtre de chat et devient un vrai coéquipier.

En pratique : une configuration en 10 minutes

Voici comment un fondateur passe de « Je colle des choses dans ChatGPT » à « Mon outbound tourne tout seul », en un après-midi.

🧠 → À lire ici : Connecter Claude à LinkedIn via MCP 🧠

Les chiffres de ce système, face à ceux que vous obtenez seul

Un outbound mené avec un LLM seul :

• ~1 % de taux de réponse (parce que chaque message reste au niveau 1, « félicitations pour la levée »)
• ~200 prospects travaillés par rendez-vous décroché
• 3+ heures par jour dans une fenêtre de chat, à copier-coller dans un sens puis dans l’autre
• Aucune visibilité sur ce qui marche

Le même système avec Coolie + Claude via MCP :

• 14–45 % de taux de réponse (parce que chaque message est ancré sur une tension de niveau 3)
• ~25 prospects travaillés par rendez-vous décroché
• 1 heure par semaine pour relire et valider
• Une visibilité complète sur les signaux et les tensions qui décrochent des rendez-vous

Même couche d’intelligence. Résultat complètement différent. La différence : donner des mains au LLM.

Quand ChatGPT ou Claude suffisent seuls

Soyons honnêtes : il existe une forme d’outbound où vous n’avez pas besoin de Coolie.

• Vous envoyez moins de 10 emails par semaine
• Vous connaissez déjà chaque prospect par son nom
• Vous avez des heures à passer dans une fenêtre de chat
• Vous n’avez pas besoin de suivre les réponses ni de relancer de façon systématique
• Vos deals sont assez petits pour qu’un taux de réponse de 1 % reste rentable

Si c’est votre cas, honnêtement, continuez à utiliser Claude seul. N’achetez pas plus de logiciels qu’il ne vous en faut.

Mais si vous êtes un fondateur qui essaie de décrocher des rendez-vous tout en construisant le produit, en signant des deals et en dirigeant l’entreprise, la voie du LLM seul consume la seule chose qui vous manque : le temps.

En résumé

ChatGPT et Claude sont brillants pour la partie réflexion de l’outbound. Ils ne sont pas faits pour la partie exécution : trouver des leads, surveiller les signaux, mener la recherche à grande échelle, envoyer sur plusieurs canaux, relancer selon le comportement, apprendre de votre pipeline.

MCP comble ce fossé. Connectez Claude à Coolie et le LLM cesse d’être une fenêtre de chat. Il devient le cerveau d’un système qui fait vraiment tourner votre outbound.

Pas à la place du LLM. Grâce au LLM.

→ Essayez gratuitement : trycoolie.ai (essai de 7 jours)

La plupart des équipes ont Claude connecté à Coolie et des signaux qui tournent en moins de 10 minutes. Si vous voulez de l’aide, écrivez-nous depuis le produit : nous répondons en moins d’une heure.

Bonne prospection. 🚀

— Shabbir, cofondateur de Coolie

Les résultats des équipes qui utilisent ce système ⬇️

1. Comment l’équipe commerciale de Recruiterflow a triplé ses taux de réponse en une semaine

→ Cliquez ici pour lire l’étude de cas complète (en anglais)

2. Comment Datatracks a multiplié par 6 ses taux de réponse aux emails et récupéré ~208 heures

→ Cliquez ici pour lire l’étude de cas complète (en anglais)