Automatisation des e-mails par AI : comment rédiger, envoyer et optimiser automatiquement des e-mails

16 avril 2026

L’e-mail reste le canal au meilleur ROI - l’AI le rend encore meilleur

Le marketing par e-mail génère en moyenne 36 à 42 $ pour chaque dollar dépensé - davantage que tout autre canal de marketing numérique en 2026. L’automatisation des e-mails par l’AI ne modifie pas cette dynamique de ROI. Elle l’amplifie : le même investissement dans les e-mails, avec un meilleur timing, une meilleure personnalisation et de meilleurs textes, génère proportionnellement plus de revenus.

Ce guide couvre tous les niveaux de l’automatisation des e-mails par l’AI - de la rédaction des e-mails à leur envoi intelligent, en passant par leur optimisation selon les performances - avec des outils précis et des étapes de configuration pour chaque niveau.

Le fichier Skill de la couche 1

Nadia - Skill AI spécialiste du marketing par e-mail

$14.99ce Skill vs $150par heure, consultant e-mail

Le processus de rédaction d’e-mails avec Claude présenté dans la couche 1 recommande de charger un fichier Skill de marketing par e-mail avant de rédiger votre prompt - Nadia est ce fichier, déjà configuré pour produire des objets, du texte d’aperçu et un corps d’e-mail prêts dès le premier brouillon.

Voir Nadia →

Couche 1 : rédiger des e-mails avec l’AI

La rédaction est la couche où la plupart des équipes e-mail utilisent l’AI, et celle où l’écart de qualité entre une bonne et une mauvaise utilisation de l’AI est le plus marqué. La différence entre un e-mail rédigé par l’AI qui génère des ouvertures et un e-mail rédigé par l’AI qui est ignoré tient presque entièrement au prompt.

Le processus de rédaction d’e-mails avec Claude

Pour toute campagne e-mail, chargez Claude avec votre fichier Skill de marketing par e-mail (disponible sur KissMySkills) et utilisez cette structure de prompt :

Rédige un e-mail [TYPE] pour [SEGMENT D’AUDIENCE].
Objectif : [OBJECTIF DE CONVERSION - p. ex. « les inciter à réserver une démo » ou « réengager les abonnés inactifs »].
Objet : donne-moi 5 options utilisant des mécanismes psychologiques différents (curiosité, urgence, bénéfice, preuve sociale, approche directe).
Texte d’aperçu : 3 options de moins de 90 caractères chacune.
Corps : moins de [NOMBRE DE MOTS]. La première phrase doit susciter la curiosité ou confirmer qu’ils sont au bon endroit. Un seul CTA.
Ton : [TON DE LA MARQUE].
Ce que cet e-mail ne doit PAS faire : commencer par « J’espère que vous allez bien », utiliser des points d’exclamation ou commencer par le nom de notre entreprise.

Cette structure de prompt produit un texte d’e-mail prêt à être légèrement retouché dès le premier essai - et non à être entièrement réécrit.

Quand utiliser l’AI et quand rédiger manuellement

Utilisez l’AI pour : les séquences de nurturing, les modèles transactionnels, les campagnes de réengagement, les brouillons de newsletters, les variantes de tests A/B et les campagnes saisonnières
Rédigez manuellement (avec une finition par l’AI) : les e-mails de lancement critiques, les messages personnels envoyés par un expéditeur identifié, les communications de crise et les prises de contact fortement dépendantes de la relation

Couche 2 : envoyer des e-mails au bon moment grâce à l’AI

Le moment où vous envoyez un e-mail est mesurablement aussi important que son contenu. L’optimisation du moment d’envoi par l’AI analyse le comportement individuel des abonnés - les moments où ils ouvrent habituellement les e-mails, les jours où ils interagissent et leurs fuseaux horaires - puis envoie chaque e-mail au moment optimal prévu pour chaque destinataire.

Implémentations sur les plateformes à privilégier

Klaviyo Smart Send Time : analyse le comportement historique d’ouverture de chaque contact et effectue l’envoi dans une fenêtre définie lorsque la probabilité d’ouverture est la plus élevée pour cette personne. Les tests montrent une amélioration constante de 10 à 20 % du taux d’ouverture par rapport aux heures d’envoi fixes.
HubSpot Send Time Optimisation : fonctionnalité prédictive similaire pour le moment d’envoi. Activez-la dans n’importe quelle campagne e-mail. Elle nécessite au moins 90 jours d’historique d’envoi par contact pour devenir pleinement prédictive.
ActiveCampaign Predictive Sending : fonctionne selon le même principe. Cette option est particulièrement adaptée aux séquences de nurturing, où le moment d’envoi de chaque e-mail influe sur la dynamique d’engagement.

Couche 3 : personnalisation optimisée par l’AI

Un contenu d’e-mail statique qui dit la même chose à chaque contact de votre liste vous fait passer à côté d’une part importante de vos revenus. La personnalisation par l’AI s’appuie sur ce que vous savez de chaque contact pour lui montrer la version de votre message la plus pertinente dans son contexte.

Niveaux de personnalisation, par ordre de complexité de mise en œuvre

Personnalisation par balise de fusion - Prénom, nom de l’entreprise, produit utilisé. Déjà disponible dans chaque ESP. Ce n’est pas de l’AI, mais c’est la couche fondamentale.
Contenu basé sur les segments - Variantes d’e-mails différentes pour différents segments de contacts (secteur, étape du cycle de vie, historique d’achat). L’AI sélectionne la variante. Disponible dans Klaviyo, HubSpot et ActiveCampaign.
Blocs de contenu dynamiques - Dans un même e-mail, différentes sections s’affichent selon les propriétés de chaque contact. Le bloc d’étude de cas présente l’exemple sectoriel le plus pertinent. Le CTA change selon l’étape du cycle de vie.
Recommandations de produits par l’AI - Pour l’e-commerce, l’AI recommande des produits selon l’historique de navigation, l’historique d’achat et l’affinité prédictive. Klaviyo et Shopify Email prennent tous deux cette fonctionnalité en charge. La complexité de mise en œuvre est la plus élevée, mais l’impact sur les revenus l’est aussi pour les e-mails transactionnels.

Couche 4 : optimisation pilotée par l’AI

L’optimisation boucle le processus. Sans elle, l’automatisation par l’AI s’améliore au moment de sa configuration, mais ne produit pas d’effet cumulatif. Avec elle, chaque cycle génère de meilleurs résultats que le précédent.

Le processus mensuel d’optimisation des e-mails

Audit des performances (30 min) : exportez le taux d’ouverture, le taux de clic et le taux de conversion de chaque e-mail d’automatisation actif. Signalez tout e-mail dont les performances sont inférieures de plus de 20 % à votre référence.
Diagnostic avec Claude (15 min) : collez l’e-mail sous-performant ainsi que ses données de performance dans Claude : « Cet e-mail affiche un taux d’ouverture de [X] % contre une référence de [Y] %. Analyse l’objet, la première phrase et le CTA. Dis-moi précisément quoi modifier et pourquoi. »
Réécriture et test A/B : mettez en œuvre les modifications suggérées par Claude sous forme de variante B. Faites le test pendant 2 semaines. Appliquez la version gagnante.
Documentez le modèle : notez les modifications apportées et l’évolution des performances. Au bout de 6 mois, vous disposerez d’une bibliothèque de modèles indiquant quelles structures d’e-mails fonctionnent pour votre audience spécifique.

Prêt à passer à la pratique ? Parcourez les Skills Marketing & Publicité pour Claude & ChatGPT, ou explorez tous les Skills Claude et la bibliothèque de prompts.

Guides Skill associés

Foire aux questions

What are the four layers of AI email automation and what does each one do?+

The four layers are: writing (using Claude with a structured prompt and email marketing skill file to produce subject lines, preview text, and body copy ready for light editing on the first run); sending intelligently (AI send time optimisation analysing each subscriber's historical open behaviour to send at their individual predicted optimal moment, consistently improving open rates 10–20% versus fixed send times); personalisation (ranging from merge tags through segment-based variants to dynamic content blocks and AI product recommendations, each layer adding implementation complexity and revenue impact); and optimisation (a monthly audit cycle identifying underperforming emails, diagnosing them with Claude, A/B testing the improved variant, and documenting what changed — compounding improvement over time).

What prompt structure produces AI-written email copy that requires minimal editing?+

The structure that consistently produces ready-to-edit output: specify the email type and audience segment; define the conversion goal precisely; request five subject line options each using a different psychological mechanism (curiosity, urgency, benefit, social proof, direct); request three preview text options under 90 characters; specify word count with instructions that the opening line must create curiosity or confirm the reader is in the right place and that there should be one CTA only; state the brand tone; and explicitly list what the email must not do — starting with pleasantries, using exclamation marks, or leading with the company name. Loading a brand voice skill file before running this prompt improves output quality further.

When should email teams use AI to write and when should they write manually?+

Use AI for the high-volume, repeatable formats: nurture sequences, transactional templates, re-engagement campaigns, newsletter drafts, A/B test variants, and seasonal campaigns. Write manually with AI polish for situations where the personal relationship is the point: critical launch emails, personal messages from a named sender, crisis communications, and highly relationship-dependent outreach where the authenticity of a human voice matters to the recipient. The distinction is between emails where quality and volume are the goal versus emails where a specific human relationship is on the line.

Which AI send time optimisation tools are worth using and what do they require?+

Three platform implementations deliver consistent results: Klaviyo Smart Send Time analyses each contact's historical open behaviour and sends within a defined window when that individual is most likely to open, producing 10–20% open rate improvements in tests versus fixed send times. HubSpot Send Time Optimisation works on the same principle but requires 90 or more days of contact send history before becoming fully predictive. ActiveCampaign Predictive Sending functions similarly and works best in nurture sequences where timing momentum across the sequence matters for engagement. All three require sufficient historical send data per contact — below that threshold they default to statistical averages rather than individual prediction.

What does an effective monthly AI email optimisation cycle look like?+

Four steps taking under an hour total: a 30-minute performance audit exporting open rate, click rate, and conversion rate for every active automation email and flagging anything performing more than 20% below benchmark. A 15-minute Claude diagnosis session pasting the underperforming email plus its performance data and asking specifically what to change in the subject line, opening line, and CTA and why. Implementing the suggested changes as a B variant and running an A/B test for two weeks before applying the winner. Documenting what changed and how performance shifted — over six months this builds a pattern library showing which email structures work for your specific audience, compounding improvement with every cycle.