L’intelligence artificielle promet de mieux qualifier les prospects, anticiper les ventes, recommander les prochaines actions et produire automatiquement les comptes rendus commerciaux.

Pour de nombreuses directions, elle représente une occasion de tirer enfin davantage de valeur des données accumulées dans le CRM.

Mais une question est rarement posée avant le lancement des premiers cas d’usage :

Que se passe-t-il lorsqu’une IA apprend à partir d’opportunités mal qualifiées, de doublons clients, de dates de clôture irréalistes et de comptes rendus incomplets ?

Elle ne corrige pas spontanément ces incohérences.

Elle les absorbe, les interprète et les reproduit à plus grande échelle.

Une organisation peut ainsi automatiser un processus sans en améliorer la fiabilité. Elle peut produire plus rapidement des recommandations, des scores et des synthèses dont personne ne sait réellement expliquer la logique.

L’intelligence artificielle ne transforme pas automatiquement une donnée commerciale imparfaite en décision fiable. Elle augmente d’abord la capacité de l’entreprise à exploiter ce qu’elle possède déjà.

Lorsque les données, les processus et les règles sont cohérents, cet effet de levier peut être considérable.

Lorsqu’ils ne le sont pas, l’IA industrialise leurs défauts.

Le paradoxe de l’IA commerciale

Les entreprises disposent déjà de volumes importants de données commerciales :

• coordonnées des prospects et des clients ;
• historiques d’interactions ;
• opportunités ;
• propositions commerciales ;
• activités des équipes ;
• campagnes marketing ;
• demandes adressées au support ;
• commandes et factures ;
• comptes rendus de rendez-vous ;
• motifs de perte ;
• données d’usage ou de satisfaction.

Pourtant, les responsables commerciaux continuent souvent à demander aux équipes où en sont réellement les affaires importantes.

Les directions financières retraitent les prévisions sous Excel.

Les responsables marketing rapprochent manuellement les prospects générés des opportunités effectivement créées.

Les équipes de service client recherchent l’information dans plusieurs applications.

L’entreprise dispose donc de beaucoup de données, mais pas nécessairement d’une représentation fiable de son activité.

L’arrivée de l’IA peut donner l’impression que cette limite va disparaître. Un modèle pourrait analyser les informations disponibles, détecter les tendances et compenser les erreurs humaines.

Cette attente repose toutefois sur une confusion : celle entre la capacité à traiter une donnée et la capacité à déterminer si cette donnée représente correctement la réalité.

Une IA peut repérer qu’une opportunité ressemble aux affaires habituellement gagnées. Mais elle ne peut pas savoir seule si les affaires historiques ont été correctement qualifiées.

Elle peut résumer un rendez-vous. Mais elle ne peut pas déterminer si le commercial a omis un élément décisif qui n’a jamais été enregistré.

Elle peut recommander de relancer un client. Mais elle ne sait pas nécessairement que ce client a formulé une objection stratégique dans un échange resté en dehors du CRM.

Elle peut calculer une probabilité de signature. Mais ce résultat dépendra de la manière dont les étapes, les gains, les pertes et les dates ont été renseignés auparavant.

L’IA ne travaille pas à partir de la réalité commerciale.

Elle travaille à partir de la trace que l’organisation en a conservée.

Une donnée peut être correcte sans être exploitable

Le sujet ne se limite pas aux erreurs de saisie.

Une information peut être techniquement correcte et pourtant insuffisante pour prendre une décision.

Un commercial peut renseigner un montant de 300 000 euros dans une opportunité. Ce montant peut correspondre :

• à la valeur totale d’un contrat sur trois ans ;
• au revenu annuel attendu ;
• au montant de la première commande ;
• au potentiel maximal incluant des options ;
• au chiffre d’affaires susceptible d’être reconnu pendant l’exercice ;
• ou à une première estimation encore peu documentée.

La valeur enregistrée n’est pas nécessairement fausse.

Mais elle reste inutilisable tant que sa signification n’est pas partagée.

De la même manière, une opportunité peut être classée en « négociation » alors qu’une proposition a simplement été transmise au prospect. Le statut décrit peut-être fidèlement la perception du vendeur, sans correspondre à une définition commune à l’organisation.

L’intelligence artificielle ne résout pas cette ambiguïté. Elle l’intègre dans son raisonnement.

Plus l’entreprise automatise ses analyses, plus ces différences de définition deviennent importantes. Une ambiguïté gérée ponctuellement par un manager peut se transformer en règle implicite appliquée à des milliers d’enregistrements.

Les cinq défauts que l’IA risque d’amplifier

1. Des définitions différentes selon les équipes

Une opportunité « qualifiée » peut désigner un prospect ayant exprimé un intérêt, un besoin confirmé ou un projet disposant déjà d’un budget.

Un client « actif » peut être un client ayant signé un contrat, passé une commande ou simplement reçu une facture au cours des douze derniers mois.

Un lead « marketing » peut être attribué à la campagne qui l’a initialement généré, à son dernier point de contact ou au canal retenu par le commercial.

Lorsque ces définitions diffèrent, les données restent difficilement comparables.

Une IA peut néanmoins produire une analyse à partir de ces informations. Le résultat aura alors l’apparence de la précision sans reposer sur une sémantique homogène.

Le problème n’est donc pas l’absence de calcul.

C’est l’absence d’un langage commun.

2. Des historiques incomplets ou biaisés

Les données commerciales ne représentent pas toujours l’ensemble de l’activité.

Les commerciaux enregistrent généralement mieux les affaires prometteuses que les opportunités abandonnées très tôt. Certaines pertes ne sont jamais clôturées. Certains motifs sont sélectionnés pour terminer rapidement la saisie plutôt que pour décrire la réalité.

Les rendez-vous importants sont documentés, tandis que les échanges informels restent dans les messageries, les agendas ou la mémoire des équipes.

L’historique contient alors un biais de sélection : il conserve mieux certains événements que d’autres.

Une IA entraînée ou paramétrée à partir de cet historique peut conclure que certains comportements conduisent à la réussite, alors qu’ils sont simplement mieux enregistrés lorsque l’affaire paraît importante.

Elle ne découvre pas seulement les pratiques commerciales de l’entreprise.

Elle découvre aussi ses pratiques de saisie.

3. Des données périmées présentées comme actuelles

Une donnée exacte au moment de sa création peut devenir trompeuse quelques semaines plus tard.

Le décideur a changé. Le budget a été reporté. Le calendrier client n’est plus valable. L’entreprise prospectée a été rachetée. La priorité du projet a diminué.

Pourtant, si aucune règle ne déclenche l’actualisation ou le contrôle de l’information, le CRM continue à présenter la dernière valeur connue.

Un modèle d’IA peut alors analyser avec beaucoup de sophistication une situation qui n’existe plus.

La fraîcheur de la donnée est aussi importante que son exactitude initiale.

4. Des doublons qui fragmentent la vision du client

Une même organisation peut apparaître sous plusieurs noms :

• le nom commercial ;
• la raison sociale ;
• une filiale ;
• une ancienne dénomination ;
• une variante orthographique ;
• un compte créé dans une autre région ;
• un enregistrement provenant d’une campagne marketing.

Les interactions, les opportunités et les demandes de support sont alors dispersées entre plusieurs fiches.

Une IA peut être chargée de produire une vision à 360 degrés du client, mais elle ne pourra pas la reconstruire correctement si l’entreprise ne dispose pas d’une règle fiable pour identifier les entités et leurs relations.

Le problème ne se situe pas dans la génération de la synthèse.

Il se situe dans la capacité à déterminer ce qui appartient réellement au même client.

5. Des processus officiels différents des pratiques réelles

Le CRM peut prévoir six étapes commerciales, alors que les équipes utilisent en pratique trois statuts et complètent les autres au moment de la clôture.

Il peut exiger un motif de perte, mais permettre de sélectionner une valeur générique.

Il peut prévoir l’enregistrement systématique des prochaines actions, alors que les commerciaux les suivent dans leur messagerie.

Dans ce contexte, les données donnent une représentation formelle du processus, pas nécessairement une représentation de son fonctionnement réel.

L’IA risque alors d’optimiser le processus théorique plutôt que le processus effectivement suivi.

Pourquoi une IA peut produire un résultat convaincant mais difficile à défendre

L’un des principaux risques tient à la qualité apparente des résultats produits.

Une synthèse rédigée clairement semble crédible.

Un score exprimé sur 100 paraît objectif.

Une prévision présentée avec deux décimales donne une impression de précision.

Une recommandation formulée avec assurance peut être interprétée comme une conclusion établie.

Pourtant, la qualité de la présentation ne dit rien de la solidité des hypothèses.

Prenons un modèle qui attribue à une opportunité une probabilité de signature de 78 %. Ce résultat peut être calculé à partir de nombreuses variables :

• secteur du client ;
• montant ;
• étape commerciale ;
• durée dans le pipeline ;
• activités enregistrées ;
• caractéristiques des affaires précédemment gagnées ;
• comportement des interlocuteurs ;
• performance historique du commercial.

Mais si les étapes sont incohérentes, les activités incomplètes et les pertes mal enregistrées, la probabilité obtenue ne représente pas nécessairement la réalité.

Elle représente la cohérence de l’opportunité avec un historique lui-même imparfait.

Cela ne signifie pas que le modèle est inutile. Cela signifie que son résultat doit être compris pour ce qu’il est : une estimation construite à partir de données et de règles déterminées.

Le dirigeant doit pouvoir demander :

• quelles données ont contribué au résultat ;
• quelle période historique a été retenue ;
• quels enregistrements ont été exclus ;
• comment les données manquantes sont traitées ;
• à quelle fréquence le modèle est évalué ;
• dans quels cas sa recommandation doit être ignorée ;
• qui reste responsable de la décision.

Sans cette capacité d’explication, l’entreprise risque de remplacer un jugement commercial discutable par un score technique tout aussi discutable, mais plus difficile à contester.

Les conséquences dépassent largement le CRM

Une recommandation imprécise ne reste pas confinée dans l’outil commercial.

Elle peut influencer plusieurs décisions de l’entreprise.

Une mauvaise hiérarchisation des prospects

Si le scoring repose sur des données historiques biaisées, l’entreprise peut concentrer ses efforts sur les profils les plus proches de ses clients actuels et négliger des segments émergents.

L’IA renforce alors les habitudes existantes au lieu d’identifier de nouvelles opportunités.

Une prévision commerciale artificiellement crédible

Un modèle prédictif peut apporter une couche de sophistication à un forecast déjà fragile.

La direction peut accorder davantage de confiance à la prévision simplement parce qu’elle est produite par un algorithme, sans examiner la qualité des données sous-jacentes.

Une automatisation de messages inadaptés

Une IA générative peut personnaliser des emails ou des propositions à partir d’informations obsolètes, incomplètes ou rattachées au mauvais compte.

L’automatisation augmente alors la vitesse de diffusion de l’erreur.

Une vision client incorrecte

Une synthèse à 360 degrés peut mélanger plusieurs entités, ignorer une filiale ou attribuer au groupe une interaction qui ne concerne qu’un établissement.

Le responsable de compte prend ensuite sa décision à partir d’une vision apparemment complète, mais structurellement fausse.

Une responsabilité devenue difficile à localiser

Lorsqu’une recommandation est produite automatiquement, les équipes peuvent progressivement cesser d’interroger son origine.

Le commercial considère que le score provient du système. L’administrateur du CRM considère qu’il provient du modèle. Le fournisseur considère qu’il dépend des données du client.

Tout le monde utilise le résultat, mais personne n’est clairement responsable de sa validité.

La gouvernance des données doit précéder la généralisation de l’IA

Il ne s’agit pas d’attendre que toutes les données soient parfaites avant de lancer le moindre cas d’usage.

Cette exigence serait irréaliste.

Il s’agit plutôt d’adapter le niveau de gouvernance au niveau de risque de la décision automatisée.

Une IA qui reformule un compte rendu de rendez-vous ne présente pas les mêmes conséquences qu’un modèle qui recommande d’écarter un prospect, prévoit le chiffre d’affaires ou suggère une remise commerciale.

Plus le résultat influence une décision importante, plus les données et les règles doivent être contrôlées.

Avant de généraliser un cas d’usage, l’entreprise doit donc définir :

• les données utilisées ;
• leur signification ;
• leur origine ;
• leur niveau de fraîcheur ;
• les contrôles appliqués ;
• les responsabilités associées ;
• les conditions dans lesquelles le résultat peut être exploité ;
• les situations nécessitant une validation humaine.

La gouvernance ne consiste pas à ralentir l’innovation.

Elle évite de transformer rapidement une faiblesse locale en dépendance organisationnelle.

Les sept conditions d’une IA commerciale réellement utile

1. Commencer par une décision, pas par une fonctionnalité

La mauvaise question est :

Où pouvons-nous ajouter de l’IA dans le CRM ?

La bonne question est :

Quelle décision voulons-nous améliorer, et pourquoi est-elle actuellement insuffisante ?

L’objectif peut être de mieux prioriser les leads, détecter les opportunités inactives, améliorer les prévisions ou réduire le temps consacré aux comptes rendus.

Chaque cas d’usage doit être relié à une décision ou à une tâche précise.

Sans cette clarification, l’entreprise risque de déployer des fonctionnalités visibles mais peu utilisées, ou d’automatiser une activité dont la valeur n’a jamais été démontrée.

2. Définir la donnée nécessaire à cette décision

Une fois la décision identifiée, il faut déterminer les informations réellement nécessaires.

Pour évaluer la probabilité de signature d’une opportunité, l’entreprise peut avoir besoin :

• de critères de qualification homogènes ;
• de l’historique des changements d’étape ;
• de la date de la dernière interaction ;
• du nombre de reports de la clôture ;
• de la présence des décideurs ;
• des motifs de gain et de perte ;
• du contexte sectoriel ;
• du type de proposition ;
• du calendrier exprimé par le client.

Cette étape permet de distinguer les données disponibles des données véritablement utiles.

3. Vérifier la couverture, la qualité et la représentativité de l’historique

Un historique volumineux n’est pas nécessairement un bon historique.

Il faut vérifier :

• la proportion de valeurs manquantes ;
• la cohérence des définitions dans le temps ;
• les différences entre équipes ;
• la présence des affaires perdues ;
• les changements de processus ;
• l’existence de doublons ;
• la fiabilité des dates ;
• la représentativité des segments analysés.

Un modèle fondé sur cinq années de données peut être moins pertinent qu’un modèle utilisant une période plus courte mais mieux structurée.

4. Rendre les règles de gestion explicites

L’IA ne doit pas devenir un moyen de contourner les arbitrages que l’organisation n’a jamais réalisés.

Il faut préciser ce que l’entreprise entend par :

• lead qualifié ;
• client actif ;
• opportunité engagée ;
• affaire à risque ;
• revenu prévisible ;
• compte stratégique ;
• inactivité ;
• succès d’une action commerciale.

Ces définitions structurent les données, les indicateurs et les recommandations.

Elles doivent être comprises par les métiers, pas uniquement par les équipes techniques.

5. Maintenir un niveau de validation humaine adapté au risque

La validation humaine ne doit pas être ajoutée par principe à chaque action, au risque de neutraliser les bénéfices de l’automatisation.

Elle doit intervenir là où la décision est sensible, difficilement réversible ou fondée sur des données incertaines.

Une IA peut proposer une synthèse de rendez-vous, mais le commercial doit pouvoir la corriger avant son enregistrement.

Elle peut signaler une opportunité à risque, mais le manager doit comprendre les facteurs pris en compte.

Elle peut suggérer une priorité de relance, mais elle ne devrait pas fermer automatiquement une affaire sans règle claire.

L’humain ne doit pas simplement cliquer sur « valider ».

Il doit disposer des informations nécessaires pour exercer un véritable jugement.

6. Mesurer le résultat métier, pas seulement l’utilisation de l’outil

Le nombre de synthèses générées ou de recommandations affichées ne démontre pas la valeur du dispositif.

Il faut mesurer si l’IA améliore réellement :

• le taux de conversion ;
• la précision des prévisions ;
• la vitesse de qualification ;
• le temps de traitement ;
• la qualité des comptes rendus ;
• le taux d’adoption ;
• la pertinence des priorités commerciales ;
• la satisfaction des utilisateurs ;
• la qualité des données produites.

Une fonctionnalité peut être largement utilisée parce qu’elle est obligatoire ou intégrée dans le processus, sans améliorer la décision finale.

7. Organiser la responsabilité et la révision du dispositif

Un cas d’usage ne doit pas être considéré comme définitivement terminé après son déploiement.

Les marchés évoluent, les offres changent, les processus sont modifiés et les comportements des utilisateurs s’adaptent.

L’organisation doit donc définir :

• un responsable métier du cas d’usage ;
• un responsable de la qualité des données ;
• une fréquence d’évaluation ;
• des seuils d’alerte ;
• une procédure de correction ;
• les conditions de suspension du modèle ;
• les modalités de remontée des erreurs par les utilisateurs.

La gouvernance doit couvrir tout le cycle de vie du dispositif, pas uniquement son lancement.

Tous les cas d’usage ne nécessitent pas la même maturité

Une entreprise peut commencer à tirer de la valeur de l’IA avant d’avoir résolu l’ensemble de ses problèmes de données.

Mais elle doit sélectionner des usages proportionnés à sa maturité.

Les usages à risque limité

Certains usages assistent l’utilisateur sans prendre de décision à sa place :

• reformuler un email ;
• résumer un compte rendu ;
• préparer une liste de questions ;
• extraire des actions d’une réunion ;
• suggérer la structure d’une proposition ;
• rechercher une information dans une base documentaire contrôlée.

Ils peuvent produire rapidement des gains de productivité, à condition que le résultat soit relu.

Les usages intermédiaires

D’autres influencent l’ordre des actions ou l’analyse d’une situation :

• identifier les opportunités inactives ;
• détecter les données manquantes ;
• proposer une prochaine action ;
• repérer les doublons potentiels ;
• résumer l’historique d’un compte ;
• signaler une anomalie dans le pipeline.

Ils exigent une meilleure qualité de données et une capacité d’explication suffisante.

Les usages à fort impact

Enfin, certains résultats influencent directement les décisions de management :

• prévoir le chiffre d’affaires ;
• calculer une probabilité de signature ;
• sélectionner les prospects prioritaires ;
• recommander une remise ;
• évaluer la performance d’un commercial ;
• déclencher une action automatique auprès d’un client ;
• exclure une opportunité d’un scénario financier.

Ces usages nécessitent un cadre de gouvernance beaucoup plus exigeant.

La question n’est donc pas de savoir si l’entreprise est « prête pour l’IA » de manière générale.

Elle est de savoir pour quels cas d’usage elle est prête, avec quelles données et sous quelles conditions.

Pourquoi nettoyer les données ne suffit pas

Face à ces enjeux, la première réponse consiste souvent à lancer un projet de nettoyage :

• fusion des doublons ;
• correction des champs ;
• suppression des enregistrements obsolètes ;
• normalisation des formats ;
• enrichissement des comptes.

Ces actions sont utiles, mais elles ne traitent qu’une partie du problème.

Si les processus et les responsabilités restent inchangés, les incohérences réapparaîtront.

Un doublon fusionné aujourd’hui sera recréé demain si aucune règle n’encadre la création des comptes.

Une date corrigée sera à nouveau irréaliste si les commerciaux ne disposent pas de critères pour la renseigner.

Un motif de perte nettoyé restera peu fiable si la liste proposée ne correspond pas aux situations rencontrées.

La qualité des données n’est pas un état que l’on atteint une fois pour toutes.

C’est le résultat d’un système composé de règles, de contrôles, de responsabilités et d’usages.

L’objectif ne doit donc pas être uniquement de nettoyer la base avant le projet d’IA.

Il faut empêcher le processus de reproduire continuellement les mêmes défauts.

Un cadre simple pour évaluer la préparation d’un cas d’usage

Avant de déployer une IA commerciale, un dirigeant peut poser huit questions :

1. Quelle décision ou quelle tâche ce dispositif doit-il améliorer ?
2. Quel résultat métier permettra de vérifier son utilité ?
3. Les données utilisées ont-elles une définition commune ?
4. Sont-elles suffisamment complètes, récentes et représentatives ?
5. Peut-on expliquer les principaux facteurs ayant conduit au résultat ?
6. Quel niveau de validation humaine est nécessaire ?
7. Qui est responsable lorsque le résultat est incorrect ?
8. Comment le dispositif sera-t-il contrôlé et révisé dans le temps ?

Lorsque plusieurs réponses restent imprécises, le problème n’est pas nécessairement technologique.

Le cas d’usage est probablement insuffisamment gouverné.

Par où commencer ?

La première étape ne consiste pas à dresser la liste de toutes les fonctionnalités d’IA disponibles dans les outils de l’entreprise.

Elle consiste à sélectionner une décision commerciale importante, imparfaitement maîtrisée et suffisamment délimitée pour être évaluée.

Par exemple :

Pourquoi certaines opportunités restent-elles plusieurs mois dans le pipeline sans progression réelle ?

L’organisation peut alors :

1. analyser la manière dont les opportunités sont actuellement suivies ;
2. identifier les signaux associés à l’inactivité ;
3. vérifier la qualité des données nécessaires ;
4. corriger les définitions et les règles de gestion ;
5. mettre en place une première détection assistée ;
6. faire valider les alertes par les managers ;
7. comparer les résultats avec la situation précédente ;
8. améliorer progressivement le dispositif.

Cette approche permet de construire simultanément le cas d’usage, la qualité des données et la confiance des utilisateurs.

Elle évite les grands programmes d’IA déconnectés des décisions quotidiennes.

L’IA révèle la maturité réelle de l’organisation

Pendant longtemps, une organisation pouvait compenser la faiblesse de ses données grâce à l’expérience de quelques managers.

Ils connaissaient les exceptions, corrigeaient les tableaux, interprétaient les statuts et savaient quelles informations ne devaient pas être prises au pied de la lettre.

L’intelligence artificielle rend cette dépendance beaucoup plus visible.

Pour automatiser une recommandation, il faut formaliser ce qui relevait jusqu’alors du jugement implicite :

• ce qu’est une bonne opportunité ;
• ce qui rend une date crédible ;
• ce qui distingue un client actif d’un compte dormant ;
• ce qui constitue un signal de risque ;
• ce qui permet de considérer une information comme suffisamment fiable.

L’IA oblige ainsi l’entreprise à expliciter ses règles de décision.

C’est probablement l’un de ses apports les plus importants.

Elle ne fournit pas seulement de nouvelles capacités techniques. Elle révèle les ambiguïtés que l’organisation avait appris à contourner.

Ne pas demander à l’IA de réparer ce que l’organisation refuse de définir

L’intelligence artificielle peut accélérer l’analyse, automatiser certaines tâches et faire apparaître des signaux difficiles à détecter manuellement.

Mais elle ne peut pas décider seule de la signification des données, de leur niveau de fiabilité ou du risque que l’entreprise accepte de prendre.

Ces choix restent des choix de gouvernance.

Lorsqu’un dispositif d’IA produit une recommandation commerciale, la question ne devrait pas seulement être :

Le modèle est-il performant ?

Il faut également demander :

Les données représentent-elles suffisamment bien la réalité pour que cette recommandation puisse orienter une décision ?

Une entreprise ne doit donc pas attendre de l’IA qu’elle corrige spontanément ses processus et ses données.

Elle doit utiliser le projet pour les rendre plus explicites, plus cohérents et plus contrôlables.

C’est à cette condition que l’IA devient un levier de pilotage.

Dans le cas contraire, elle ne supprime pas les défauts du système commercial.

Elle leur donne davantage de vitesse, d’échelle et d’autorité.