Pourquoi vos messages de prospection LinkedIn restent sans réponse

La plupart des messages de prospection sur LinkedIn se ressemblent : une formule d'ouverture générique, un compliment vague sur le poste ou l'entreprise, puis une demande. Le destinataire les reconnaît en une fraction de seconde, et la majorité finissent ignorés. Ce n'est pas une impression : c'est ce que montrent plusieurs études indépendantes sur le sujet.

Les acheteurs B2B évitent activement les messages non pertinents

Selon une enquête Gartner menée en 2024-2025 auprès de 632 acheteurs B2B, 73% d'entre eux évitent activement les fournisseurs qui envoient des messages de prospection non pertinents. Ce n'est pas un simple agacement passager : c'est un comportement qui influence directement leur décision de considérer, ou non, un fournisseur.

La personnalisation multiplie les réponses, pas seulement le taux d'ouverture

Une analyse de Gong (2023), portant sur plus de 30 000 emails de prospection issus de plus de 250 entreprises, a mesuré l'effet concret d'un message construit autour d'un sujet propre à l'entreprise du destinataire, plutôt qu'un message générique adressable à n'importe qui : les décideurs (directeurs et au-dessus) engagés de cette façon répondent trois fois plus souvent.

Ce chiffre confirme quelque chose d'assez intuitif une fois qu'on le formule clairement : un message générique ne coûte rien à ignorer, parce qu'il ne prouve à personne qu'on a vraiment regardé son profil. Un message ancré sur un détail réel et vérifiable, un poste précis, une entreprise, un parcours particulier, change la donne, parce qu'il prouve le contraire.

Même l'IA, utilisée correctement, améliore le taux de réponse

LinkedIn a publié en 2025 des chiffres sur ses propres fonctionnalités d'IA pour le recrutement : les messages générés avec l'aide de l'IA obtiennent un taux d'acceptation supérieur de 44% par rapport aux messages non assistés. Ce résultat est intéressant précisément parce qu'il contredit une intuition répandue ("l'IA sonne forcément générique") : ce n'est pas l'IA elle-même qui pose problème, c'est la façon dont elle est utilisée. Un message généré à partir d'un vrai fait sur le profil consulté n'a rien à voir avec un message généré à partir d'un simple nom et d'un titre de poste.

Ce que ça change concrètement

Ces trois chiffres racontent la même histoire sous trois angles différents : l'irrelevance fait fuir, un fait réel et spécifique change tout, et l'IA peut aider à produire ce niveau de personnalisation à grande échelle, à condition qu'elle s'appuie sur des données réelles plutôt que sur des généralités.

C'est exactement le principe sur lequel repose InProspector : générer un message à partir d'un détail concret du profil LinkedIn que vous consultez, jamais d'une formule toute faite. Le message reste toujours à relire et personnaliser avant l'envoi, mais le point de départ est un fait, pas une supposition.