Creer un agent ia pour automatiser votre prospection : notre guide complet

Vous avez une vision claire de votre projet ? Alors, passons à l’exécution

Notifications en attente, commentaires qui s’empilent sous vos publications, messages privés qui se perdent au fil de la journée... Si ces scénarios vous sont familiers, c’est que votre capacité à gérer l’afflux de contacts touche ses limites. Et vous le savez : chaque message qui reste sans réponse peut représenter un client potentiel, une opportunité commerciale… qui vous échappe.

Heureusement, une nouvelle génération d’assistants virtuels est là pour changer la donne. Ces outils intelligents peuvent prendre en charge votre messagerie LinkedIn, traiter les flux de manière quasi autonome, et répondre dans un langage naturel — sans jamais tomber dans le ton impersonnel ou robotisé.

À la clé : un traitement fluide des leads, une réduction de votre charge mentale, et surtout, un engagement beaucoup plus constant avec votre audience.

Ce que vous allez apprendre ici : un tutoriel pratique pour construire votre propre système et creer un agent ia

Ici, pas de théorie abstraite. L’objectif est clair : vous accompagner étape par étape dans la création de votre propre agent conversationnel, pensé pour LinkedIn. Au programme :

• Installer un environnement no-code avec des outils comme n8n ou Make

• Connecter les briques techniques indispensables pour creer un agent ia : LinkedIn, votre CRM, GPT, etc.

• Construire des workflows personnalisés capables de milliers de générations de réponses sans perdre en pertinence

• Appliquer ces workflows et les définir clairement pour des cas bien concrets : réponses aux DM, interaction sous les posts, envoi de relances ciblées…

• Suivre et affiner les résultats via des tests A/B et un dashboard de pilotage

  
  

Ce que vous allez découvrir dans la suite

🔥 Une sélection des outils d' intelligence artificielle et d'automatisations vraiment performants (et ceux qu’il vaut mieux éviter)

🚀 Des workflows déjà utilisés avec succès sur le terrain par nos utilisateurs

🧠 Des conseils pour automatiser vos messages sans jamais perdre en authenticité

⚠️ Les erreurs fréquentes lors de la mise en place d’un système automatisé, et pourquoi elles vous coûtent cher s’il n’est pas bien cadré

Alors, prêt·e à structurer votre prospection sur LinkedIn de façon plus fluide, sans rien sacrifier à la qualité des échanges ? On s’y met — suivez le guide.👇

Créer un environnement de développement ou de prototypage pour un Agent IA dédié à la prospection sur LinkedIn

Bien choisir sa plateforme de prototypage

Avant de se lancer, il est essentiel de sélectionner un environnement adapté à vos besoins, et surtout à votre niveau de maîtrise technique. Plusieurs solutions existent — voici celles qui se démarquent réellement dans le contexte LinkedIn :

N8N : open source, modulable à souhait. Si vous souhaitez garder la main sur chaque étape de votre automatisation en les adaptant aux tâches spécifiques, c’est une très bonne option. Il permet de composer des enchaînements complexes tout en restant lisible. LangChain peut aussi s’y greffer pour enrichir vos scénarios avec des modèles LLM comme GPT.

Make (ex-Integromat) : vous cherchez une solution intuitive sans plonger dans le code ? Make propose une approche visuelle, simple, qui permet de connecter vos outils professionnels (LinkedIn, email, CRM, agenda…) en glissant-déposant les blocs. Accessible, rapide à prendre en main.

API sur-mesure : pour ceux et celles qui maîtrisent déjà très bien leur stack technique, bâtir son propre backend reste une solution envisageable. Cependant, cela implique du temps, de la maintenance, et des ressources. À réserver aux projets complexes avec des contraintes spécifiques fortes.

Construire un espace de travail structuré

Une fois la plateforme sélectionnée, il faut créer votre espace projet. Le format dépendra de l’outil utilisé : workspace N8N, scénario Make, ou projet LangChain, peu importe. Ce sera votre zone de travail, celle où tous les flux convergeront.

Commencez par nommer votre projet de manière explicite. Puis, structurez-le en étapes logiques : détection d’un message entrant, déclenchement de la réponse IA, synchronisation avec le CRM, prise de rendez-vous éventuelle, etc. L’objectif ici est de poser une base claire sur laquelle bâtir ensuite.

Connecter les outils indispensables

Votre IA ne fera pas grand-chose toute seule. Elle doit être reliée à votre environnement de travail habituel. Voici les principales intégrations à prévoir dès le départ :

LinkedIn : c’est évidemment le nœud central si vous automatisez la gestion des messages privés ou des commentaires de vos publications. Des outils comme Octopus CRM ou Meet Alfred permettent d’y accéder via API.

CRM (Hubspot, Pipedrive, Salesforce, etc.) : dès qu’une conversation s’engage sur LinkedIn, il est utile que cette info remonte automatiquement dans votre CRM. Ça évite les doublons, et vous permet de suivre vos leads sans friction.

Email et Google Agenda : reliez votre agent à ces outils pour proposer un rendez-vous, transmettre un lien Calendly, ou encore envoyer un résumé de conversation par email. Tout se joue sur la fluidité.

Outils marketing & productivité : intégrer Notion, Slack, Airtable ou des apps d’analytics peut vous aider à qualifier les leads plus rapidement et à rediriger, quand nécessaire, vers les sales ou le support.

Assurer la sécurité et respecter les normes

L’automatisation gagne en valeur quand elle est bien encadrée. Sécurité, conformité, gestion des accès : ces points doivent être pris au sérieux, dès les premières intégrations.

- Tous vos outils doivent être conformes au RGPD, notamment lors de collecte de données. C’est le cas de Make, N8N ou LangChain, à condition d’être correctement configurés.

- Mettez en place des mécaniques d’ : utilisez OAuth2 ou des jetons à durée limitée autant que possible.

- Si vous manipulez des données personnelles (messages LinkedIn, adresses email…), chiffrez les flux entre outils et limitez les points d’exposition.

Enfin, pensez à protéger vos clés API. Par exemple, sur N8N, vous pouvez utiliser les systèmes d’identifiants sécurisés avec environnement cloisonné pour éviter toute fuite ou exposition involontaire à d’autres flows.

Définir et implémenter le workflow de l’agent IA

Déclencheurs : repérer les bons signaux pour démarrer

Tout débute par une détection fine des bons signaux. Pour que votre agent IA fonctionne en totale autonomie, encore faut-il lui permettre de capter des événements clairement identifiables. Cela peut être l’interaction d’un nouveau lead sur un post LinkedIn, une prise de contact en message privé, ou encore une mention, un tag ou un commentaire engageant sur l’un de vos contenus.

C’est ce point de départ, souvent sous-estimé, qui alimente l’ensemble du workflow. En connectant ces signaux via des outils comme Make, n8n ou Zapier à votre couche d'automatisation, l’agent IA peut se déclencher instantanément — dès qu’une activité ciblée est repérée sur votre compte LinkedIn. L’action suit immédiatement la détection.

Structuration des séquences : de la prise de contact à la proposition de RDV

Une fois le signal reçu, l'agent IA enchaîne automatiquement une suite cohérente d’actions, qui constituent le socle du parcours conversationnel. Voici les principales étapes :

• Identification : extraction fine des informations clés (nom, fonction, entreprise) depuis le message ou le profil LinkedIn.

• Prise de contact : déclenchement d’un message d’ouverture, rédigé dans le contexte du contact, sans intrusion.

• Qualification : à ce stade, des conditions entrent en jeu pour jauger l'intérêt réel et le rôle du contact dans le cycle d’achat.

• Relance : sans réponse, l’agent relance automatiquement selon un rythme défini, sans jamais paraître insistant.

• Proposition de RDV : si l’intérêt est confirmé, une prise de rendez-vous est proposée directement, via Calendly ou tout autre outil CRM intégré.

On dépasse ici la logique d’automatisation traditionnelle. Il s’agit d’un dialogue structuré, à grande échelle, sans sacrifier la cohérence ni la pertinence dans les échanges.

Rédaction et personnalisation grâce à l’IA

Le moteur de la personnalisation se trouve ici. L’intégration d’un modèle de langage de type LLM (comme ceux de GPT ou Claude) permet à l’agent de rédiger en autonomie des messages adaptés à chaque profil, en s’appuyant sur la donnée disponible dans le CRM ou le profil LinkedIn du contact.

Un exemple concret : un lead identifié comme "Head of Sales" ne recevra pas le même message qu’un CEO ou un directeur marketing. L’agent tient également compte de détails contextuels comme un post récent du contact, une expérience professionnelle partagée, ou une entreprise citée lors d’une interaction.

Résultat ? Des messages pertinents, synthétiques et engageants. Rédigés d’un seul bloc, sans duplicata ni formules vides, mais toujours ancrés dans une logique de conversation humaine.

Branches conditionnelles : un parcours différent selon les réponses

L’agent ne suit pas un scénario unique. Il s’adapte. En fonction des réponses reçues, son comportement évolue et les séquences s’ajustent. Ce sont ces branches conditionnelles qui permettent à l’agent IA d’orchestrer une véritable interaction dynamique.

Quelques cas typiques :

• Le contact montre un intérêt clair → le lien Calendly est immédiatement proposé.

• Il souhaite en savoir plus → l’agent lui envoie un nouveau message, enrichi d’un cas client ou d’un bénéfice produit ciblé.

• Il décline poliment → la conversation est clôturée avec courtoisie, tout en enregistrant l’échange pour un éventuel suivi.

C’est l’un des atouts majeurs de ce type d’agent : sa capacité à réagir en fonction de la tonalité du message, à ajuster le discours sans jamais s’éloigner du contexte réel de l’échange.

Exemples de workflows intégrés dans Make ou n8n

Voici un exemple de scénario mis en œuvre avec Make :

• Déclencheur : un nouveau commentaire reçu sur une publication LinkedIn (via Instantly ou un webhook dédié).

• Filtrage : vérification de la présence de mots-clés stratégiques dans le commentaire.

• Module IA : génération automatique d’un message de réponse personnalisé (via l’API OpenAI et un orchestrateur comme LangChain).

• Envoi automatique : distribution du message directement sur LinkedIn via un outil comme Octopus CRM.

• Suivi : ajout du contact dans un CRM tel que Pipedrive ou Notion pour suivi futur.

• Branche conditionnelle : si le lead répond, lancement d’un nouveau scénario de qualification ou proposition de rendez-vous.

  
  

Dans certains cas, le dispositif inclut également un enrichissement de données via Apollo, Clearbit ou PhantomBuster. Objectif : donner davantage de matière aux messages, avec des insights à forte valeur ajoutée pour engager la conversation de façon crédible.

Avec ce type d’architecture, les agents IA deviennent de véritables copilotes pour les équipes commerciales — capables de traiter un volume important sans dégrader ni le contenu, ni la qualité des échanges. Le tout, sans jamais perdre le fil de la personnalisation.

Maîtriser la personnalisation intelligente de votre agent IA

Exploiter les variables dynamiques : nom, secteur, contexte, historique

Un agent de prospection performant repose avant tout sur sa capacité à personnaliser chaque message, de manière crédible et à grande échelle. Pour y parvenir, l’utilisation de variables dynamiques (comme le nom du contact, son secteur d’activité, le contexte d’un précédent échange ou l’historique de la relation) est essentielle. Ces éléments permettent à votre agent de formuler des messages contextualisés, proches d’un échange humain traditionnel.

Des outils comme Make ou N8N facilitent la récupération de ces données en connectant des sources comme LinkedIn, Notion, Hubspot ou encore Pipedrive. Cette phase amont de collecte d'information permet ensuite d’enrichir automatiquement les champs de personnalisation dans vos messages. Le résultat ? Un message d’introduction qui sonne juste, agréable à lire — et surtout, qui ne trahit pas son origine automatisée.

Aller plus loin avec des techniques de personnalisation avancée : analyse de profil, adaptation, relance sur-mesure

La personnalisation prend une autre dimension lorsqu’elle est couplée à de l’IA générative. Grâce aux modèles de langage LLM (LangChain, par exemple), il devient possible d’analyser en une fraction de seconde le profil LinkedIn d’une cible : poste actuel, publications récentes, interactions pertinentes, signes d’intérêt spécifiques… tout est pris en compte.

Cet ensemble de données alimente ensuite un message adapté, tant sur le fond que sur le ton. Un CTO attend un discours précis, orienté technique ou produit ? L’agent s’adapte. Un CEO s’intéresse davantage à l’impact business ? Là encore, le message prend le bon virage. Même logique pour les relances : finies les copies-carbone — chaque suivi s’appuie sur un contenu différencié.

Déterminer le bon moment pour faire intervenir un humain

Un agent IA, aussi intelligent soit-il, ne sait pas tout faire. Une étape clé dans sa mise en place consiste à fixer les critères qui doivent déclencher une prise en main par un commercial. Lorsque la discussion devient trop technique, sensible ou imprévisible, il est essentiel que le relai soit assuré par un humain.

Ce transfert repose sur l’analyse des messages entrants. Une demande complexe, une objection bien argumentée, une question qui touche à des sujets réglementaires ou à un produit spécifique — autant de signaux que l’agent peut identifier pour passer le flambeau. Selon la configuration, un script de bascule alertera l’équipe via Slack, DAC ou e-mail. Ce fonctionnement flexible aide à réduire les erreurs d’appréciation tout en maximisant les chances qu’une opportunité soit bien saisie au vol.

Automatiser les tâches périphériques : CRM, scoring, suivi

Pour qu’un système de prospection fonctionne sans friction, il doit aussi savoir prendre en charge les tâches complémentaires (mais indispensables) : mise à jour automatique du CRM, attribution d’un score d’intérêt, création d’une action de suivi, etc.

Des solutions comme Make et N8N permettent d’enchaîner ces étapes comme un véritable circuit automatisé. À chaque interaction réussie entre votre agent et un prospect (réponse, clic, engagement), plusieurs actions sont déclenchées de façon fluide. Le bénéfice est double : un précieux gain de temps et une continuité dans l’expérience vécue par le contact.

Par exemple, après une réponse positive : 1) le contact est automatiquement tagué dans le CRM ; 2) il est intégré à un scénario d’emailing de nurturing ; 3) son niveau d’intérêt est évalué selon des critères définis. Ce type d’approche marque clairement l’évolution de la prospection à l’ère des assistants numériques intelligents.

Tester, affiner et lancer efficacement son agent IA

Premiers pas dans un environnement maîtrisé : le mode sandbox

Avant d’intégrer définitivement votre agent IA à votre stratégie sur LinkedIn, un passage par la case test s’impose. L’environnement “sandbox” permet d’observer les premières interactions de l’agent dans un contexte sécurisé, avec un échantillon limité de prospects ou des situations types — sans impacter vos échanges réels.

L’enjeu ? Vérifier deux choses essentielles : sa capacité à exploiter les sources de données (profils LinkedIn, CRM, historique d’échanges...) et la pertinence de ses réactions selon les cas rencontrés — qu’il s’agisse d’un message entrant, d’un commentaire ou d’une relance. On s’assure ainsi que l'agent agit de façon autonome, tout en restant fidèle à l’image de votre marque.

Analyse des comportements, ajustements et itérations continues

Les logs ne sont pas de simples fichiers techniques : ce sont des outils de pilotage incontournables. Ils permettent de suivre l’ensemble des décisions prises par l’agent, les prompts qu’il utilise, sa capacité à déclencher ou non une escalade.

Grâce à leur analyse, il devient facile de repérer les zones de friction : répétitions, formulations maladroites ou limites de format imposées par LinkedIn. En cas d’erreur, le système doit pouvoir passer la main à un humain : si l’intention d’un message est floue, l’agent doit soit demander une clarification, soit alerter un membre de l’équipe via le dashboard, selon les règles posées lors de la phase de conception. Ces ajustements par itérations successives permettent de fiabiliser l’ensemble et de traiter des cas complexes avec davantage de précision.

Tester les variantes : prompts, scripts et scénarios automatisés

Contrairement à des assistants classiques, un agent IA peut être optimisé en continu via des tests A/B. C’est même là qu’il exprime tout son potentiel. En testant différentes formules de prompt ou de message d’accroche, vous mesurez ce qui fonctionne — et ce qui mérite un ajustement.

Des outils comme LangChain, N8N ou Make facilitent la mise en place d’expérimentations directement dans les parcours automatisés. On peut comparer, par exemple, l’impact d’un message d’intro à dominante métier (“Je vois que vous êtes CTO chez…”) avec celui d’un message plus empathique (“J’ai beaucoup aimé votre post sur…”). Du côté des modèles de langage, essayer plusieurs LLM sur un même scénario peut révéler des écarts subtils mais décisifs. C’est un peu comme tester plusieurs voix pour un même discours, avant de choisir celle qui convainc le plus.

Sécuriser le passage en production

Quand l’agent a fait ses preuves en phase de test, vient le moment de le lancer “en vrai”. Mais pas n’importe comment. Il est crucial d’implémenter des mécanismes de contrôle : quotas de messages, respect des limites imposées par LinkedIn, horaires adaptés, montée progressive de la cadence…

Un déploiement maîtrisé, c’est aussi un agent qui comprend les subtilités du réseau : savoir quand un contact a déjà été sollicité récemment, éviter les relances mal placées, reconnaître les doublons. En intégrant des logiques contextuelles, l’agent s’adapte aux réactions et évite les envois maladroits. C’est ce qui permet d’installer une approche proactive, sans jamais franchir la ligne du spam.

Points de contrôle avant mise à l’échelle

Avant de passer en diffusion large, il est indispensable de valider une série d’éléments-clés :

• Les logs sont lisibles, accessibles, et correctement archivés

• Tous les scénarios répondent aux cas les plus fréquents, avec un passage possible à l’humain si besoin

• Le comportement de l’agent respecte les règles implicites et explicites de LinkedIn

• Les quotas sont bien actifs (messages, demandes de connexion, relances)

• L’agent sait identifier les situations où il ne doit pas répondre (contenu problématique, intention floue, contact hors cible)

• Les données utilisées sont sécurisées et encryptées pendant les échanges

Une fois cette checklist validée, votre agent pourra enfin gérer un volume significatif — tout en conservant la finesse et la personnalisation qui font la différence. C’est là qu’il sort du lot : un outil pensé pour l’automatisation, mais capable d’interagir avec cohérence, nuance et pertinence.

Mesurer, affiner et faire évoluer son agent IA

Piloter à partir des bons KPIs : ne travaillez pas à l’aveugle

Une fois votre agent IA opérationnel, il est essentiel de savoir s’il remplit vraiment sa mission. Et pour ça, un seul réflexe : suivre les bons indicateurs, en temps réel. Voici ceux qui méritent votre attention :

Taux d’ouverture : un bon indicateur pour juger l’accroche de vos messages. S’il est en baisse, il y a sans doute un souci dans le wording ou dans la manière dont la cible perçoit l’initiation de la conversation.

Taux de réponse : un des indicateurs les plus révélateurs. Si les retours se font rares, il est temps de revoir le contenu des messages, leur tonalité ou le moment où ils sont envoyés.

Nombre de rendez-vous décrochés : c’est là que la performance commerciale prend toute sa mesure. Ce KPI vous permet de mesurer concrètement ce que l’agent vous apporte en termes de résultats business.

Erreurs relevées : messages Hors Sujet, mauvaise cible, déroulé incohérent… Chaque erreur est une opportunité d’apprentissage pour affiner les réponses de votre assistant virtuel.

Centraliser les données dans un dashboard de suivi

On n’améliore que ce qu’on mesure. Pour avoir une vue globale, construisez un tableau de bord qui regroupe ces KPIs. Des outils comme Trevor.io, Ringy ou les fonctionnalités intégrées de Salesforce vous aident à consolider les chiffres, repérer d’éventuels bugs de fonctionnement ou simplement suivre l’évolution semaine après semaine.

Pour que ça fonctionne, connectez l’ensemble de vos sources de données : LinkedIn, Calendly, votre CRM, Google Sheets… L’objectif : une vision unifiée. Et si besoin, déclenchez des alertes (Slack, email…) dès qu’un indicateur passe au rouge.

Ajuster, tester, faire progresser

L’atout majeur d’un assistant virtuel, c’est qu’il peut évoluer en permanence. À condition de l’ajuster intelligemment, à partir de plusieurs axes :

Travailler les prompts : reformuler, jouer avec l’ordre des idées, tester différents modèles linguistiques (GPT-4, Claude, Mistral…). L’idée : évaluer chaque changement via des tests A/B selon les méthodes recommandées.

Analyser les retours terrain : les absences de réponse ou les messages négatifs sont toujours riches d’enseignements. Parfois, une nuance de langage suffit à bloquer l’échange. Pensez à intégrer une boucle de retour dans votre CRM pour taguer ces situations et les étudier plus finement.

Revoir les séquences : ajuster le rythme entre deux messages, adapter les déclenchements à la réaction (ou non) de l’utilisateur… 

Déployer des fonctionnalités à haute valeur ajoutée

Une fois les bases solides, vous pouvez aller plus loin en ajoutant des briques intelligentes à votre agent IA :

Analyse prédictive : en croisant les données passées, l’agent peut anticiper les profils les plus enclins à répondre positivement, et concentrer ses efforts dessus.

Scoring automatisé : attribuer une note d’intérêt à chaque lead, calculée selon les interactions et la richesse du profil. Cela permet de hiérarchiser plus finement les actions.

Approche multicanal coordonnée : au-delà de LinkedIn, vous pouvez intégrer emails ou WhatsApp professionnel. Un agent bien configuré peut piloter l’ensemble via des outils comme Make ou n8n, sans perte de cohérence dans le ton ou les intentions.

Anticiper et structurer la montée en charge

Dernier sujet : l’échelle. Car une fois votre agent IA en place, il est prêt à passer à l’étape supérieure. Pour soutenir la croissance, anticipez :

Ajout de comptes LinkedIn : multiplier les profils permet d’étendre la portée sans surcharge. Chaque compte peut suivre les mêmes scénarios, tout en gardant une personnalité propre.

Déploiement en équipes : créez des agents adaptés à différents pôles ou marchés. Chacun pourra s’appuyer sur ses propres flux de données et ajuster son ton ou ses réponses selon la cible.

Ce que vous y gagnez ? Une infrastructure capable d’évoluer sans sacrifier la qualité. Pensée de manière stratégique, votre organisation autour des agents IA reste humaine, efficace… et beaucoup plus scalable.

À Retenir : Passez à l’action et donnez vie à votre agent IA LinkedIn

Ce qu’il faut retenir : une structure efficace, des outils solides, et un agent IA qui fait le job

Vous l’avez compris : mettre en place un agent intelligent pour gérer votre prospection sur LinkedIn n’est plus réservé aux spécialistes de l’IA ou aux grandes équipes techniques. Avec les bons outils et une approche méthodique, vous pouvez rapidement bâtir une solution qui travaille vraiment pour vous — et qui colle à votre modèle business.

Ce qui compte, ce n’est pas de lancer un test isolé sur une campagne. L’enjeu, c’est de mettre en place une mécanique durable, intégrée à votre quotidien : des automatisations pensées intelligemment, des interactions ajustables, des process mesurables — et surtout, une logique d’amélioration continue à partir de vos résultats.

Un agent bien configuré sait détecter les bons signaux (visites, commentaires, demandes de contact), interagir en autonomie et ajuster son discours. Il sait aussi quand s’effacer pour laisser place à l’humain. Bref, il s’occupe des tâches répétitives, pendant que vous restez focalisé sur ce qui pèse vraiment dans la balance : les conversations stratégiques, les rendez-vous et les conversions.

Il ne s’agit pas d’un assistant de plus ni d’un gadget à la mode. C’est un nouvel outil de travail, conçu pour faire passer la relation client/prospect à une autre échelle — en s’appuyant sur la puissance des LLM. Et à tout moment, c’est vous qui gardez le cap : décision, vision, pilotage.

Et maintenant : testez, optimisez, déployez

Si vous préférez avancer accompagné(e), vous pouvez aussi réserver une démo personnalisée. On vous montre en direct notre agent déployé dans votre contexte : votre secteur, vos profils cibles, votre langage. Que vous soyez indépendant ou au sein d’une équipe, tout est pensé pour un déploiement rapide, fluide et maîtrisé.

Ouvrir la voie : vers une automatisation humaine et mieux partagée

C’est quand les retours terrain circulent qu’on apprend vraiment. Le plus grand levier d’amélioration, c’est ce que chacun partage : cas d’usage, templates concrets, ajustements… et même erreurs passées qui vous aideront à prendre des décisions plus informées. Car oui, l’IA peut parfois se heurter à des situations floues ou mal calibrées. Cela arrive. Cela fait partie du jeu.

Mais plus les feedbacks remontent, plus les modèles s’enrichissent — et plus ils répondent précisément aux réalités du terrain.

Alors dites-nous : vous en êtes où ? Comment vous avez intégré l’automatisation dans votre workflow LinkedIn ? Quels ont été vos premiers résultats ? Vos retours sont précieux.