L'agent OpenClaw remplace plusieurs outils SaaS pour la génération de leads sur LinkedIn à un coût 5 fois inférieur.

Étude de cas d'optimisation des coûts : Pipeline de génération de leads sur LinkedIn

Un développeur a partagé une analyse détaillée du remplacement de plusieurs outils SaaS par un seul agent OpenClaw pour la génération de leads sur LinkedIn, réduisant les coûts d'environ 250 €/mois à moins de 2 €/jour.

Ce qui a été remplacé

• PhantomBuster (56 €/mois) – utilisé auparavant pour le scraping des publications, likes et commentaires LinkedIn
• Lemlist (79 €/mois) – séquences de prospection
• Workflow N8N personnalisé sur serveur payant (30 €/mois) – liaison entre le scraping et la prospection
• Travail manuel (~2 heures/jour) – examen des leads, rédaction de messages personnalisés

Workflow actuel du pipeline

Chaque matin à 8h, un cron déclenche l'agent avec cette séquence :

1. L'agent recherche des publications LinkedIn par mot-clé en utilisant une compétence personnalisée appelée BeReach qui encapsule les endpoints internes de LinkedIn
2. Pour chaque publication avec 50+ likes, extrait tous les personnes ayant liké et commenté
3. Haiku évalue chaque personne selon des critères ICP (titre du poste, taille de l'entreprise, activité récente)
4. Les 15-20 meilleurs prospects sont transmis à Sonnet, qui visite leurs profils, lit leurs publications récentes et rédige des demandes de connexion personnalisées faisant référence à du contenu spécifique qu'ils ont publié
5. Les résultats arrivent sur Telegram pour examen et approbation, puis l'agent envoie les demandes

Répartition des coûts quotidiens

• Haiku (recherche, scraping, évaluation) : ~0,15 €
• Sonnet (analyse de profil, rédaction de messages) : ~1,20 €
• VPS (Hostinger Debian) : ~0,17 €
• Compétence API LinkedIn : incluse dans l'abonnement
• Total : ~1,52 €/jour

Comparé à l'ancienne stack : 250 €/mois = ~8,30 €/jour, ce qui rend la nouvelle configuration environ 5 fois moins chère.

Principales idées de mise en œuvre

Le routage de modèles a été la plus grande découverte : La première version exécutait tout via Sonnet et coûtait 4 à 5 fois plus. Basculer la récupération de données et les tâches de classification simples vers Haiku a réduit significativement les coûts.

JSON propre au lieu de l'analyse HTML : La compétence LinkedIn renvoie directement des données de profil structurées, évitant l'automatisation du navigateur, l'analyse DOM et les captures d'écran. Cela permet à la fenêtre de contexte de l'agent d'être utilisée pour le raisonnement plutôt que pour lire le code source des pages web.

Ce qui n'a pas fonctionné

• Automatisation du navigateur (a entraîné une restriction du compte LinkedIn en moins de 48 heures)
• Compter sur l'agent pour autoréguler les limites de débit (nécessite une application côté serveur dans la compétence, pas dans l'invite)
• Utiliser Opus pour les tâches quotidiennes du pipeline (inutile pour cette charge de travail, 10 fois le coût de Sonnet sans amélioration de la qualité des messages de prospection)

Résultats

Taux d'acceptation des demandes de connexion : 60-70 % avec des messages personnalisés faisant référence à des publications réelles des utilisateurs, contre 15-20 % avec les campagnes précédentes utilisant des modèles Lemlist.

La compétence personnalisée s'appelle BeReach, bien que le développeur note qu'elle est bloquée par l'automod et demande des DM pour le lien d'installation.