Closechat : un agent WhatsApp qui qualifie vos leads et ne propose le rendez-vous qu'au bon moment

Contexte

Un entrepreneur qui a une audience génère des leads par ses formulaires, ses publicités, ses webinaires ou LinkedIn. Beaucoup laissent un numéro puis ne donnent plus de nouvelles. Les rappeler un par un coûte un temps considérable, et un lead qu'on relance mal, ou trop tôt, est perdu.

Closechat reprend ces leads là où ils répondent : sur WhatsApp. L'agent mène la conversation, qualifie le besoin et ne propose un rendez-vous que lorsque l'intérêt est établi. Le produit a été construit, mis en production, puis mis en pause.

Le défi

• Converser comme un humain sur WhatsApp, sans forcer la main : un prospect poussé trop tôt vers un rendez-vous décroche.
• Proposer le rendez-vous au bon moment seulement : qualifier le besoin, le décideur et le calendrier avant de le proposer.
• Respecter les règles de WhatsApp : un premier message passe obligatoirement par un modèle approuvé par Meta.
• Ne jamais inventer : l'agent ne doit dire que des choses vraies sur le produit du client.
• Pouvoir faire évoluer l'agent sans casser ce qui marche, en mesurant chaque version avant la mise en production.

Mon approche

Un graphe d'agents, pas un prompt unique. La conversation passe par un pipeline LangGraph. Un routeur (Claude Haiku 4.5) lit le message, détecte l'intention, la température du prospect et les signaux de qualification. Un agent de raisonnement (Claude Sonnet 4.6) rédige un brief stratégique privé, que le prospect ne voit jamais. L'agent commercial écrit la réponse, puis un agent de relecture l'approuve ou la réécrit avant l'envoi.

Une qualification par phases. Un score de qualification fait avancer le prospect en cinq phases : premier contact, découverte, intérêt confirmé, rendez-vous proposé, rendez-vous obtenu. Il s'appuie sur les signaux BANT extraits par le modèle (besoin, autorité, calendrier) et sur des seuils à franchir avant toute proposition de rendez-vous.

Le rendez-vous posé directement dans l'agenda. Quand le prospect est prêt, l'agent réserve le créneau dans l'agenda du commercial (Cal.com ou Calendly) et synchronise le lead dans le CRM (HubSpot ou Pipedrive). Les relances partent automatiquement quand le prospect ne répond plus, et les messages reçus hors horaires sont rattrapés.

Chaque client branche son propre WhatsApp. Closechat s'appuie sur l'API WhatsApp Cloud de Meta : chaque client connecte son propre compte WhatsApp Business en quelques clics. Les premiers messages passent par des modèles approuvés par Meta, comme l'exigent les règles de WhatsApp.

Un agent développé par l'évaluation. En production, quatre juges LLM relisent chaque message de l'agent : le routeur a-t-il compris le prospect, la réponse est-elle polie sans forcer la main, pertinente, et vraie sur le produit ? Avant chaque mise en production, une batterie rejoue 84 messages étiquetés et 14 scénarios où un faux prospect (pressé, sceptique, en détresse) converse avec l'agent. Un juge d'une autre famille de modèles (Mistral Large 4) note les conversations pour ne pas favoriser les formulations de Claude. Toutes les traces vont dans Langfuse.

Des tests qui bloquent la mise en production. Le build exécute toute la suite de tests : si un test casse, rien n'est déployé.

Résultats

• Un agent en production sur l'API WhatsApp Cloud de Meta, avec agenda et CRM branchés.
• Quatre juges sur chaque vrai message, pour environ 0,025 $ par message.
• Une batterie d'évaluation rejouable avant chaque changement, pour environ 1,30 $ (3,30 $ avec la mesure de convergence sur 42 conversations).
• Un produit aujourd'hui en pause.

Stack technique

• Claude Sonnet 4.6 · Haiku 4.5
• LangGraph
• Python · Django · Celery · Redis
• Supabase (PostgreSQL)
• React · Vite
• API WhatsApp Cloud (Meta)
• Cal.com · Calendly
• HubSpot · Pipedrive
• Stripe
• Langfuse
• Railway