Maxime Mansiet

Le problème avec la recherche d'emploi traditionnelle

Les job boards te montrent les mêmes offres qu'à tout le monde. LinkedIn te met dans une file de 300 candidats. Les candidatures génériques sont ignorées. Le rapport signal/bruit est catastrophique, et le processus est conçu pour t'éliminer avant même qu'un humain lise ton nom.

Il y a une meilleure approche. Contourner les intermédiaires, aller directement dans la boîte mail du recruteur.

La stratégie

Au lieu de répondre à des offres d'emploi, l'objectif est de :

Identifier des entreprises cibles qui correspondent à ton profil et tes intérêts
Trouver le recruteur ou le responsable technique via des techniques OSINT
Deviner et vérifier leur email grâce aux patterns corporate connus
Envoyer une candidature ultra-personnalisée générée par un agent IA qui a recherché l'entreprise
Faire ça à grande échelle, sans perdre en qualité

C'est ce que j'ai automatisé avec OpenClaw et un ensemble de scripts custom.

Étape 1 — Construire la liste d'entreprises

Commence par une liste d'entreprises cibles. Tu peux la sourcer depuis :

La recherche d'entreprises LinkedIn (scraping basique sans compte)
Crunchbase / Pappers.fr pour les entreprises françaises
Les pages d'organisation GitHub (pour les boîtes tech, les ingénieurs sont souvent publics)
Les job boards, mais uniquement pour extraire les noms d'entreprises, pas pour candidater

Pour chaque entreprise, tu as besoin de : nom, domaine, secteur, stack technique si possible.

companies = [
    {"name": "Verana", "domain": "verana.io", "industry": "SSI / Identity"},
    {"name": "2060.io", "domain": "2060.io", "industry": "DIDComm / Messaging"},
    # ...
]

Étape 2 — OSINT : trouver la bonne personne

Tu ne veux pas les RH. Tu veux le CTO, le responsable engineering ou le tech lead qui prend vraiment les décisions de recrutement. Voici comment les trouver :

Profils publics LinkedIn (pas besoin de compte pour les requêtes basiques) :

site:linkedin.com/in "engineering manager" "nom de l'entreprise"

Membres des organisations GitHub — pour les boîtes tech, leurs ingénieurs sont souvent publics :

https://github.com/orgs/{org}/people

Site de l'entreprise — les pages /team, /about, /careers listent souvent des noms avec des rôles.

Hunter.io — colle un domaine, obtiens la liste des patterns d'emails connus et des adresses confirmées (free tier : 25 recherches/mois).

Une fois que t'as un nom, tu passes à la devinette d'email.

Étape 3 — Deviner et vérifier les emails

La plupart des entreprises utilisent un de ces patterns :

Pattern	Exemple
`prenom.nom@`	jean.dupont@company.com
`p.nom@`	j.dupont@company.com
`prenom@`	jean@company.com
`pnom@`	jdupont@company.com
`nom@`	dupont@company.com

L'astuce c'est de ne pas deviner aveuglément, mais de vérifier avant d'envoyer. Envoyer à une adresse morte abîme ta réputation de domaine.

Vérification d'email : comment ça fonctionne

La méthode de vérification la plus rapide sans payer de service c'est le sondage SMTP :

import smtplib
import dns.resolver

def verify_email(email):
    domain = email.split('@')[1]

    # Étape 1 : récupérer les enregistrements MX
    mx_records = dns.resolver.resolve(domain, 'MX')
    mx_host = str(sorted(mx_records, key=lambda r: r.preference)[0].exchange)

    # Étape 2 : handshake SMTP (aucun email envoyé réellement)
    try:
        server = smtplib.SMTP(timeout=10)
        server.connect(mx_host)
        server.helo('verify.local')
        server.mail('verify@verify.local')
        code, message = server.rcpt(email)
        server.quit()
        return code == 250  # 250 = l'adresse existe
    except Exception:
        return None  # non concluant

Limitations : certains serveurs (Gmail, Microsoft 365) retournent toujours 250 peu importe (domaines catch-all). Dans ce cas, utilise un service dédié :

Hunter.io — GET /v2/email-verifier?email=...&api_key=...
Zerobounce — plus précis, détecte les catch-all et les adresses jetables
Reoon — moins cher pour la vérification en masse

import requests

def verify_with_hunter(email, api_key):
    r = requests.get(
        "https://api.hunter.io/v2/email-verifier",
        params={"email": email, "api_key": api_key}
    )
    data = r.json()["data"]
    return data["status"]  # "valid", "risky", "invalid"

Pour un domaine catch-all, envoie au pattern statistiquement le plus probable d'après les résultats de recherche de domaine Hunter.

Étape 4 — Outreach personnalisé avec des agents OpenClaw

C'est là que l'IA agentique change tout. Pour chaque entreprise, un agent OpenClaw :

Recherche l'entreprise — scrape leur site, GitHub, actualités récentes, stack technique
Lit le LinkedIn du recruteur — capte son parcours, ses intérêts, ses posts récents
Génère un email personnalisé — fait référence à des projets spécifiques, des choix tech, des challenges

Le pipeline d'agent ressemble à ça :

Domaine de l'entreprise
    → scraper site web + org GitHub
    → extraire : stack tech, projets récents, taille équipe, postes ouverts
    → trouver nom recruteur + LinkedIn
    → générer email avec contexte
    → vérifier adresse email
    → envoyer (ou mettre en file de validation)

OpenClaw gère l'orchestration. Chaque étape est un appel d'outil, et l'agent décide quel contexte vaut la peine d'être inclus dans l'email.

Exemple de sortie pour une entreprise SSI/identité :

"J'ai remarqué que vous avez récemment open-sourcé votre implémentation de relay DIDComm, et que vous travaillez à la conformité eIDAS 2.0. J'ai passé la dernière année à travailler exactement sur cette stack chez Verana et 2060.io..."

Ce n'est pas un template. L'agent l'a écrit from scratch après avoir lu leur GitHub.

Étape 5 — Envoyer à grande échelle sans griller ton domaine

N'envoie pas 100 emails depuis ton Gmail personnel en une journée. Tu vas atterrir en spam et potentiellement te faire signaler.

Utilise un domaine d'envoi chauffé : crée un sous-domaine (outreach.tondomaine.com) ou utilise un service comme Resend ou Postmark avec une réputation IP propre.

Throttle : 10-20 emails/jour max au départ, monte progressivement sur 2-3 semaines.

Texte brut > HTML : les boîtes mail des recruteurs ne sont pas des cibles marketing. Les emails en texte brut ont une meilleure délivrabilité et paraissent plus humains.

Suivi d'ouverture avec parcimonie : un pixel invisible c'est bien. N'ajoute pas de paramètres UTM, n'utilise pas de SDK de tracking lourd.

Résultats

Sur 130 emails personnalisés envoyés à des entreprises tech françaises et européennes :

Taux d'ouverture : ~65%
Taux de réponse : ~24%
Demandes d'entretien : 4 entreprises ont demandé un call ou un entretien technique

Le goulot d'étranglement n'était plus "être vu", c'était choisir entre les opportunités.

Récapitulatif de la stack technique

OpenClaw (orchestration d'agents)
├── Web scraper (Playwright + Cheerio)
├── GitHub API (membres d'org, repos, détection de stack)
├── Hunter.io API (patterns d'emails + vérification)
├── Zerobounce (fallback domaines catch-all)
├── Google Search (recherche d'entreprise)
└── SMTP (Resend API pour l'envoi)

Le pipeline complet tourne en autonomie. Tu valides et approuves les emails avant envoi, mais la recherche et la rédaction sont entièrement automatisées.

Ce que ça change

Les recruteurs reçoivent des centaines de candidatures génériques. Un email froid qui démontre que tu comprends déjà leur codebase, leurs challenges et leur stack, ça se remarque.

L'IA agentique ne remplace pas la recherche d'emploi. Elle supprime la partie qui est pure friction, trouver la bonne personne, rechercher le contexte, écrire quelque chose qui vaut la peine d'être lu, et te laisse te concentrer sur les conversations qui comptent vraiment.

Le code du scraper et du pipeline email est sur mon GitHub. Questions ou retours, contacte-moi sur Mastodon.