Recherche de personnes par IA avec Jev : filtrer les candidats selon votre ICP avant de payer la recherche d’e-mails

La recherche de personnes par IA, c’est un agent qui transforme une demande en langage naturel, par exemple « responsables marketing d’éditeurs de logiciels en série A en Amérique du Nord », en une liste de personnes nommées avec poste et entreprise. Cette liste n’est jamais propre : la recherche renvoie des postes voisins, des entreprises hors de votre tranche de taille, des régions où vous ne vendez pas et des profils périmés. Si chaque ligne part directement vers un outil de recherche d’e-mails professionnels, vous payez des recherches pour des personnes que vous ne contacterez jamais, et des contacts hors cible arrivent dans votre outil de prospection. L’ordre le moins cher : filtrer, puis enrichir. L’agent cherche ; Jev répond à quelques questions courtes et typées sur chaque candidat au regard de votre profil client idéal (ICP) ; seuls les candidats retenus passent à un outil de lead enrichment comme Treg pour la recherche et la vérification de l’e-mail. Jev ne navigue pas, ne cherche pas et ne trouve pas d’e-mails. C’est une couche de jugement purement textuelle : il lit les champs envoyés et renvoie des probabilités, si bien que l’étape payante ne voit que les lignes que vous voulez déjà. Ce guide décrit de bout en bout ce schéma « jev people search », qui se combine avec le lead scoring pour les leads entrants et l’agent routing pour les agents à plusieurs étapes.

Découpez l’ICP en trois questions plutôt qu’un long prompt. Une question Noul prend la décision de garder ou d’écarter (cette personne correspond-elle ?). Un Score de 2 à 10 niveaux ordonnés mesure la proximité de la personne avec le détenteur du budget. Un Choice de 2 à 12 options nomme la raison principale d’un rejet et inclut toujours une option unclear, pour que les profils trop maigres aient une issue honnête. La raison vaut la question supplémentaire : si la plupart des rejets reviennent en wrong_company_size, corrigez la requête de recherche au lieu de payer chaque jour pour rejeter les mêmes lignes. Ne mettez dans le state que les champs utiles à la décision : poste, entreprise, tranche de taille, secteur, région et un résumé de profil d’une ligne. Laissez de côté e-mails, téléphones, notes et toute donnée sensible, et ne demandez jamais l’âge, le genre, l’origine ou d’autres caractéristiques protégées. Le state doit tenir en 8 000 caractères, une requête peut poser 1 à 8 questions, et les ID de question commencent par une minuscule et n’utilisent que minuscules, chiffres et tirets bas. Le bloc ci-dessous est un exemple d’ICP à copier : un candidat en state, les trois questions, une réponse illustrative et quatre candidats de test avec le résultat attendu. Le Jev Playground public sur jevmodel.app/jev-playground permet d’essayer les exemples intégrés sans compte (3 exécutions par jour UTC) ; pour exécuter ces trois questions telles quelles, connectez-vous, ouvrez Console → Playground, collez le state et ajoutez les questions, ou envoyez le même corps à l’API.

// Copy-paste ICP screen. POST https://jevmodel.app/api/v1/systemone
// Header: Authorization: Bearer <JEVMODEL_API_KEY>  (key from a verified-email account)
{
  "state": {
    "title": "Head of Growth Marketing",
    "company": "Example Analytics Inc.",
    "company_size": "120 employees",
    "industry": "B2B SaaS, product analytics",
    "region": "Toronto, Canada",
    "summary": "Runs paid acquisition and lifecycle email; reports to the CEO."
  },
  "questions": {
    "icp_fit": {
      "type": "noul",
      "instructions": "Does this person match our ICP: someone who owns or directly influences the marketing budget at a B2B software company with 50-500 employees in the US or Canada?",
      "criteria": {
        "true": "Owns or directly influences marketing spend at a B2B software company of 50-500 people in the US or Canada.",
        "false": "Wrong role, company type, size or region, or not enough information to tell."
      }
    },
    "buying_power": {
      "type": "score",
      "instructions": "Rate how close this person is to the marketing budget decision.",
      "criteria": [
        "Individual contributor with no budget",
        "Manages one marketing channel",
        "Leads a marketing function",
        "VP, CMO or founder who signs marketing spend"
      ]
    },
    "reject_reason": {
      "type": "choice",
      "instructions": "What is the main reason this person does or does not fit the ICP above?",
      "criteria": {
        "fit": "Matches role, company type, size and region.",
        "wrong_role": "Not in marketing or has no say over marketing spend.",
        "wrong_company_size": "Company is outside 50-500 employees.",
        "wrong_industry": "Company is not a B2B software business.",
        "wrong_region": "Based outside the US and Canada.",
        "unclear": "The profile does not give enough information to decide."
      }
    }
  }
}

// Illustrative response shape (example values, not measurements):
// { "code": 0, "data": { "answers": {
//   "icp_fit":       { "noul": 0.9 },
//   "buying_power":  { "score": ... },   // check the returned scale on real responses
//   "reject_reason": { "choice": "fit", "probabilities": { "fit": 0.86, ... } } } } }

// Four test candidates (one request each) and the outcome to expect:
// 1. Head of Growth Marketing, 120-person B2B SaaS, Toronto    -> keep (fit)
// 2. Marketing intern, 120-person B2B SaaS, Austin             -> drop (wrong_role)
// 3. CMO, 8,000-person retail bank, New York                   -> drop (wrong_company_size / wrong_industry)
// 4. VP Marketing, 200-person B2B software company, Berlin     -> drop (wrong_region)

Envoyez une requête par candidat avec les trois mêmes questions, puis appliquez les seuils dans votre propre code. Le script ci-dessous lit candidates.json (un tableau d’objets candidats au format du state ci-dessus) et icp-questions.json (l’objet questions de l’étape 1), appelle l’API, garde les lignes où icp_fit vaut au moins 0,8 et où la raison est fit, et envoie les lignes unclear ou limites vers un fichier de revue au lieu de deviner. Le seuil de 0,8 est provisoire : choisissez le vôtre à partir d’un échantillon étiqueté, comme l’explique le guide d’évaluation. Chaque appel est une requête API ordinaire facturée en tokens, donc le filtre coûte la même chose par ligne que la personne passe ou non ; les comptes vérifiés démarrent avec 100 000 tokens offerts et les exécutions échouées sont remboursées. L’API n’a pas de clé d’idempotence : notez quelles lignes ont déjà une réponse avant de relancer après une erreur réseau. Si vous préférez ne pas coder, Console → Batch exécute les mêmes questions sur une liste CSV ou JSONL : jusqu’à 50 lignes par lot avant tout achat et jusqu’à 1 000 ensuite.

// screen.mjs  (Node 18+: built-in fetch)
// Usage: JEVMODEL_API_KEY=... node screen.mjs
import { readFileSync, writeFileSync } from 'node:fs';

const candidates = JSON.parse(readFileSync('candidates.json', 'utf8'));
const questions = JSON.parse(readFileSync('icp-questions.json', 'utf8'));
const FIT_THRESHOLD = 0.8; // placeholder: set it from a labeled sample

const shortlist = [];
const review = [];

for (const person of candidates) {
  const res = await fetch('https://jevmodel.app/api/v1/systemone', {
    method: 'POST',
    headers: {
      Authorization: 'Bearer ' + process.env.JEVMODEL_API_KEY,
      'Content-Type': 'application/json',
    },
    body: JSON.stringify({ state: person, questions }),
  });
  const json = await res.json();
  if (json.code !== 0) {
    review.push({ person, error: json });
    continue;
  }
  const a = json.data.answers;
  const fit = a.icp_fit.noul; // probability that the candidate fits
  const reason = a.reject_reason.choice;
  if (fit >= FIT_THRESHOLD && reason === 'fit') {
    shortlist.push({ ...person, fit, buying_power: a.buying_power.score });
  } else if (reason === 'unclear' || (fit > 0.4 && fit < FIT_THRESHOLD)) {
    review.push({ person, fit, reason });
  }
  // everything else is a confident reject: no paid lookup
}

writeFileSync('shortlist.json', JSON.stringify(shortlist, null, 2));
writeFileSync('review.json', JSON.stringify(review, null, 2));
console.log('shortlist', shortlist.length, 'review', review.length, 'of', candidates.length);

Treg présente sa recherche de personnes comme du lead enrichment pour agents : un token et une CLI devant de nombreux fournisseurs de données, facturés à l’appel. L’agent choisit un fournisseur dans le catalogue ou appelle un endpoint routé, où Treg choisit le fournisseur et le nomme. Vous appelez le service hébergé sur treg.to ; ce guide ne couvre pas l’auto-hébergement de Treg. D’après le README de Treg, l’agent installe la CLI, se connecte, cherche une capacité dans le catalogue, lit son schéma puis l’appelle ; la recherche d’e-mails professionnels est une capacité routée (treg.people.email.find) et la vérification est une étape distincte, facturée à part. Treg indique que la recherche d’e-mail à partir de l’URL d’un profil LinkedIn démarre à 0,0005 $ par appel et que les échecs ne sont pas facturés, d’où son usage fréquent comme linkedin email finder ; consultez sa grille avant de budgéter, car les prix varient selon la route. Treg indique aussi que les nouveaux comptes vérifiés reçoivent une fois 1,00 $ de crédit offert en créant une équipe éligible. Ne lui envoyez que shortlist.json. Les lignes de review.json attendent une personne et les rejets sûrs n’atteignent jamais une recherche payante. Gardez les réponses de Jev à côté de chaque contact pour vérifier plus tard si les buying_power élevés ont vraiment répondu. Le dépôt de Treg est publié sous Apache 2.0 avec des conditions supplémentaires ; Treg indique que l’appel de l’API hébergée treg.to est autorisé. JevModel n’est pas affilié à Treg.

# Treg CLI, as documented in Treg's README (hosted service at treg.to)
curl -fsSL https://treg.to/install.sh | sh
treg login
treg catalog search "find a work email"
treg catalog get treg.people.email.find   # read the input schema before calling
treg balance

# Pass only the rows in shortlist.json produced in Step 2.
# Rows in review.json go to a person; confident rejects are never looked up.
# Verification is a separate, separately billed step in Treg's docs.

Ceux qui cherchent des alternatives à Clay (clay alternatives) ou une alternative à Apollo (apollo alternative) veulent souvent deux choses : un coût par contact plus bas et moins de temps passé sur des contacts hors cible. Le tableau compare trois façons de constituer une liste ; il décrit des compromis, pas un benchmark. Sur le seul prix fournisseur, les seuls chiffres publics ici sont ceux de Treg : dans un test publié par Treg, les mêmes 100 leads (nom plus domaine de l’entreprise) sont passés par cinq outils d’e-mails professionnels et ont été vérifiés contre l’adresse publiée de chaque entreprise. Treg annonce 92 e-mails corrects pour 0,53 $, Clay 84 pour environ 3,35 $, Apollo 77 pour environ 2,24 $, Deepline 80 pour 2,74 $ et Hunter 84 pour 2,21 $, soit 0,58 $ par 100 e-mails corrects pour Treg contre 3,77 $ pour Clay, d’où son affirmation « 85 % moins cher que Clay ». Ce sont les chiffres d’un fournisseur sur son propre test ; Jev n’y a pas participé et votre liste donnera d’autres résultats. Filtrer d’abord réduit le coût avec n’importe quel fournisseur d’enrichissement, car moins de lignes atteignent l’étape payante.

Avant de vous fier au filtre, étiquetez 100 à 200 candidats issus de vos propres recherches comme conformes ou non, exécutez les trois questions et regardez combien de vrais conformes tombent sous le seuil et combien de non-conformes passent. Suivez ensuite un seul chiffre de bout en bout : dépense totale (tokens Jev, recherches et vérification) divisée par le nombre de contacts à la fois dans votre ICP et dotés d’un e-mail vérifié. Treg publie le reçu d’une exécution de ce type, daté du 2026-09-23 : 50 éditeurs de logiciels en série A listés, Jev conservant les 27 conformes à l’ICP, le responsable marketing de chacun identifié, puis les e-mails professionnels trouvés et vérifiés, soit 20 e-mails vérifiés pour 0,58 $ au total, ou 0,029 $ par résultat exploitable, chaque échec réglé à 0,00 $. C’est l’exécution publiée par Treg, pas une mesure de JevModel. Côté qualité de recherche, Treg indique que sur le People Search Bench de LessieAI, les tâches de prospection B2B ont été correctement résolues dans 43 % des cas par Claude Code seul et dans 78,2 % avec Treg. Le chiffre qui compte est celui de votre propre échantillon étiqueté.

Utilisez-le quand un agent construit des listes à grande échelle, que l’ICP tient en quelques phrases et que l’étape d’enrichissement coûte de l’argent par ligne. Passez-vous-en pour une poignée de comptes nommés, où lire chaque profil vous-même va plus vite. Gardez un filtre étroit : jugez poste, entreprise, taille, secteur et région à partir de faits professionnels, jamais de caractéristiques protégées, et n’envoyez ni e-mails personnels ni numéros de téléphone à Jev, qui n’en a pas besoin. Respectez les règles de confidentialité et de prospection applicables là où vivent vos contacts. Jev ne traite que du texte et n’est pas open source ; JevModel appelle toujours le modèle Jev via sa propre API, il n’y a donc pas de champ model à régler. La section Croissance de jevmodel.app/use-cases propose des exemples de qualification de leads, et jevmodel.app/jev-api liste les limites des requêtes. JevModel est un site indépendant, non affilié à TypeSafe AI, qui développe Jev, ni à Treg.