Vous êtes responsable de l'ingénierie GTM chez Clay, une plateforme de commercialisation native de l'IA. Vous travaillez donc en étroite collaboration avec les équipes commerciales pour les aider à intégrer l'IA dans leurs processus de commercialisation. Quelles sont les différences que vous observez entre les entreprises leaders lorsque l'IA s'intègre à leur stratégie de commercialisation ? Quels sont les principaux changements dans leur croissance lorsque l'IA est pleinement intégrée ?
La principale différence réside dans le fait que l'IA a considérablement accéléré le rythme de mise sur le marché des produits. On peut faire un parallèle avec l'ingénierie. De même que l'IA permet aux équipes d'ingénierie de développer davantage de code et de déployer des logiciels plus rapidement, elle produit un effet similaire pour les équipes commerciales, sous la forme de stratégies marketing. Ces équipes peuvent lancer de nouvelles campagnes plus rapidement, tester de nouveaux messages plus vite, enrichir leurs données plus rapidement et créer des automatisations qui améliorent la productivité des ventes, sans le même niveau de coordination manuelle qui ralentissait auparavant l'ensemble du processus.
Ce seul fait est significatif, mais le changement le plus important réside dans les possibilités offertes par cette rapidité. Auparavant, de nombreuses initiatives de commercialisation étaient si longues à mettre en place et à lancer que les organisations étaient naturellement prudentes. Si une campagne nécessitait des mois de planification, d'approbations interfonctionnelles et de travail opérationnel, la pression était forte pour qu'elle soit “ parfaite ” avant son lancement. L'IA change la donne. Il devient beaucoup plus facile de tester plusieurs idées, de comparer les messages, d'essayer de nouveaux segments et d'affiner ce qui fonctionne en temps réel, au lieu de considérer chaque lancement comme un pari risqué.
C’est dans cette expérimentation accrue que les entreprises les plus performantes se distinguent. Elles ne partent pas du principe qu’elles peuvent prédire à l’avance quelle campagne, quel profil ou quel message fonctionnera le mieux. Au contraire, elles instaurent un rythme opérationnel basé sur les tests et le retour d’information. L’IA leur permet de mener davantage d’expériences, de recueillir des données plus rapidement et de déployer à plus grande échelle les stratégies performantes avec plus de fluidité. Concrètement, cela signifie que la croissance repose moins sur la recherche d’une action parfaite que sur la création d’un système capable d’apprendre plus vite que la concurrence.
Elle tend également à privilégier un modèle de commercialisation plus centralisé. Lorsque les données, les profils d'utilisateurs, les flux de travail et la messagerie sont intégrés dans un système coordonné, les équipes peuvent agir rapidement et sereinement. Les tests sont plus nombreux car les données d'entrée sont plus fiables et le cycle de rétroaction plus court. C'est là que l'IA s'intègre pleinement. Elle ne se contente plus d'assister à la rédaction d'un courriel en marge du flux de travail ; elle fait partie intégrante de l'infrastructure qui aide l'organisation à décider des prochaines étapes.
D'après ce que vous observez actuellement en matière de développement, où prévoyez-vous que les plus fortes variations de revenus se manifesteront au cours des deux à trois prochaines années ?
Je pense que ces changements se manifesteront à trois niveaux : la conception de l’organisation, le processus d’achat et le modèle de produit.
En matière d'organisation, j'entrevois deux avenirs très différents, mais tout aussi plausibles. Le premier est celui de la simplification. Dans ce modèle, les organisations convergent vers un nombre réduit de rôles. On trouve des ingénieurs marketing ou des opérateurs hautement techniques qui conçoivent des automatisations, gèrent les systèmes et optimisent les processus existants. On trouve ensuite des commerciaux dont le rôle est davantage axé sur l'intervention humaine directe : intervenir dans les situations où le jugement, la confiance et la relation restent primordiaux. Dans ce modèle, le système prend en charge les tâches complexes liées aux processus, aux données et à l'orchestration, tandis que le commercial apporte son expertise là où elle est la plus pertinente.
L'autre avenir possible est en réalité plus spécialisé. Au lieu de réduire le nombre de postes, les entreprises pourraient segmenter le processus de vente en étapes plus ciblées. Un processus de vente en sept étapes pourrait ainsi se décliner en sept domaines d'expertise distincts : une personne dédiée à la validation du concept, une autre aux aspects juridiques et aux achats, une autre à l'intégration, et ainsi de suite. Sur le papier, cela peut paraître complexe, mais si le processus est bien coordonné et que l'IA prend en charge une grande partie des transferts opérationnels, l'acheteur pourrait bénéficier d'une meilleure expérience, car il interagira avec un véritable spécialiste à chaque étape cruciale.
Quelle que soit l'évolution qui l'emporte, je pense que le profil du commercial va changer. Les personnes les plus précieuses ressembleront moins au vendeur généraliste classique et davantage à des experts pointus dans un secteur, un produit ou un cas d'usage particulier. Il se peut même qu'elles ne soient plus des vendeurs d'élite au sens traditionnel du terme. Ce qui comptera, c'est leur capacité à inspirer confiance, à répondre à des questions précises et à instaurer un climat de confiance. L'automatisation croissante permettra de prendre en charge les tâches de recherche, de collecte de données, de constitution de listes et de soutien aux processus qui accaparaient auparavant une part importante du temps des commerciaux.
Le parcours d'achat devrait se différencier selon le type de client et la complexité de ses besoins. Pour les clients les moins exigeants, beaucoup continueront d'acheter en libre-service ou en se basant sur le produit. Pour les clients plus aisés, on observera probablement une augmentation du recours aux conseillers, notamment dans le secteur des PME et pour les cas d'utilisation commerciale plus simples où les acheteurs recherchent des réponses sans forcément avoir besoin d'un accompagnement commercial direct. Enfin, pour les clients plus importants, les conseillers resteront essentiels, mais leur rôle évoluera. Ils consacreront moins de temps à la prospection et davantage à l'instauration d'une relation de confiance, à l'élaboration de solutions personnalisées et à un suivi client à long terme.
Cela pourrait même favoriser le retour d'un modèle davantage centré sur le compte. Au lieu de segmenter le parcours client entre des équipes avant-vente et après-vente distinctes, certaines entreprises pourraient privilégier le maintien d'une personne ou d'une petite équipe dédiée au compte sur la durée. Paradoxalement, l'IA pourrait automatiser une grande partie des tâches que les ventes SaaS ont professionnalisées au cours de la dernière décennie et inciter les commerciaux à se recentrer sur une relation client plus approfondie.
Il y a ensuite la question du produit. Les entreprises dont les produits sont essentiellement des interfaces utilisateur superposées à des flux de travail devront de plus en plus se demander s'ils sont adaptés à un monde piloté par des agents. Si les logiciels sont destinés à être utilisés non seulement par des humains, mais aussi par des agents, les produits et les modèles de tarification doivent évoluer en conséquence. Cela implique probablement une conception davantage axée sur les API, une logique de consommation plus poussée et une réflexion plus approfondie sur les composants du produit pouvant servir de primitives au sein de systèmes automatisés. Les entreprises qui s'adapteront à cette évolution seront mieux placées pour croître que celles qui restent fidèles à un modèle purement centré sur l'utilisateur et l'interface humaine.
Quand on observe les entreprises les plus innovantes en matière de chiffre d'affaires aujourd'hui, qu'est-ce qui distingue les équipes qui réussissent à déployer l'IA à grande échelle de celles qui restent bloquées au stade des projets pilotes ? Qu'ont-elles changé dans leur modèle opérationnel, que ce soit au niveau des ressources humaines, des processus, des données ou de la gouvernance ?
La principale différence réside dans le fait que les équipes qui réussissent s'attendent à ce que la première version échoue, ou du moins soit insuffisante. Elles comprennent dès le départ que la mise en œuvre de l'IA n'est généralement pas une opération simple et rapide. Avec les logiciels traditionnels, l'organisation s'adapte souvent au produit. Avec l'IA, c'est souvent l'inverse. Le système doit être conçu en fonction du fonctionnement réel de l'entreprise, de la structure de ses données, de ses critères de réussite et des domaines où le jugement humain doit être maintenu. Cela rend le processus plus complexe, plus itératif et parfois frustrant au début.
Les organisations qui s'enlisent dans les projets pilotes interprètent souvent à tort ce désordre comme la preuve que l'approche ne fonctionne pas. Elles testent une première version, le retour sur investissement n'est pas immédiatement évident, les indicateurs sont inégaux et l'initiative stagne. Les équipes les plus performantes considèrent cette phase comme normale. Elles se donnent le temps d'affiner le cas d'usage, de nettoyer les données, d'améliorer les invites, d'ajuster le flux de travail et de persévérer jusqu'à ce que la valeur ajoutée devienne claire. Bien souvent, ce n'est ni la première ni la deuxième version qui transforme l'organisation. C'est la quatrième version qui, enfin, trouve son adhésion et fédère les équipes.
Cela exige un engagement fort de la direction, mais aussi un modèle opérationnel différent. Les équipes les plus performantes créent des cycles d'itération plus rapides, centralisent davantage l'expérimentation et accordent une grande importance à la qualité des données. La valeur de l'IA repose en grande partie sur la disponibilité, la structuration et la fiabilité des données sous-jacentes. Si ces fondations sont fragiles, l'organisation aura du mal à obtenir des résultats constants, aussi prometteur que puisse paraître l'outil lors d'une démonstration. En pratique, déployer l'IA à grande échelle signifie donc souvent investir non seulement dans une nouvelle application, mais aussi dans la discipline fondamentale de la gestion et de l'exploitation de l'information.
Intercom et sa stratégie autour de Finn en sont un bon exemple. Ce qui est remarquable, ce n'est pas seulement le lancement d'un produit d'IA, mais aussi la réorientation de son produit et de sa stratégie de commercialisation. Grâce au ciblage par IA, l'équipe a pu identifier des micro-segments particulièrement pertinents. Dans le cas de Finn, ces clients idéaux disposaient généralement d'une base de connaissances d'assistance bien développée et d'un volume important de demandes d'assistance. Une fois ce profil clairement défini, l'équipe a pu isoler et cibler des segments spécifiques où le produit avait particulièrement de chances de réussir.
C’est ce type de rigueur opérationnelle qui distingue les initiatives d’IA à grande échelle des projets pilotes épars. Les équipes performantes ne se contentent pas d’un cas d’usage général. Elles affinent, segmentent, testent et optimisent leur approche jusqu’à identifier les applications réellement efficaces. Ensuite, elles déploient cette approche à grande échelle. Nombre d’organisations n’y parviennent jamais, car elles abandonnent à mi-parcours, avant même que le système n’ait eu le temps de mûrir.
Quelle est une idée reçue, aujourd'hui dépassée, sur la manière dont les activités liées aux revenus doivent être menées ? Que souhaiteriez-vous que les dirigeants comprennent des capacités actuelles de l'IA, d'après ce que vous observez sur le terrain ?
L'une des idées reçues les plus dépassées est que la prospection repose essentiellement sur le talent individuel des commerciaux. Nombre d'entreprises continuent de fonctionner comme si la clé du succès en prospection résidait dans la capacité de chaque commercial à constituer des listes, à effectuer des recherches sur les comptes, à trouver des contacts, à rédiger des messages et à exécuter le tout avec une qualité constante. En réalité, ce modèle s'est toujours révélé bien moins fiable que les entreprises ne voulaient bien le croire.
Ce qui compte avant tout, c'est la qualité du ciblage et des données. Chez Clay, une expression résume parfaitement cela : la liste, c'est le message. Si vous savez quels comptes sont importants, quelles personnes sont pertinentes, quels signaux indiquent le bon moment et quel contexte doit orienter votre prise de contact, vous avez déjà fait la plus grande partie du chemin vers une prospection beaucoup plus efficace. L'IA excelle de plus en plus dans ce domaine. Elle peut aider à identifier les entreprises adéquates, à faire émerger les bons contacts, à organiser les bons signaux et même à générer des pistes de communication pertinentes avec une rapidité et une cohérence difficilement égalables manuellement.
Cela ne signifie pas que les vendeurs humains n'ont plus d'importance. Cela signifie simplement que le centre de gravité se déplace. La différence ne réside plus dans la capacité à passer trois heures à compiler des comptes clients, mais plutôt dans la capacité à engager une conversation en direct et à créer une réelle valeur ajoutée. Les meilleurs commerciaux sont ceux qui savent se montrer compétents, crédibles et utiles face au client. Ce sont eux qui savent poser les bonnes questions, saisir les nuances et instaurer un climat de confiance. L'IA peut automatiser une grande partie des tâches répétitives qui précédaient ce moment décisif.
Cela signifie également que les entreprises doivent repenser le niveau de décentralisation nécessaire de leurs activités de prospection. Pour de nombreuses organisations, notamment celles qui ont des profils de clients idéaux clairement définis et des processus reproductibles, centraliser davantage le ciblage, l'identification des contacts et l'élaboration des messages peut améliorer la qualité des prestations de toute l'équipe commerciale. Au lieu de demander à cinquante commerciaux d'effectuer les mêmes tâches de recherche et de ciblage avec des niveaux de qualité variables, une entreprise peut centraliser ces processus, en automatiser une grande partie et permettre aux commerciaux de se concentrer sur les tâches à plus forte valeur ajoutée qui ne peuvent être entièrement automatisées.
Cela remet en question de nombreuses idées reçues sur les ventes, notamment celle selon laquelle la meilleure façon d'améliorer la génération de prospects consiste simplement à embaucher plus de commerciaux en espérant qu'un nombre suffisant d'entre eux soient exceptionnels. De plus en plus, une solution plus efficace pourrait consister à mettre en place un système plus performant, afin que la performance dépende moins du hasard et davantage de l'intelligence collective.
Si vous pouviez adresser un message aux PDG et aux conseils d'administration sur la façon dont l'IA transforme le leadership en matière de revenus, quel serait-il ?
Le message est clair : les meilleurs responsables des revenus doivent désormais adopter une vision systémique. Les directeurs commerciaux les plus performants que je rencontre ne se contentent pas de gérer des équipes de vente ou de courir après des objectifs. Ils envisagent la stratégie de commercialisation presque comme un responsable produit ou un responsable ingénierie envisagerait un système dont il a la charge. Ils prennent en compte les outils, les flux de données, les boucles de rétroaction, la vitesse des campagnes, les points d'automatisation et les domaines où l'intervention humaine crée la plus grande valeur ajoutée.
Il s'agit d'un changement significatif dans la posture du leadership. Un responsable commercial moderne doit avoir une vision claire de la place de l'IA au sein de l'organisation, des tâches automatisables dès aujourd'hui, de celles qui doivent rester sous la responsabilité humaine, de l'utilisation fragmentée actuelle de l'IA par les commerciaux et des éléments à centraliser pour éviter des gains de productivité locaux et aléatoires. La question n'est pas de savoir si les employés expérimentent ces outils ; dans la plupart des organisations, c'est déjà le cas. La question est de savoir si le leadership transforme ces expérimentations éparses en un modèle opérationnel cohérent.
Il y a également un enjeu majeur en matière de gestion des talents que les conseils d'administration et les PDG doivent prendre au sérieux. Si l'IA parvient à automatiser une part significative des tâches répétitives génératrices de revenus, la composition des équipes évoluera. Certains postes seront réduits, d'autres deviendront plus techniques. Certaines organisations pourraient avoir besoin de moins de commerciaux traditionnels et de davantage d'experts produits, d'opérateurs ou de spécialistes du domaine. Les entreprises qui géreront le mieux cette transition ne seront pas celles qui réduiront leurs effectifs le plus rapidement. Ce seront celles qui repenseront le travail de manière réfléchie et adapteront les talents au nouveau modèle.
C’est pourquoi je pense que l’approche la plus pertinente consiste à considérer la stratégie de commercialisation comme un produit ou un système. Cela permet aux dirigeants de prendre de meilleures décisions dès maintenant et de se prémunir contre l’incertitude quant à l’évolution future des modèles. Personne ne sait précisément jusqu’où les capacités des agents progresseront ni à quelle vitesse. Cependant, les dirigeants qui mettent déjà en place un système de revenus modulaire, observable et évolutif seront bien mieux armés si ces capacités évoluent rapidement. Ils seront prêts à s’adapter, car ils raisonnent déjà en termes d’architecture, et non plus seulement en termes d’effectifs et de processus.
En ce sens, l'IA ne se contente pas de modifier les méthodes de travail des équipes commerciales. Elle transforme la notion même de leadership commercial. L'ancien modèle récompensait les managers capables de dynamiser l'activité au sein d'un système de vente bien établi. Le modèle émergent, quant à lui, récompense les leaders capables de repenser ce système en profondeur.
English (United States) 
English (Canada) 
English (UK) 
Spanish (Spain) 
Spanish (Mexico) 
Spanish (Chile) 
French 
Portuguese (Brazil) 
Portuguese (Portugal) 
Dutch