Generativ – Le blog

Auteur/autrice : sebastienseblin

  • Zendesk Sell disparaît : l’alerte pour votre stack commercial

    Zendesk Sell disparaît : l’alerte pour votre stack commercial

    Zendesk a annoncé la fermeture de son CRM Sell. Pas dans six mois, pas en catastrophe : une fermeture programmée, annoncée à l’avance, avec un calendrier précis. Et pourtant, dans les prochains mois, des centaines d’entreprises vont découvrir cette nouvelle en urgence, alors que l’information est publique depuis près d’un an. C’est exactement le symptôme que je veux traiter aujourd’hui : ce n’est pas Zendesk le problème, c’est l’absence de vigilance sur les outils qui font tourner votre machine commerciale.

    Zendesk Sell ferme en 2027 : ce que l’entreprise vient d’admettre

    Zendesk a fait le choix de retirer Zendesk Sell dans le cadre d’un recentrage sur les activités de service, tout en s’engageant à accompagner ses clients existants dans la transition
    . Concrètement,
    l’annonce a été faite le 9 septembre 2025, pour une fermeture effective le 31 août 2027
    . Les clients gardent un accès complet jusqu’à cette date, mais le message est sans ambiguïté : Zendesk sort du marché du CRM de vente.

    Pour faciliter la bascule,
    Zendesk s’est associé à Pipedrive, un CRM commercial reconnu et déjà bien intégré à Zendesk, pour proposer des outils de migration
    . Un partenariat pratique pour Zendesk. Pas forcément le meilleur choix pour vous : comme le résume l’agence Markentive,
    Pipedrive est un choix logique pour Zendesk, mais logique pour Zendesk ne signifie pas optimal pour votre entreprise
    .

    Le détail qui devrait vous faire tiquer :
    les exports natifs de Zendesk Sell ne couvrent pas l’historique d’activités, les emails, les journaux d’appels ni les documents, et il faut passer par l’API ou des outils tiers pour préserver ces données avant la fermeture
    . Autrement dit, le bouton « exporter » ne sauve pas tout. Et une fois la fermeture actée,
    les données seront supprimées définitivement, dès la fin de l’abonnement ou au plus tard le 31 août 2027, sans possibilité de retour en arrière
    .

    Le mythe du logiciel installé pour toujours

    Zendesk Sell n’était pas un outil obscur. C’était un CRM de vente installé chez des milliers d’équipes, connu, documenté, intégré à des dizaines d’outils tiers. Si un logiciel de cette envergure peut disparaître, aucun logiciel de votre stack n’est à l’abri. C’est là le vrai mythe à enterrer : celui du « logiciel installé, donc logiciel éternel ».

    Ce n’est pas un cas isolé. À peu près au même moment,
    Microsoft, SAP et Zendesk ont chacun annoncé la fin de vie de leur solution CRM entre 2027 et 2028
    . Trois éditeurs majeurs, trois décisions distinctes, un même signal : le marché du CRM se recompose, et les éditeurs historiques réallouent leurs ressources vers d’autres priorités, souvent l’IA appliquée au service client plutôt qu’à la vente.

    Un dirigeant du secteur, David Elkington, fondateur de Signals, a résumé la portée de l’annonce sur LinkedIn en des termes qui ont fait réagir tout l’écosystème CRM :
    « Zendesk killing Sell isn’t just about one vendor. It’s about the death of the CRM category. »
    On peut discuter du diagnostic. Mais le fait déclencheur, lui, n’est pas discutable : un outil que vous pensiez stable a une date d’expiration, et vous ne l’avez appris qu’après coup.

    Illustration d'une loupe examinant un réseau d'outils logiciels connectés, symbolisant l'audit de pérennité du stack commercial

    Ce que la fermeture d’un CRM installé révèle sur votre stack commercial

    Chez Generativ, quand on construit une usine de vente pour un client, on audite systématiquement le stack en place avant de toucher au moindre process. Et à chaque fois, on retrouve la même faille : personne dans l’entreprise n’a de vision claire sur la santé financière et stratégique des éditeurs qui hébergent les données commerciales critiques. Le CRM, l’outil de séquençage email, l’enrichissement de données, la téléphonie : autant de maillons dont la disparition brutale peut arrêter net le pipeline.

    Le risque n’est pas seulement fonctionnel. Il est aussi contractuel et humain.
    Vos données de vente, vos workflows et votre historique deviennent inaccessibles à terme, et votre équipe risque une véritable rupture si la planification de la migration ne démarre pas assez tôt
    . Une migration de CRM mal préparée, ce n’est pas juste un projet IT. C’est un trou dans le pipeline, des deals perdus faute de suivi, des commerciaux qui reviennent à Excel le temps de la bascule.

    Et la fenêtre de manœuvre est plus courte qu’elle n’en a l’air.
    Le calendrier de fermeture laisse théoriquement jusqu’à août 2027, mais les entreprises qui démarrent leur migration dès 2026 seront en bien meilleure posture pour éviter les perturbations
    . Deux ans, cela paraît confortable. C’est en réalité le temps qu’il faut pour auditer, choisir, migrer proprement et former les équipes sans casser le rythme commercial.

    L’audit annuel de pérennité : la question à se poser sur chaque outil critique

    Voici ce que je recommande à chaque dirigeant que je conseille : une revue annuelle, courte, de chaque outil qui touche à la donnée commerciale. Pas un audit IT de trois semaines. Une heure, une fois par an, avec trois questions simples posées sur chaque brique critique du stack : CRM, séquenceur, outil d’enrichissement, téléphonie, plateforme d’intent data.

    Première question : quelle est la trajectoire financière et stratégique de l’éditeur ? Une levée de fonds récente, un rachat, un changement de dirigeant, un pivot produit annoncé sont autant de signaux avant-coureurs. Deuxième question : que couvre réellement l’export de données, et que couvre-t-il pas ? On l’a vu avec Zendesk Sell : l’historique d’activité, les emails et les journaux d’appels ne sont pas toujours inclus dans un export standard. Troisième question : combien de temps faudrait-il, aujourd’hui, pour migrer cet outil si l’éditeur annonçait sa fermeture demain ? Si la réponse est « je ne sais pas », vous avez votre premier chantier.

    Ce n’est pas de la paranoïa. C’est la même logique qui pousse à auditer un ICP (le profil de client idéal) une fois par an pour vérifier qu’il correspond toujours à la réalité du marché. Un stack commercial qui n’est jamais remis en question devient un point de fragilité, exactement comme un ciblage qu’on ne réévalue jamais.

    La clause de portabilité : ce qu’il faut négocier avant de signer

    L’audit annuel traite le symptôme après coup. La vraie prévention se joue à la signature du contrat, pas à sa résiliation. Trop de dirigeants négocient le prix, la durée d’engagement, le SLA de support, et zappent la clause qui compte le plus en cas de fermeture ou de rachat : la portabilité des données.

    Une clause de portabilité solide doit couvrir trois points : le format d’export (structuré, exploitable, pas un simple PDF), le périmètre exact des données couvertes (y compris l’historique d’activité, les emails et les logs d’appels, pas seulement les fiches contact), et le délai de mise à disposition en cas de résiliation ou de fermeture du service. Sans ces trois précisions, vous découvrez les limites de l’export le jour où vous en avez besoin, exactement comme les clients de Zendesk Sell découvrent aujourd’hui que
    les emails, journaux d’appels, historiques d’activité et documents joints ne sont pas exportables, et que les données ne restent disponibles que 30 jours avant suppression
    .

    Exemple de clause à intégrer dans vos contrats logiciels critiques : « En cas de résiliation du contrat pour quelque motif que ce soit, y compris la cessation du service par l’Éditeur, ce dernier s’engage à fournir au Client, dans un délai maximum de 30 jours et dans un format structuré et exploitable (CSV, JSON ou API), l’intégralité des données du Client incluant a minima : fiches contacts et comptes, historique des opportunités, historique d’activités (emails, appels, notes, tâches), et documents attachés. »

    Cette clause ne coûte rien à négocier à la signature. Elle coûte cher à obtenir a posteriori, une fois que l’éditeur a annoncé sa fermeture et n’a plus aucune incitation commerciale à vous faciliter la sortie.

    Ce que Zendesk Sell change concrètement pour votre feuille de route 2026

    Si vous utilisez Zendesk Sell, la priorité est claire : ne pas attendre 2027.
    Face à la multitude de CRM disponibles, la tentation est de choisir précipitamment « l’outil le plus proche de Zendesk Sell », mais c’est le moment de repenser toute votre stratégie CRM
    . Une migration subie reproduit les mêmes limites que l’outil qu’on quitte. Une migration choisie est l’occasion de réaligner le CRM sur votre cycle de vente réel, votre volume de comité d’achat, votre logique de qualification.

    Si vous n’utilisez pas Zendesk Sell, ne fermez pas cet article trop vite. La question n’est pas « est-ce que mon CRM va fermer ». La question est : ai-je, aujourd’hui, une réponse claire aux trois questions de l’audit de pérennité pour chaque outil qui porte ma donnée commerciale ? Si la réponse est non pour ne serait-ce qu’un outil, vous avez identifié votre prochain chantier, avant qu’un éditeur ne le fasse à votre place.

    Un CRM n’est jamais qu’un outil. La vraie richesse, c’est la donnée qu’il contient : l’historique des échanges, le contexte de chaque comité d’achat, les signaux accumulés sur chaque compte cible. Protéger cette richesse ne dépend pas de la solidité de l’éditeur. Elle dépend de votre discipline à auditer et à négocier avant d’en avoir besoin.

    Et vous, savez-vous aujourd’hui ce que couvre réellement la clause de portabilité de votre CRM ? Parlons-en, 30 minutes, sans engagement : contactez Generativ.

    Sources

  • Prospection B2B : pourquoi vos messages « trop IA » font fuir

    Prospection B2B : pourquoi vos messages « trop IA » font fuir

    Un dirigeant m’a montré récemment sa dernière séquence de prospection : un email généré en trois clics, envoyé à 800 contacts, personnalisé par une variable de fusion. Taux de réponse : sous les 1 %. Il n’est pas seul. Chez Generativ, on voit passer des dizaines de campagnes de ce type, toutes construites sur le même postulat : plus on envoie, plus on convertit. Ce postulat est mort en 2026.

    La raison n’est pas technique, elle est comportementale. Les acheteurs B2B ont changé de réflexe face à l’IA générative, et ce changement rebat les cartes de toute stratégie de prospection B2B. Comprendre pourquoi vos messages « trop IA » font fuir vos prospects, c’est comprendre ce qui va réellement fonctionner en 2026 : plus de vitesse, mais de la preuve.

    Le paradoxe qui plombe vos taux de réponse

    Voici le mythe qu’il faut enterrer : l’IA générative aurait rendu la prospection plus efficace parce qu’elle permet d’en faire plus, plus vite. En réalité, elle a produit l’effet inverse chez les destinataires.
    L’IA a transformé la prospection côté vendeurs, avec ciblage prédictif, scoring automatique et personnalisation à l’échelle, mais aussi côté acheteurs, qui utilisent désormais des outils IA pour filtrer les sollicitations, comparer les offres et s’informer avant tout contact commercial.

    Le résultat est un paradoxe frontal.
    En 2026, les acheteurs sont plus méfiants des contenus générés par IA et plus sensibles aux recommandations et à la preuve sociale, ce qui oblige les équipes commerciales à être encore plus authentiques et pertinentes dans leurs approches.
    Autrement dit : les deux camps se sont équipés du même outil, et l’arme s’est retournée contre celui qui l’utilise pour aller plus vite plutôt que plus juste.

    Ce n’est pas une impression isolée. Une étude menée fin 2025-début 2026 auprès de plus de 500 professionnels du marketing confirme la tendance :
    dans un contexte saturé et marqué par la défiance envers l’IA, la qualité prime désormais sur le volume.
    Le ciblage large, qui fonctionnait encore il y a trois ans, produit aujourd’hui des taux d’ouverture et de réponse en chute libre, pour une raison simple : les prospects ont développé un détecteur naturel de contenu généré à la chaîne.

    Pourquoi vos prospects détectent l’IA à la première ligne

    Un message généré par IA sans travail éditorial derrière a une signature reconnaissable : structure trop propre, transition trop fluide, référence générique au « contexte de l’entreprise » qui pourrait s’appliquer à n’importe qui. Le lecteur B2B, exposé à des dizaines de sollicitations par semaine, a développé une forme d’immunité.
    Les décideurs reçoivent aujourd’hui un nombre de messages, d’appels et d’invitations à se connecter sans commune mesure avec celui de 2020, et la conséquence est une méfiance généralisée.

    Cette méfiance n’est pas anecdotique, elle change le comportement d’achat lui-même.
    45 % des acheteurs B2B ont eu recours à l’intelligence artificielle lors de leur dernier achat, et deux sur trois privilégient désormais un parcours sans aucun contact commercial direct.
    L’acheteur se documente seul, compare seul, et n’entre en contact qu’une fois sa short-list arrêtée. Envoyer un message IA générique à ce moment-là, c’est parler à quelqu’un qui a déjà fait 80 % du chemin sans vous, et qui teste votre capacité à apporter une information qu’il n’a pas déjà trouvée ailleurs.

    Le problème n’est donc pas l’IA en tant que telle. C’est l’usage qu’on en fait. Un cabinet d’analyse le résume bien :
    l’automatisation sans personnalisation produit du spam, et avant d’envoyer mille emails automatisés, il faut s’assurer que chaque message est réellement adapté au contexte du prospect.
    L’échelle sans le contexte, c’est du bruit habillé en signal.

    La preuve sociale, nouveau nerf de la guerre commerciale

    Si le volume ne convertit plus, qu’est-ce qui convertit ? La réponse tient en trois mots : preuve sociale et voix humaine. Un rapport sectoriel sur la prospection digitale l’énonce sans détour :
    la prospection digitale passe désormais par la preuve sociale, LinkedIn n’étant plus un simple annuaire mais une plateforme d’influence.

    Concrètement, cela veut dire que l’ordre des opérations s’est inversé. Avant, on envoyait un message froid puis on espérait construire de la crédibilité au fil de l’échange. Aujourd’hui, la crédibilité doit précéder le message. C’est ce que confirment les stratégies de recommandation par des experts sectoriels :
    dans un contexte où les acheteurs sont de plus en plus méfiants vis-à-vis des discours commerciaux traditionnels, les recommandations d’experts ou de créateurs de contenu reconnus dans leur secteur pèsent lourd dans la décision d’achat, car il s’agit d’une confiance transférée, l’expert parlant à une audience qui le suit pour son expertise, pas pour vendre.

    Cela ne signifie pas qu’il faut abandonner l’IA. Cela signifie qu’il faut inverser sa fonction : elle ne doit plus servir à écrire le message final, mais à repérer le bon signal pour le déclencher. C’est la nuance que font aujourd’hui les meilleures équipes commerciales, comme le note un benchmark récent du secteur :
    les commerciaux les plus efficaces sont ceux qui utilisent l’IA pour personnaliser sur des signaux véritablement pertinents, et qui ajoutent une couche d’authenticité humaine, une anecdote, un point de vue, une référence sectorielle pointue, que l’IA seule ne peut pas reproduire de manière convaincante.

    C’est là que se joue la vraie différenciation en 2026. Deux commerciaux peuvent utiliser exactement le même outil d’IA générative. Celui qui gagne n’est pas celui qui envoie le plus de messages, c’est celui qui a passé plus de temps à comprendre le compte avant d’écrire une seule ligne.

    Ce que ça change concrètement pour votre machine commerciale

    Pour un dirigeant de PME tech, ce constat a des implications directes sur l’organisation de la prospection, pas seulement sur le ton des emails.

    D’abord, le rôle de l’IA doit glisser de la production vers la détection. Utilisez-la pour identifier les signaux (changement de poste, levée de fonds, publication LinkedIn, recrutement stratégique) plutôt que pour rédiger le message final à votre place. Un état des lieux du secteur confirme ce basculement : les entreprises qui réussissent utilisent l’IA
    pour identifier les prospects à fort potentiel, personnaliser leurs approches à grande échelle et automatiser les tâches répétitives, l’objectif n’étant pas de remplacer les commerciaux mais de leur permettre de concentrer leurs efforts sur les comptes les plus pertinents.

    Ensuite, construisez de la preuve sociale avant d’attaquer un compte, pas après. Un cas client publié, un post LinkedIn d’un de vos utilisateurs, un retour d’expérience chiffré : ces éléments ne sont plus du contenu marketing accessoire, ils sont la condition d’entrée en conversation. C’est particulièrement vrai puisque
    selon LinkedIn, 80 % des leads B2B issus des réseaux sociaux proviennent de la plateforme
    , ce qui en fait le terrain naturel pour installer cette crédibilité avant le premier email.

    Enfin, ne sacrifiez pas le canal humain synchrone. Contrairement à l’idée reçue selon laquelle le téléphone serait mort, les chiffres disent l’inverse pour les cadres dirigeants :
    82 % des acheteurs B2B acceptent des rendez-vous suite à un appel bien mené, et 57 % des cadres dirigeants déclarent préférer être contactés par téléphone plutôt que par tout autre canal.
    Un appel bien préparé, nourri par un signal détecté en amont, reste un canal de différenciation qu’aucun message IA générique ne peut imiter.

    Exemple d’approche à contre-courant : au lieu d’un email générique envoyé à 500 contacts d’un même secteur, identifiez 30 comptes ayant publié un signal fort dans les 30 derniers jours (recrutement clé, levée, changement de direction). Envoyez un message court référençant précisément ce signal, appuyé par un cas client comparable, et proposez un appel de 15 minutes plutôt qu’une démo. Le volume baisse, le taux de réponse grimpe.

    La vitesse n’est plus un avantage compétitif

    Pendant des années, l’équation commerciale était simple : plus de contacts en haut du tunnel égale plus de signatures en bas. Cette équation ne fonctionne plus. Comme le résume un guide récent sur la génération de leads B2B,
    pendant des années une équation simple a prévalu, davantage de contacts en haut du tunnel donnant davantage de signatures en bas, mais ce calcul ne fonctionne plus.

    Cela ne veut pas dire qu’il faut renoncer à l’IA générative en prospection. Cela veut dire qu’il faut arrêter de l’utiliser comme un accélérateur de volume et commencer à l’utiliser comme un accélérateur de pertinence. La différence tient en une question à se poser avant chaque envoi : ce message pourrait-il être envoyé à dix comptes différents sans modification ? Si oui, il ira à la corbeille avant d’être lu.

    Une usine de vente qui produit de la confiance, pas du volume

    La thèse est simple, et elle va à contre-courant de dix ans de discours marketing sur l’automatisation à outrance : en 2026, la différenciation commerciale ne se joue plus sur la vitesse d’envoi, elle se joue sur la preuve sociale et la voix humaine. Une usine de vente bien construite ne maximise pas le nombre de messages sortants, elle maximise la probabilité que chaque message soit lu comme légitime.

    C’est exactement le sens que nous donnons à l’expression chez Generativ : construire une machine commerciale structurée, pas une machine à spammer. Les deux se ressemblent de loin. Elles produisent des résultats radicalement différents.

    Et vous, votre séquence de prospection est-elle construite pour rassurer un acheteur méfiant, ou pour maximiser un volume qui ne convertit plus ? Parlons-en, 30 minutes, sans engagement.

    Sources

  • Cloud souverain : vrai enjeu business ou posture marketing ?

    Cloud souverain : vrai enjeu business ou posture marketing ?

    « Nos données sont hébergées en France, en toute souveraineté. » Cette phrase, je l’ai lue sur une dizaine de sites de scale-ups françaises ces derniers mois. Elle sonne bien en page d’accueil. Elle ne veut souvent rien dire juridiquement. Chez nos clients, la question du cloud souverain revient systématiquement dans les cycles de vente complexes, côté acheteur comme côté vendeur. Voici comment trancher sans y laisser votre budget IT ni votre crédibilité commerciale.

    Le cloud souverain est-il devenu un argument marketing comme un autre ?

    Oui, en grande partie. Le terme est aujourd’hui tellement galvaudé que même les grands acteurs américains s’en emparent. Un dirigeant d’Orange Business le formule sans détour :
    le mot « cloud souverain » est utilisé à tort et à travers, pour certains acteurs il est devenu un argument marketing, un slogan commercial
    .

    Le phénomène a même un nom : le « sovereign washing ». Une analyse récente décrit cette pratique comme
    une pratique marketing trompeuse, un simple lifting pour un problème de fond qui persiste
    . Le principe : afficher des serveurs localisés en Europe tout en restant, structurellement, une entreprise de droit américain.

    Ce flou profite à tout le monde et dessert les dirigeants qui doivent trancher vite. Une étude sur le sujet le confirme :
    l’absence de cadre précis ouvre la porte aux dérives marketing, de nombreuses offres revendiquent le label « souverain » et ne respectent que des critères superficiels, se contentant par exemple d’héberger les données en Europe sans protéger contre les risques juridiques
    . C’est précisément là que se joue la différence entre une vraie stratégie et une posture.

    Ce que le Cloud Act change vraiment (et ce que la localisation ne change pas)

    Voici l’erreur numéro un que je constate chez les dirigeants tech : croire que stocker ses données en France les met à l’abri. Faux. Le point technique qui change tout est ailleurs. Une analyse juridique le pose clairement :
    le CLOUD Act ne repose pas sur la localisation des serveurs, mais sur la juridiction applicable au fournisseur
    .

    Concrètement, un hyperscaler américain qui ouvre une région Paris ne change rien à son statut juridique. La même source précise :
    ces entreprises restent des sociétés de droit américain ou contrôlées par une maison-mère américaine, à ce titre elles entrent dans le champ du CLOUD Act, et les autorités américaines peuvent donc, sous certaines conditions, exiger la transmission de données, même si celles-ci sont hébergées en Europe
    .

    C’est là toute la nuance que le marketing efface. La localisation, c’est de la géographie. La souveraineté, c’est du droit. Un serveur à Roubaix ne protège rien si l’entreprise qui l’exploite doit répondre à une réquisition américaine. C’est exactement ce que rappelle la tribune du MagIT sur le sujet, tout comme l’analyse de sfeir.dev.

    SecNumCloud : la seule preuve qui compte, pas un logo de plus

    Si la localisation ne suffit pas, sur quoi juger ? Sur l’immunité juridique. C’est le rôle de la qualification SecNumCloud, délivrée par l’ANSSI. Sa version la plus récente va au cœur du sujet :
    sa version 3.2 (2022) ajoute des critères d’immunité contre les législations extraterritoriales (CLOUD Act, FISA), ce qui la rend unique en Europe
    .

    Concrètement, seuls quelques acteurs tiennent ce niveau d’exigence. En 2026,
    les fournisseurs certifiés sont OVHcloud, Scaleway, 3DS Outscale, Numspot (en cours), Cloud Temple
    . Outscale, filiale de Dassault Systèmes, a une longueur d’avance historique : c’est
    l’un des rares fournisseurs cloud à avoir obtenu la qualification SecNumCloud de l’ANSSI pour ses services IaaS, ce qui le place dans une catégorie à part pour les organisations qui traitent des données de défense nationale, des données de santé très sensibles ou des informations classifiées
    . Scaleway a suivi le mouvement plus récemment, puisque le fournisseur
    a lancé sa certification SecNumCloud en janvier 2025, avec un objectif de complétion fin 2025, d’abord pour l’IaaS avec GPUs inclus
    ./im

    Ce niveau de garantie a un prix, et il faut le dire à vos clients ou prospects sans détour : les offres qualifiées coûtent
    généralement de l’ordre de 20 à 50 % plus cher selon les services, en raison d’une moindre mutualisation et d’exigences de sécurité renforcées
    . C’est un investissement, pas un supplément marketing, à condition qu’il réponde à un vrai besoin.

    Quand le cloud souverain est un vrai enjeu business

    Il y a des cas où la question ne se discute même pas. Le premier : la commande publique. Sur les marchés d’État sensibles, la doctrine est déjà écrite noir sur blanc. L’Autorité de la concurrence le confirme dans sa consultation publique : la solution retenue
    devra impérativement respecter la qualification « SecNumCloud » décernée par l’ANSSI et être protégée contre toute réglementation extracommunautaire
    .

    Le deuxième cas : les secteurs régulés, même hors commande publique. Santé, défense, énergie, finance : ces filières basculent vers une exigence de fait. Une analyse récente le résume ainsi :
    pour le secteur privé, la qualification n’est pas obligatoire mais devient de facto requise dans plusieurs filières régulées comme la défense, la santé et la finance
    . Cinq entreprises françaises de la e-santé, dont Doctolib et Alan, l’ont d’ailleurs constaté à leurs dépens : elles ont alerté le gouvernement en juillet 2026 sur le fait que
    si l’exigence SecNumCloud s’étend, même de façon informelle, aux critères de sélection des appels à projets publics ou des remboursements par l’Assurance Maladie, les plus petites structures risquent d’être évincées des marchés publics
    .

    Le troisième cas, plus rare mais réel : un ICP (profil de client idéal) massivement composé d’acheteurs publics ou d’entreprises soumises à NIS2. Si votre pipeline qualifié dépend de ces comptes, le cloud souverain n’est plus une option philosophique. C’est un prérequis d’accès au marché, au même titre qu’une certification ISO pour un cycle complexe.

    Quand c’est de la posture qui vous coûte cher pour rien

    À l’inverse, la majorité des scale-ups tech françaises n’ont aucune de ces contraintes. Elles vendent du SaaS B2B à des PME du privé, sans clause de résidence des données, sans appel d’offres public, sans secteur régulé dans leur ICP. Pour elles, migrer vers un cloud souverain par pur réflexe patriotique revient à payer un surcoût de 20 à 50 % pour un argument que 90 % de leurs prospects ne demandent jamais.

    C’est le piège du dogmatisme inverse de celui du sovereign washing. Une bonne pratique consiste à catégoriser ses données par criticité plutôt que de tout migrer d’un bloc : les données vitales (contrats stratégiques, propriété intellectuelle) vers une infrastructure qualifiée, le reste vers des solutions plus légères. Un guide destiné aux dirigeants le résume bien : il ne s’agit pas
    de « tout » migrer vers le souverain par dogmatisme
    .

    Le risque commercial est réel des deux côtés. Vendre du cloud souverain à un prospect qui s’en moque allonge votre cycle de vente et gonfle votre TCO sans bénéfice perçu. Ne pas l’avoir quand le comité d’achat l’exige vous élimine avant même la soutenance. La bonne question n’est donc jamais « le cloud souverain, pour ou contre ? » mais « mon acheteur type l’exige-t-il, oui ou non ? »

    Comment trancher : la grille de décision pour un dirigeant tech

    Trois questions suffisent pour clarifier la décision, avant tout arbitrage budgétaire :

    • Mon ICP inclut-il des acheteurs publics, des entités NIS2 ou des secteurs régulés (santé, finance, défense, énergie) ? Si oui, la qualification SecNumCloud devient un prérequis d’accès au marché, pas une option.
    • Mes prospects posent-ils la question de la juridiction du fournisseur, pas seulement de la localisation des serveurs ? Si le sujet ne surgit jamais dans vos cycles de vente, le surcoût n’a pas de retour commercial mesurable.
    • Ai-je les moyens du discours ? Communiquer sur la souveraineté sans immunité juridique réelle vous expose au même reproche que les hyperscalers accusés de sovereign washing, avec en plus le risque de perdre un deal sur une question technique mal maîtrisée en soutenance.

    Cette grille tient en une phrase : le cloud souverain se décide sur la base d’une contrainte client documentée, jamais sur une intuition de communication. C’est la même logique que celle qui structure une bonne stratégie commerciale : on ne construit pas une usine de vente sur des suppositions, on la construit sur des signaux vérifiés.

    Le cloud souverain n’est ni un gadget ni une religion : c’est un investissement qui se justifie uniquement par une contrainte client réelle, jamais par une posture.

    Et vous, votre choix d’infrastructure cloud répond-il à une exigence documentée de vos clients, ou à une intuition marketing ? Parlons-en, 30 minutes, sans engagement.

    Sources

  • Adoption de l’IA générative en PME : le piège des 31%

    Adoption de l’IA générative en PME : le piège des 31%

    Un dirigeant me disait récemment : « On est bons sur l’IA, toute l’équipe marketing est sur ChatGPT. » Je lui ai demandé quel process avait changé depuis. Silence. C’est exactement le symptôme que je retrouve chez la majorité des PME tech que je rencontre : l’outil est là, le résultat mesurable, non. Bpifrance vient de confirmer ce décalage à grande échelle, et il mérite qu’on s’y arrête.

    Adoption de l’IA générative en PME : le chiffre qui rassure, la réalité qui inquiète

    Le chiffre a fait le tour de la presse économique. Bpifrance Le Lab annonçait qu’en un an, la part des PME utilisant l’IA générative dans leur entreprise est passée de 15% en 2023 à 31% en 2024. Un an plus tard, la même étude de conjoncture a mesuré une nouvelle accélération : 55% des TPE-PME déclarent utiliser des IA génératives à la fin de l’année 2025, contre 31% fin 2024. Vingt-quatre points en douze mois.

    Sur le papier, c’est une victoire collective. Dans les faits, ce chiffre mesure une chose précise : le pourcentage d’entreprises où au moins une personne a ouvert ChatGPT une fois dans le mois. Rien de plus. Et c’est précisément là que le bât blesse pour un dirigeant qui cherche du ROI, pas de la satisfaction d’usage.

    Le vrai clivage n’est plus l’outil, c’est le process

    Une deuxième étude, plus fine, change la lecture. Menée par Bpifrance Le Lab en juin 2025 auprès de 1 209 dirigeants de PME et ETI de plus de 10 salariés, elle descend dans le détail des usages réels. 58% d’entre eux estiment que l’IA est importante, voire très importante, pour la pérennité de leur entreprise à un horizon de trois à cinq ans. Pourtant, seuls 43% ont défini une véritable stratégie IA. Et sur la vague spécifique de l’IA générative, à peine un quart (26%) utilise concrètement cette technologie.

    Voilà le premier clivage : entre la conviction stratégique (58%) et l’action structurée (43% de stratégie, 26% d’usage concret), il y a un fossé que la plupart des dirigeants ne voient pas tant qu’ils n’ont pas fait l’exercice de comparer les deux chiffres. Sans compter que l’usage lui-même reste, dans la majorité des cas, superficiel : l’usage des IA génératives reste aujourd’hui cantonné aux fonctions support comme la veille, le marketing et la communication, et parmi les dirigeants utilisateurs, 68% s’en servent pour rédiger des contenus écrits. Rédiger un email plus vite n’est pas un cas d’usage, c’est un gain de confort. La nuance compte.

    Pourquoi la moitié des « utilisateurs » n’obtiennent aucun résultat mesurable

    Le détail le plus révélateur de l’étude Bpifrance porte sur la nature des outils utilisés. Parmi ceux qui ont franchi le pas, la moitié se contentent de solutions gratuites ou prêtes à l’emploi, sans personnalisation métier ni intégration poussée dans leurs processus. Autrement dit : la moitié des 26% qui « utilisent la GenAI » le font en mode test isolé, sans lien avec le CRM, l’ERP ou un quelconque workflow métier. Pas de mesure de ROI possible dans ces conditions, puisqu’il n’y a rien à mesurer : pas de baseline, pas de process avant/après, juste un usage individuel et volatile.

    Ce constat rejoint un autre chiffre publié par Bpifrance sur le même terrain : 58% des dirigeants de PME-ETI considèrent l’IA comme un enjeu de survie, mais seules 32% de ces entreprises l’utilisent effectivement. Le reste navigue entre bonnes intentions et essais sans lendemain. Et pour ceux qui investissent réellement en digitalisation et robotisation, seulement 9% ciblaient l’IA, dont 2% d’investissements réguliers. On investit dans le numérique, mais rarement dans l’IA de façon structurée. C’est le symptôme d’une adoption qui reste individuelle : un salarié curieux, un dirigeant qui teste seul, jamais un projet porté par un budget et un objectif chiffré.

    Ce qui distingue les 19% d’Innovateurs des 81% qui tâtonnent

    Bpifrance Le Lab a segmenté les dirigeants en quatre profils, et cette typologie est la plus utile du rapport pour se situer. Les « Sceptiques » (27% des répondants) sont réfractaires à l’IA, à la tête d’entreprises peu digitalisées. Les « Bloqués » (26%) sont conscients de l’importance de l’IA mais paralysés par un manque de compétences, de formation ou de soutien. Les « Expérimentateurs » (28%) sont ouverts à l’IA, encourageant son exploration au sein de leurs équipes, mais limités dans son déploiement à grande échelle. Les « Innovateurs » (19%) sont à la tête d’entreprises hautement digitalisées, maîtrisant personnellement les concepts avancés de l’IA.

    Un seul profil sur quatre a dépassé le stade du test. Et ce n’est pas un hasard s’il s’agit des entreprises les plus digitalisées en amont. Bpifrance établit un lien de cause à effet clair sur ce point : « Une entreprise engagée dans la digitalisation est 5 fois plus susceptible d’utiliser une IA, et une entreprise réalisant des analyses de données est 2,5 fois plus susceptible d’utiliser une IA », note l’institution. Or 43% des PME et ETI ne font pas d’analyse de données pour piloter leur activité. Sans fondation data, l’IA générative reste un gadget de rédaction, pas un levier de croissance. La directrice de Bpifrance Le Lab résume bien le problème : « Beaucoup de dirigeants sont encore sans boussole stratégique dans cet environnement technologique aussi mouvant que complexe ».

    Test : où en est votre PME dans l’adoption de l’IA générative ?

    Les quatre profils décrits plus haut se ressemblent tous vus de l’intérieur. Chacun a le sentiment d’avoir commencé. Voici huit questions pour trancher. Répondez par oui ou par non, sans indulgence.

    1. Une personne est nommément responsable du sujet dans l’entreprise.
    2. Vous avez écrit noir sur blanc le cas d’usage prioritaire de l’année.
    3. Vous avez mesuré le temps que prend ce processus aujourd’hui, avant toute IA.
    4. L’outil est connecté à vos données métier : CRM, ERP, base documentaire.
    5. Vous payez une licence professionnelle plutôt qu’un compte gratuit.
    6. Les personnes qui font le travail ont participé au cadrage.
    7. Vous pouvez citer un chiffre d’avant et un chiffre d’après.
    8. Le cas d’usage tourne encore trois mois après son lancement.

    Comptez vos oui.

    0 à 2 : Sceptique ou Bloqué. L’IA générative existe chez vous à l’état de curiosité individuelle. Deux ou trois collaborateurs ouvrent ChatGPT quand ils sèchent sur un mail. Votre premier geste utile tient en une phrase : choisissez un seul processus, chronométrez-le pendant une semaine, gardez ce chiffre.

    3 à 5 : Expérimentateur. Le groupe le plus large, et le plus frustrant. Les usages existent, les résultats restent invisibles faute de mesure. Vos deux chantiers portent des numéros : la question 3 et la question 7. Sans point de départ chiffré, vous ne saurez jamais dire si l’année a servi à quelque chose.

    6 à 7 : vous basculez. Il vous manque en général l’intégration aux données métier, question 4. Tant que l’outil vit à côté du système d’information, chaque gain se paie en copier-coller, et le temps économisé d’un côté se perd de l’autre.

    8 : Innovateur, au sens de l’étude citée plus haut : moins d’un cinquième des entreprises françaises. Votre risque change de nature. Il devient celui de l’empilement : dix cas d’usage lancés, trois réellement maintenus, et une équipe qui finit par confondre outillage et méthode.

    Et si vous êtes une TPE ?

    Les questions 4 et 5 pèsent moins lourd sous dix salariés. Votre système d’information tient souvent dans trois outils, et une licence à vingt euros par mois par personne couvre l’essentiel du besoin. Les six autres questions restent valables telles quelles.

    L’écart entre TPE et PME porte sur les moyens. La discipline demandée reste identique : un cas d’usage, une mesure, un responsable. J’ai vu des cabinets de cinq personnes obtenir des gains plus nets que des ETI de trois cents, pour cette seule raison qu’ils avaient choisi un sujet et s’y étaient tenus.

    Un score faible indique seulement par où commencer.

    Le même clivage frappe la prospection commerciale

    Chez Generativ, je retrouve ce clivage adoption/intégration presque à l’identique sur le terrain de l’outbound. Un commercial qui demande à ChatGPT de reformuler un email de prospection ne fait pas de la « vente augmentée par l’IA ». Il gagne cinq minutes sur une tâche, sans rien changer à son taux de réponse, à sa qualification de comptes ou à la vitesse de son pipeline. C’est un test individuel, exactement comme les 68% de dirigeants qui utilisent l’IA générative pour rédiger du contenu sans jamais l’intégrer à un process de bout en bout.

    Ce que je vois fonctionner, à l’inverse, c’est l’intégration de l’IA générative dans une chaîne mesurable : ciblage de comptes (ICP), enrichissement automatique des signaux d’achat, génération d’angles d’accroche personnalisés injectés dans une séquence multicanale, puis mesure du taux de réponse par variante. Ce n’est plus un outil qu’on teste, c’est un maillon d’une machine commerciale qu’on pilote. La différence n’est pas technologique. Elle est méthodologique. C’est exactement le même écart que celui mesuré par Bpifrance entre les 26% qui « utilisent » la GenAI et les 19% d’Innovateurs qui l’ont réellement intégrée.

    Structurer un cas d’usage mesurable : la méthode en 4 étapes

    Sortir du test individuel ne demande pas un budget de transformation digitale à six chiffres. Cela demande une discipline de cadrage, souvent absente parce que personne ne prend le temps de la poser avant d’ouvrir un abonnement ChatGPT à toute l’équipe.

    1. Choisir un seul cas d’usage précis, pas une intention générale. « Automatiser la qualification des leads entrants » plutôt que « utiliser l’IA dans le commercial ».
    2. Définir la mesure avant de déployer l’outil. Taux de réponse, durée de cycle, temps gagné par collaborateur : un indicateur, une baseline, un point de comparaison à 60 jours.
    3. Connecter l’IA au process existant, pas à côté. Un prompt isolé dans ChatGPT ne vaut rien s’il n’est pas relié au CRM, à la séquence de prospection ou au workflow de qualification.
    4. Impliquer les métiers dès le départ, pas seulement l’IT. Les projets pilotés uniquement en interne technique, sans adoption par les équipes terrain, sont ceux qui échouent le plus souvent.

    Exemple concret : une PME de services B2B qui veut accélérer sa prospection ne commence pas par « équiper l’équipe commerciale de ChatGPT ». Elle commence par : « Réduire de 30% le temps de qualification des leads entrants, mesuré sur 60 jours, en connectant un enrichissement automatique des signaux d’achat au CRM existant. » Le cas d’usage est précis, mesurable, et intégré à un flux réel.

    Il est crucial d’éviter les projets pilotes isolés, menés uniquement par les départements IT, sans réelle adoption par les métiers, rappelle justement l’étude Bpifrance. C’est le piège numéro un des PME qui veulent bien faire mais qui confondent vitesse et précipitation.

    L’adoption de l’IA générative n’a jamais été le problème des PME françaises. Son intégration dans un process mesurable, si. Tant qu’un dirigeant confond les deux, il continuera de compter les licences ChatGPT distribuées plutôt que les euros ou les heures récupérées.

    Et vous, où en est votre entreprise entre le test isolé et le cas d’usage intégré ? Si la réponse n’est pas claire, parlons-en, 30 minutes, sans engagement.

    Sources

  • Claude Opus 5 : arrêtez de changer de modèle IA à chaque sortie

    Claude Opus 5 : arrêtez de changer de modèle IA à chaque sortie

    Anthropic a sorti Claude Opus 5 le 24 juillet 2026. Quatrième version majeure de la famille Claude 5 en moins de deux mois, comme le note Axios :
    Opus 5 is Anthropic’s fourth Claude 5 model release in less than two months, underscoring how AI deployment has shifted from blockbuster launches to rapid improvements on capability, cost and speed
    . Si votre réflexe est de vous demander lequel de vos outils IA doit changer cette semaine, vous posez la mauvaise question. La bonne question, pour un dirigeant de PME, n’a jamais été celle du modèle. C’est celle du pilotage.

    Claude Opus 5 : ce qui change vraiment, sans le battage marketing

    Résumons les faits, vérifiés, sans l’emballage. Anthropic annonce qu’Opus 5 approche l’intelligence de son modèle haut de gamme Fable 5, pour la moitié du prix. Le tarif reste identique à celui de son prédécesseur Opus 4.8 :
    5 dollars par million de tokens en entrée et 25 dollars en sortie, soit la moitié du tarif de Fable 5 (10 dollars en entrée et 50 dollars en sortie)
    . Il devient
    le nouveau modèle par défaut sur Claude Max, le tier premium consommateur d’Anthropic, et le modèle le plus puissant disponible sur Claude Pro
    .

    La vraie nouveauté n’est pas dans le score aux benchmarks. Elle est dans un curseur : Anthropic a ajouté un paramètre d’effort qui règle la profondeur de raisonnement, donc la facture, tâche par tâche.
    Anthropic donne aux utilisateurs un « dial » d’effort qui leur permet de décider combien de puissance de calcul le modèle doit consacrer à une tâche selon les capacités nécessaires. À des niveaux d’effort plus faibles, Opus 5 conserve une grande partie de sa performance tout en utilisant moins de tokens et en coûtant moins cher
    . Autrement dit : le même modèle peut coûter dix fois moins cher selon ce qu’on lui demande.

    La question n’est plus « quel modèle », elle est « à quel effort le faire tourner »

    C’est le point que soulève l’analyse de Koul sur ce lancement, et c’est le cœur du sujet pour une PME.
    Pour une équipe, la question devient moins « quel modèle choisir » que « à quel effort le faire tourner »
    . Ce déplacement change tout dans la manière de budgéter l’IA.

    Pendant deux ans, l’industrie a vendu la comparaison de modèles comme un match de boxe : lequel est le plus intelligent, lequel gagne le plus de benchmarks. C’était confortable, parce que ça donnait une réponse simple. Mais une réponse simple à la mauvaise question ne sert à rien. Un dirigeant qui pilote un budget IA n’a pas besoin du modèle le plus capable du marché sur toutes ses tâches. Il a besoin du bon niveau d’effort, pour la bonne tâche, au bon coût. Trier des tickets de support ne demande pas la même profondeur de raisonnement qu’auditer un contrat ou générer un compte-rendu de comité d’achat. Faire tourner le modèle le plus cher sur tout, par confort ou par réflexe de nouveauté, c’est comme payer un consultant senior pour classer du courrier.

    Illustration d'un moteur IA unique avec plusieurs niveaux d'effort adaptés à différentes tâches d'entreprise

    Il y a aussi une dimension de gouvernance que les articles techniques oublient souvent. Le modèle le plus performant d’un catalogue n’est pas automatiquement celui qu’on veut brancher sur des données clients sensibles, sur un CRM ou sur des échanges commerciaux confidentiels. Les questions de conformité, de rétention de données et de traçabilité comptent autant que le score sur un benchmark. Une PME qui choisit son IA uniquement sur la performance affichée construit sa stack à l’envers.

    Pourquoi la course au dernier modèle coûte cher à une PME

    Chaque sortie de modèle déclenche le même réflexe chez beaucoup de dirigeants : migrer, retester, réécrire les prompts, revalider les intégrations. Sur le papier, ça semble raisonnable. Rester à la pointe, ne pas se faire dépasser. Dans les faits, ça détruit du temps et de la fiabilité.

    Anthropic elle-même documente ce coût caché à travers ses fonctionnalités : la nouvelle option
    Automatic Fallbacks redirige automatiquement les requêtes bloquées par les classificateurs de sécurité vers un modèle secondaire
    , preuve que même l’éditeur admet qu’une architecture mono-modèle rigide finit par coincer sur certains cas. Une PME qui change de modèle à chaque annonce paie trois fois : le temps de migration technique, la perte de fiabilité pendant la transition (les prompts qui marchaient sur l’ancien modèle ne se comportent pas forcément pareil sur le nouveau), et le coût d’opportunité de ne pas avoir consolidé son usage sur la durée.

    C’est le même piège qu’on observe côté vente B2B chez nos clients : changer d’outil de prospection à chaque nouvelle fonctionnalité annoncée, plutôt que de structurer un pipeline qui fonctionne et de l’optimiser dans la durée. La logique de volume (tout essayer, tout remplacer) perd toujours face à la logique de précision (choisir un cadre, le faire tourner, l’ajuster).

    Comment construire une gouvernance IA qui tient dans le temps

    Concrètement, voici ce qu’on recommande aux dirigeants qu’on accompagne quand ils structurent leur usage de l’IA générative plutôt que de courir après chaque sortie :

    • Cartographier les familles de tâches avant les modèles. Rédaction commerciale, qualification de leads, analyse de données clients, code : chaque famille a un besoin de précision et un niveau de sensibilité différents. C’est la carte qui doit piloter le choix, pas l’inverse.
    • Fixer un niveau d’effort par défaut, et documenter les exceptions. Avec des paramètres comme le curseur d’effort d’Opus 5, une PME peut faire tourner un seul modèle à plusieurs vitesses plutôt que de maintenir cinq fournisseurs différents.
    • Séparer les données selon leur sensibilité, avant de choisir l’outil. Un modèle plus capable sur un benchmark public n’est pas automatiquement le bon candidat pour traiter des données de comité d’achat ou des contrats clients.
    • Réévaluer sur un cycle fixe, pas à chaque annonce. Un point tous les trois à six mois suffit pour intégrer les vraies avancées, sans transformer l’équipe en bêta-testeurs permanents.

    Cette discipline ressemble beaucoup à ce qu’on prône chez Generativ pour la machine commerciale : on ne change pas de méthode de prospection à chaque tendance LinkedIn. On construit un cadre, on le fait tourner, on mesure, on ajuste. L’IA générative n’échappe pas à cette logique. Le rendement vient de la constance, pas de la nouveauté.

    Ce que ça veut dire pour votre feuille de route IA

    Claude Opus 5 est un bon modèle. Ce n’est pas le sujet. Le sujet, c’est que dans deux mois, un autre éditeur annoncera un modèle encore plus performant, encore moins cher, avec encore un nouveau curseur. Et dans deux mois après ça, un autre. La valorisation d’Anthropic elle-même illustre l’intensité de cette course :
    en mai 2026, sa valorisation était estimée à 965 milliards de dollars, ce qui en fait la société spécialisée exclusivement dans l’IA la plus valorisée au monde
    . Une entreprise qui vaut ça a intérêt à sortir un modèle toutes les six semaines. Une PME qui doit vendre, livrer et facturer n’a pas cet intérêt-là.

    Le bon réflexe n’est pas de suivre le rythme des éditeurs. C’est de construire une gouvernance IA stable : un ou deux modèles de référence, des niveaux d’effort documentés par usage, des règles claires sur les données qui peuvent y transiter. On change de brique quand le gain est prouvé sur son propre cas d’usage, pas quand un communiqué de presse sort.

    Conclusion

    Piloter son IA, ce n’est pas choisir le modèle le plus intelligent du moment. C’est décider, une fois, comment on l’utilise, puis tenir ce cadre pendant que le marché s’agite.

    Et vous, votre stack IA ressemble-t-elle à une gouvernance ou à un abonnement à l’anxiété des annonces produit ? Parlons-en, trente minutes, sans engagement.

    Sources

  • Agents IA en prospection B2B : ce qui change pour vos commerciaux

    Agents IA en prospection B2B : ce qui change pour vos commerciaux

    Chez Generativ, on nous pose la même question depuis six mois : faut-il craindre pour son équipe commerciale face aux agents IA ? Je vais vous donner une réponse nette. Non, mais pas pour les raisons que vous croyez.

    Agents IA en prospection B2B : la peur du grand remplacement n’a pas eu lieu

    Le scénario catastrophe était écrit d’avance : l’IA remplace les SDR, les commerciaux deviennent des superviseurs de robots, et la vente B2B se résume à valider des scripts générés automatiquement. Ce scénario ne s’est pas produit. Un dossier récent de Dynamique Mag le formule sans détour : contrairement aux prédictions les plus alarmistes, l’IA n’a pas remplacé le commercial. Bien au contraire, elle l’a poussé à redevenir profondément humain.

    Le paradoxe mérite qu’on s’y arrête. On aurait pu croire que l’automatisation pousserait vers plus de scripts, plus de génériques, plus de standardisation. C’est l’inverse qui s’est produit. Plus une équipe commerciale automatise la partie mécanique de son travail, plus elle est jugée sur sa capacité à personnaliser la partie humaine. L’adoption d’un outil ne suffit plus à faire la différence. Le véritable écart se joue entre les entreprises qui utilisent l’IA pour faire la même chose qu’avant, envoyer plus de messages, et celles qui l’utilisent pour prospecter plus intelligemment. C’est exactement la thèse que nous défendons chez Generativ depuis toujours : la croissance commerciale ne se pilote pas en augmentant le volume, elle se pilote en structurant une usine de vente qui produit du contexte, pas du bruit.

    Ce que l’agent IA absorbe réellement dans votre pipeline

    Précisons les termes avant d’aller plus loin. Un agent IA n’est pas un simple générateur de texte qu’on interroge une fois. C’est un système capable de surveiller des sources en continu (LinkedIn, actualités financières, offres d’emploi, visites de pages tarifaires) et de déclencher une action sans qu’on le lui redemande à chaque fois. La différence avec un point-tool classique tient dans l’autonomie : au lieu de point-tools, des outils isolés qui effectuent une tâche unique sur commande, les équipes de vente déploient des agents capables de connecter des flux d’informations complexes en continu.

    Concrètement, ce que ces agents absorbent en premier, c’est la recherche. Le travail de fond que tout commercial devrait faire avant un premier contact : qui décide, quel contexte, quel signal d’achat, quelle actualité pertinente. C’est un travail long, répétitif, et qui n’a jamais nécessité de talent commercial. Les chiffres confirment l’ampleur du transfert : une réduction de 85 % à 90 % du temps de recherche manuelle pour les forces de vente. Sur un cycle de vente B2B qui s’étend de 3 à 18 mois selon le secteur et le ticket moyen, structuré en six étapes principales, ce n’est pas un détail. C’est la moitié du travail invisible d’un commercial qui bascule ailleurs, puisque la prospection consomme environ 40 % du temps total de l’équipe commerciale.

    Illustration d'un agent IA condensant des signaux d'achat en un brief de compte synthétique

    Mais l’agent ne se contente pas de collecter. Il transforme la donnée brute en un objet exploitable pour l’humain. Quand un signal d’achat apparaît, comme un changement de direction, une offre d’emploi révélatrice, ou des visites répétées sur une page tarifaire, l’agent ne se précipite pas sur l’envoi automatique. Dès qu’un signal d’achat est détecté, l’IA ne déclenche pas une salve d’emails automatiques. Elle rédige un brief de compte ultra-personnalisé destiné au commercial humain. C’est ce brief de compte qui change la donne : le commercial n’ouvre plus un dossier vide, il ouvre un contexte déjà mâché, prêt à être utilisé pour une vraie conversation.

    Le piège du volume : pourquoi plus de messages tue vos taux de réponse

    Entre 2022 et 2024, beaucoup d’équipes ont fait exactement l’inverse de ce qu’il fallait faire. Elles ont utilisé l’IA générative pour industrialiser l’envoi, pas pour affiner le ciblage. Le résultat s’est retourné contre elles : les décideurs B2B ont développé des réflexes de défense contre le démarchage, et le taux de réponse moyen à un e-mail de prospection froid est tombé sous la barre des 1 %. La saturation n’est pas un accident, c’est la conséquence mécanique d’un mauvais usage de l’outil.

    C’est là que se niche le vrai danger pour 2026. La tentation reste forte de traiter l’agent IA comme un multiplicateur de volume : plus de comptes scannés, plus de séquences déclenchées, plus de messages partis. Les équipes qui gagnent font l’inverse. Elles utilisent le temps libéré par l’agent pour aller plus loin sur moins de comptes, pas pour aller plus vite sur plus de comptes. C’est un changement de logique, pas un changement d’outil.

    Cette discipline a un prix, et il faut le dire sans détour : une part significative des projets d’agents IA échoue. Selon les projections relayées par Gartner, plus de 40 % des projets d’IA agentique en entreprise pourraient être abandonnés d’ici 2027, souvent parce que l’organisation n’a pas défini de cadre clair d’utilisation avant de déployer l’outil. Un agent mal cadré ne produit pas de la précision, il produit du bruit à grande échelle. La technologie n’est jamais le facteur limitant : c’est la discipline de ceux qui la pilotent.

    Ce qui ne change pas : la confiance et le comité d’achat

    Il y a une limite que même l’agent le plus sophistiqué ne franchit pas, et elle est structurelle, pas technologique. Un dossier du Journal du Net sur la vente grands comptes le pose clairement : l’IA a une limite absolue, elle ne sait pas créer de relation. Elle peut optimiser un message, analyser un comportement, mais elle ne captera pas un non-dit, une ouverture pour enchaîner sur une discussion plus personnelle.

    Sur un cycle complexe, ce qui fait basculer une décision n’est jamais une séquence d’emails, aussi bien ciblée soit-elle. Sur une vente complexe à sept chiffres, ce qui fait basculer le deal, c’est cette confiance construite au fil des mois, d’autant plus si la vente implique une dizaine d’interlocuteurs dans plusieurs pays. L’agent peut cartographier le comité d’achat. Il ne peut pas deviner qui, dans ce comité, a besoin d’être rassuré plutôt que convaincu, ou qui porte une réserve politique qu’il ne formulera jamais dans un email.

    Comment réorganiser le rôle de vos commerciaux autour des agents IA

    La bonne répartition des rôles tient en une phrase que Dynamique Mag résume bien : formez vos commerciaux au rôle de pilote d’IA. L’algorithme prépare le terrain et rédige les bases, l’humain apporte les 20 % de valeur ajoutée finale qui déclenchent la confiance. Ces 20 % ne sont pas accessoires. Ce sont eux qui transforment un lead qualifié en client.

    Avant de déployer quoi que ce soit, un prérequis conditionne tout le reste : la qualité de votre CRM. Plus de 53 % des entreprises citent la mauvaise qualité de leurs données comme le premier frein à l’adoption de l’IA. Un agent nourri de doublons, de fiches obsolètes et d’ICP mal défini ne produira pas de la précision, il automatisera vos erreurs à grande échelle.

    Exemple de brief de compte généré par un agent avant transmission au commercial : « Compte cible : DAF recruté il y a 6 semaines chez [Entreprise], ex-DAF chez un client de votre secteur. Signal détecté : offre d’emploi pour un poste de Revenue Ops publiée cette semaine, ce qui indique une structuration commerciale en cours. Angle suggéré : parler du cas client similaire avant de mentionner l’offre. »

    Une fois cette base posée, la trajectoire type ressemble à ceci : l’agent absorbe la veille et la qualification de premier niveau, le commercial reprend la main dès que le contexte est prêt, et le management utilise l’analyse conversationnelle pour affiner les messages qui fonctionnent réellement. C’est un changement d’organisation avant d’être un changement d’outil, et les bénéfices suivent quand la méthode est là : selon McKinsey, les entreprises qui automatisent leur prospection commerciale constatent une augmentation moyenne de 50 % du nombre de leads qualifiés et une réduction de 40 % du coût d’acquisition client. Encore faut-il que le stack et la discipline suivent, sachant que 80 % des équipes commerciales B2B perdent encore plus de 10 heures par semaine en tâches manuelles de prospection faute d’avoir structuré ce transfert de charge.

    L’IA ne remplace pas votre commercial. Elle lui rend le temps qu’il n’aurait jamais dû perdre à faire des recherches, pour qu’il le réinvestisse là où aucune machine ne sait encore aller : la conversation, la confiance, la conclusion.

    Et vous, où en est votre équipe sur ce partage des rôles entre agents IA et commerciaux ? Parlons-en, 30 minutes, sans engagement, contactez-nous ici.

    Sources

  • Levées de fonds French Tech : musclez l’outbound avant de lever

    Levées de fonds French Tech : musclez l’outbound avant de lever

    En vingt ans passés autour des tables de négociation entre fondateurs et investisseurs, j’ai vu le même scénario se répéter : un dirigeant peaufine son pitch deck pendant trois mois, retravaille sa slide de marché, ajuste sa projection à cinq ans. Et sa prospection commerciale ? Elle tourne toujours au petit bonheur, portée par le réseau du CEO et deux ou trois commerciaux livrés à eux-mêmes. En 2026, ce calcul ne fonctionne plus. Le marché du capital-risque français s’est resserré, l’intelligence artificielle capte une part croissante des tickets, et les investisseurs ne financent plus une promesse : ils financent une exécution qu’ils peuvent vérifier.

    Le capital-risque français ne finance plus la promesse, il finance l’exécution

    Les chiffres du premier semestre 2026 racontent une histoire à deux vitesses. Selon Licorne Society, 5,1 Md€ ont été levés par les startups françaises au S1 2026, un record, mais ce record cache une réalité plus nuancée : moins d’opérations, et un capital qui se concentre comme jamais sur une poignée d’acteurs. Le nombre de tours recule : 257 levées, contre 291 au S1 2024.

    Le baromètre EY confirme la tendance sur un périmètre légèrement différent : 4,6 Md€ levés en France au S1 2026, la French Tech enregistre son troisième meilleur premier semestre depuis la période Covid, avec une hausse de 65 % des montants levés. Mais le marché est plus sélectif et plus concentré : moins d’opérations réalisées, mais davantage de capitaux dirigés vers des entreprises capables de devenir des leaders mondiaux. Conséquence directe pour le fondateur qui prépare son tour : le ticket moyen dépasse désormais 16 millions d’euros, contre moins de 9 millions d’euros au premier semestre 2025. Le montant moyen a presque doublé, mais le nombre de dossiers financés a chuté. Traduction brutale : il y a plus d’argent, mais il va à moins d’entreprises, et elles sont mieux préparées.

    L’IA pèse un tiers des levées : pourquoi ça change la donne pour tout le monde

    La consigne éditoriale de cet article part d’un chiffre précis, et il tient la route. En analysant le produit de chacune des levées du semestre, Licorne Society montre que l’IA apparaît dans 89 des 257 levées, soit plus d’un tiers (35 %), pour 40 % des montants du semestre. Ce n’est pas une catégorie marginale qui grossit en marge du marché : c’est un tiers du flux de deals qui absorbe désormais l’attention et les grilles de lecture des fonds.

    Pourquoi cela vous concerne même si vous ne vendez pas d’IA ? Parce que les comités d’investissement calibrent leurs standards de due diligence sur les dossiers les plus armés du marché. Un fonds qui a passé la matinée à challenger la traction commerciale d’une pépite IA n’a pas moins d’exigence l’après-midi face à un SaaS B2B plus classique. La barre monte pour tout le monde, même pour les scale-ups dont le produit n’a rien de spectaculaire sur le papier.

    Ce que les investisseurs vérifient vraiment derrière votre pitch

    Le mythe a la vie dure : un bon produit et une belle courbe de croissance suffiraient à convaincre. La réalité du terrain dit autre chose. Une analyse récente du marché résume bien le changement de logique : le capital-risque achète moins du futur lointain, et davantage une capacité à délivrer dès les prochains trimestres. Le duo fondateur qui inquiète aujourd’hui les investisseurs n’est plus celui qui manque de vision produit. C’est celui qui n’a pas de moteur commercial : un duo tech/produit sans moteur commercial inquiète, tandis qu’un binôme tech + go-to-market rassure.

    Cette exigence se lit aussi dans les métriques financières que les fonds passent au crible. La règle des 40 (croissance + marge EBITDA supérieures à 40) est devenue le filtre numéro un des fonds VC. Une croissance forte ne rachète plus une machine commerciale bancale : elle doit s’accompagner d’une rentabilité ou d’une trajectoire vers la rentabilité, ce qui suppose un coût d’acquisition maîtrisé, donc un pipeline construit plutôt que subi.

    Loupe symbolique d'un investisseur examinant un pipeline commercial structuré avant une levée de fonds

    Concrètement, un investisseur qui reçoit votre data room va chercher trois signaux : d’où vient votre pipeline (volume qualifié et répétable, ou quelques deals « héroïques » décrochés à la force du réseau du CEO), combien de temps met un prospect à devenir client (cycle de vente mesuré, pas estimé), et si votre acquisition tient sans injecter des budgets marketing croissants chaque trimestre. Trois signaux, une seule question derrière : votre croissance est-elle un système, ou un coup de chance qui s’est répété deux ou trois fois ?

    L’usine de vente : l’argument qui manque à la plupart des data rooms

    Chez Generativ, on appelle ça une usine de vente : une machine commerciale structurée, avec un ICP (profil client idéal) documenté, des Target Accounts identifiés, un pipeline qualifié à chaque étage, et des indicateurs de rendement mesurés semaine après semaine. Ce n’est pas un gadget de present­ation. C’est exactement ce que la due diligence commerciale vient vérifier avant la signature d’un term sheet.

    La différence entre une traction produit et une machine commerciale prouvée tient en une phrase : la traction montre que ça a marché une fois, la machine montre que ça marche à volonté. Un fonds qui investit 5, 10 ou 20 millions d’euros ne parie pas sur un miracle reproductible par chance. Il finance une capacité de production de revenus qu’il peut projeter, trimestre après trimestre, avec un niveau d’incertitude qu’il maîtrise. C’est tout l’enjeu de l’outbound structuré : transformer la prospection d’un art incertain en un processus mesurable, avec des taux de conversion connus à chaque étape, du premier contact à la signature.

    Comment prouver votre machine commerciale avant de lancer votre prochain tour

    La bonne nouvelle : construire cette preuve prend du temps, mais pas des années. Voici ce qui, concrètement, transforme un dossier fragile en dossier solide aux yeux d’un comité d’investissement.

    D’abord, formalisez votre ICP et vos Target Accounts. Un investisseur qui vous demande « qui est votre client idéal » et reçoit une réponse floue ou changeante comprend immédiatement que votre prospection est artisanale. Un ICP documenté, avec des critères fermes (taille, secteur, signal d’achat, contexte), montre que vous savez où concentrer l’effort commercial plutôt que d’arroser large.

    Ensuite, mesurez votre pipeline comme un actif financier, pas comme une liste de prospects. Taux de conversion par étape, durée moyenne du cycle, taux de perte et raisons associées : ces chiffres, même imparfaits, valent mieux qu’un silence. Ils prouvent que votre croissance est pilotée, pas subie.

    Enfin, séparez la logique de volume de la logique de précision. Sur un cycle complexe avec comité d’achat, mieux vaut vingt comptes ciblés travaillés en profondeur qu’une liste de deux mille contacts arrosés en masse. C’est ce type de discipline, visible dans les métriques, qui rassure un fonds sur votre capacité à tenir vos objectifs post-levée sans multiplier les recrutements commerciaux à l’aveugle.

    Exemple concret : une scale-up SaaS B2B qui présente « 40 % de nos opportunités qualifiées viennent de campagnes outbound ciblées sur 150 comptes prioritaires, avec un cycle moyen de 65 jours et un taux de closing de 24 % » raconte une histoire bien plus convaincante qu’un slide « nous avons une forte traction ».

    Ce travail se prépare idéalement 6 à 9 mois avant l’ouverture d’un tour, le temps de faire tourner la machine assez longtemps pour produire des données fiables. Trop de dirigeants s’y attellent deux mois avant le premier rendez-vous avec un fonds. À ce stade, il est souvent trop tard pour produire des métriques crédibles.

    Conclusion

    Dans un marché du capital-risque plus rare et plus exigeant, la meilleure garantie pour convaincre un investisseur n’est plus votre roadmap produit : c’est une machine commerciale que vous pouvez démontrer, chiffrer et projeter. Et vous, où en est votre outbound à l’approche de votre prochain tour ? Parlons-en, 30 minutes, sans engagement, sur notre page de contact.

    Sources

  • Le vrai coût d’un mauvais commercial dans la tech

    Le vrai coût d’un mauvais commercial dans la tech

    (Et comment l’identifier rapidement)

    Soyons clairs sur une chose : en quinze ans à structurer des directions commerciales dans la tech, je n’ai presque jamais croisé de « mauvais » commercial au sens littéral du terme. Quelqu’un qui serait là uniquement pour profiter de son employeur, ça existe, mais c’est rarissime. En revanche, j’ai très souvent croisé des commerciaux qui n’étaient pas à leur place.

    Précisons le cadre : je parle ici d’un commercial full cycle: celui qui, dans une PME tech, gère l’intégralité du cycle de vente, du premier contact jusqu’à la signature. Pas un SDR qui passe la main, ni un account manager qui cultive l’existant. Un chasseur qui ouvre, qualifie, négocie et close.

    Un commercial qui ne performe pas, ce n’est presque jamais « juste lui »

    Quand un commercial n’atteint pas ses objectifs, le réflexe est de pointer la personne. C’est facile, mais rarement la seule bonne lecture.

    Il y a d’abord les paramètres liés à la machine de vente, bien entendu : un positionnement flou, des objectifs mal calculés, une absence de stack commerciale, un cycle de vente que personne n’a réellement cartographié.

    Mais il y a aussi, et surtout, le profil du commercial lui-même. Il existe d’excellents chasseurs et d’excellents éleveurs. Demandez à un compétiteur de gérer des clients existants sans enjeu de chasse, vous verrez ! Le commercial hérite alors d’un système défaillant, et on lui demande de produire un résultat que le combo système + personnalité rend structurellement impossible.

    Je détaille ces causes dans l’article « Recruter un commercial dans la tech : les 7 angles morts qui font échouer 1 recrutement sur 2 ». 

    Un commercial ne crée pas une machine de vente

    L’idée centrale tient en une phrase : un commercial n’est pas un bâtisseur. Sinon, on l’appellerait Entrepreneur. On ne peut pas demander à un commercial de créer quelque chose qui n’existe pas. 

    Il n’est pas là pour réparer une usine de vente qui ne tourne pas. Il est là pour la faire tourner. C’est une distinction que beaucoup d’entreprises tech découvrent trop tard. J’ai vu un nombre incalculable de dirigeants recruter des commerciaux en se disant : « On a un produit, maintenant un commercial va nous aider à vendre. »

    C’est faux ! Un bon commercial fait performer une machine de vente déjà en place, avec des objectifs clairs et un terrain balisé. Si la machine n’existe pas, vous ne cherchez pas un commercial : vous cherchez quelqu’un pour construire la fonction commerciale: un tout autre métier, un tout autre profil, un tout autre prix.

    Mettons des chiffres sur le risque

    Le coût d’un recrutement raté ne se résume pas au salaire versé. Pour le rendre tangible, partons d’hypothèses réalistes pour le marché français dans la tech.

    Vous recrutez un commercial de 3-4 ans d’expérience, avec un package autour de 70-80 K€ d’OTE par an et un fixe à 40 K€. Chargé, ce même commercial coûte à l’entreprise environ 100 K€ par an.

    Ajoutons maintenant le temps réel avant qu’il ne produise quoi que ce soit.

    • Onboarding : 1 mois. Le temps de se roder aux pratiques de l’entreprise, à la stack, aux clients, aux process.
    • Ramp-up : 3 mois (à ajuster selon votre cycle). Pendant cette montée en puissance, la production reste anecdotique.

    Autrement dit, pendant 4 mois, votre commercial ne génère rien. C’est normal, c’est même attendu.

    Considérons ensuite qu’il vende de la tech en multi-interlocuteurs; ce qui est le cas le plus fréquent. Comme il est full cycle, c’est lui qui porte le deal de bout en bout, sur un cycle de signature qui s’étale sur 9 à 12 mois. Conséquence directe : il est impossible de le sortir pendant cette fenêtre sans détruire la valeur des deals déjà engagés.

    À cela s’ajoute la stack commerciale dont il a besoin pour travailler : LinkedIn Sales Navigator, ligne mobile, CRM, outils de prospection. Comptons une moyenne de 250 €/mois.

    Faisons le total intermédiaire. Sur 13 mois à vide ou quasi-vide, vous avez investi l’équivalent de 110 K€ minimum.

    Et la séparation coûte encore

    Supposons qu’au terme de ces 13 mois, le constat soit clair et que vous décidiez de vous séparer de ce commercial.

    Vous lui devez une indemnité de licenciement d’environ un quart de mois de salaire par année d’ancienneté. Sur un fixe de 40 K€, cela représente autour de 1 000 €. À cela s’ajoutent ses congés payés non pris, ce qui porte la facture de sortie à environ 4 000 €.

    Bilan : environ 115 K€ engagés sur 13 mois pour un recrutement qui n’a rien produit. Et je ne compte ici ni le coût des équipes engagées dans l’onboarding, ni le temps de management mobilisé, ni l’effet sur le moral de l’équipe, encore moins le temps et les moyens investis à le recruter !!

    Comment s’en prémunir ?

    Il existe un juge de paix simple et redoutable : la période d’essai. Là encore, soyons clairs : pour un commercial, renouvelez-la systématiquement.

    Et le point critique, c’est sa date de fin. Soyez hyper vigilant dessus, parce que c’est votre seule vraie fenêtre de décision à faible coût. La règle que j’applique est la suivante : si un commercial n’a pas un pipe coverage de 3x son objectif à la fin de sa période d’essai, il n’atteindra pas ses objectifs sur l’année calendaire. C’est mathématique. Le pipeline ne ment pas. Un cycle long ne se rattrape pas par un sprint de fin d’année.

    Mais mon conseil va plus loin : vous devez pouvoir trancher dès le 3e mois. Comment, alors que rien n’est encore signé en vente complexe ?

    En regardant le haut de tunnel. Identifiez ses contacts de top of funnel : les conversations initiées, les rendez-vous de qualification, les powermaps, les opportunités réellement créées, le nombre de contacts par entreprise. 

    C’est l’indicateur le plus précoce et le plus fiable de la performance future. Si, au bout de 3 mois, son haut de tunnel est vide, de même que précédemment, il ne se remplira pas par magie.

    En résumé

    Un recrutement commercial raté dans la tech, ce n’est pas une erreur à quelques milliers d’euros. C’est un engagement de l’ordre de 115 K€ minimum (!!), difficilement réversible.

    La meilleure protection n’est ni la chance ni le « feeling » en entretien. C’est de poser, avant de recruter, une machine de vente qui tient debout, puis de surveiller le haut de tunnel dès le 3e mois comme l’indicateur avancé qu’il est.

    Le bon commercial révèle une bonne machine de vente. Le mauvais recrutement, le plus souvent, ne fait que révéler son absence.

    Vous souhaitez recruter un commercial? Discutons-en ! 

  • Prospection à l’heure de l’IA : ce qui marche vraiment en 2026

    Prospection à l’heure de l’IA : ce qui marche vraiment en 2026

    Je croise tous les jours des posts LinkedIn de gens qui se vantent d’avoir trouvé « l’automatisation ultime » : celle qui leur a fait gagner plusieurs millions d’euros pendant qu’ils dormaient. Le post est généralement écrit par une IA, hyper putaclick, illustré d’une photo du héros, et se termine par le sésame : « commentez « GUIDE » et je vous envoie ma méthode ». Pour ma part, j’avoue avoir commenté quelques fois. Pour voir. J’ai compris rapidement !! 

    Vous l’avez compris (peut-être avant moi), l’objectif de ces posts n’est pas de vous aider. C’est de générer de la portée et de la notoriété. Mais ils m’ont donné envie de poser, noir sur blanc, ce qui marche vraiment aujourd’hui pour prospecter : ce qu’il faut déconstruire, ce qu’on doit automatiser, et ce qui doit absolument rester à l’humain.

    Spoiler : l’humain n’a jamais été aussi nécessaire qu’en ce moment. Mais son rôle a changé.

    L’IA est un accélérateur, pas un pilote automatique

    Commençons par remettre l’IA à sa place. Elle est puissante: McKinsey estime qu’elle pourrait dégager entre 800 et 1 200 milliards de dollars de productivité supplémentaire rien que sur les fonctions commerciales et marketing. Mais dans tous les cas d’usage documentés, l’IA accélère ce que décide l’humain. De la recherche, l’enrichissement, la première trame de message, ou encore le reporting, elle accompagne le nouveau commercial. 

    En revanche, elle ne porte pas la relation, elle ne qualifie pas un besoin, ni une organisation complexe, et elle ne signe pas un contrat à six mois de cycle.

    Autrement dit : la question « l’IA va-t-elle remplacer les commerciaux ? » est mal posée. La vraie question, c’est quelles tâches elle remplace, et où l’humain reprend la main. (J’en parle plus en détail dans L’IA va-t-elle remplacer les commerciaux ?.)

    Ce qu’il faut déconstruire

    Mythe n°1 — « Une campagne 100 % automatisée qui gère tout, de la lead gen au closing. » Non. Ça n’existe pas. Encore moins dans des cycles de vente longs et complexes. Vous pouvez automatiser la détection, l’enrichissement et l’envoi. Vous ne pouvez pas automatiser la conversation qui transforme un inconnu en client sur un cycle complexe.

    Mythe n°2 — « Si ça n’existe pas, c’est que vous vous y prenez mal. » Là où l’automatisation de bout en bout fonctionne à peu près, c’est sur des paniers faibles et des cycles courts et transactionnels. Dès qu’on adresse des ETI, plusieurs interlocuteurs et un comité d’achat, l’humain redevient indispensable. Pour rappel, un deal B2B se conclut aujourd’hui en moyenne sur 5 à 12 points de contact : ce n’est pas un mail automatisé qui fait ce travail.

    Mythe n°3 — « La personnalisation à l’IA suffit. » Vos destinataires sont saturés, et ils ne sont pas dupes. Les taux de réponse aux e-mails à froid se sont effondrés : selon le baromètre Instantly, ils sont passés de 8,5 % en 2019 à 5 % en 2025, puis 3,43 % en 2026. Et une étude Adience de fin 2025 est sans appel : un acheteur B2B sur quatre (26 %) est rebuté par une prospection visiblement générée par IA: ton robotique, remplissage automatique évident, ou pire, erreurs factuelles. Un contenu manifestement écrit par une IA, c’est grillé à des kilomètres.

    La nuance, : la même étude montre qu’un tiers des acheteurs (33 %) considèrent que la maîtrise de l’IA distinguera les meilleures équipes commerciales. Le problème n’est donc pas l’IA. C’est l’IA visible, paresseuse, sans contexte.

    Ce qui marche aujourd’hui

    1. Jouer les signaux faibles

    C’est, de loin, le levier le plus rentable. Au lieu d’arroser, on attend (ou on détecte) le moment où un compte bascule de l’indifférence à l’évaluation active.

    • Vous vendez des ingénieurs en régie ? Repérez les entreprises qui recrutent sur ces profils : le besoin est là, maintenant.
    • Votre cible est un DSI ? Surveillez les prises de poste. Les chiffres sont spectaculaires : un nouveau dirigeant est 5 à 10 fois plus susceptible d’évaluer de nouveaux fournisseurs dans ses 90 premiers jours (UserGems), et selon LinkedIn, 70 % des nouveaux dirigeants réalisent un achat technologique dans leurs 100 premiers jours.

    Et la prime au premier arrivé est énorme : d’après les travaux de Craig Elias (SHiFT Selling), le premier commercial à contacter un prospect après un signal déclencheur remporte l’affaire dans 74 % des cas. Dans les six premiers mois d’une prise de poste, votre interlocuteur est non seulement joignable, mais demandeur. (Pour décoder qui décide vraiment derrière l’organigramme, voir Dessinez la powermap.)

    2. Réchauffer avant d’appeler

    L’appel totalement froid est devenu inefficace : une étude Cognism sur plus de 200 000 appels situe le taux de conversion moyen autour de 2,3 %, soit près de la moitié de l’année précédente — et il faut en moyenne 18 numéros composés pour joindre un seul interlocuteur. À moins d’être le commercial d’une multinationale mondialement connue, l’appel à froid vous expose au redoutable « mais concrètement, vous êtes qui? vous faites quoi ? ».

    La parade : chauffer le prospect avant de décrocher le téléphone. Envoyez-lui du contenu, un lead magnet, une invitation à un webinaire. Quand l’appel arrive après une première exposition, il n’est plus une intrusion. Ce n’est pas une intuition : les séquences multicanal (e-mail + téléphone + LinkedIn) convertissent 28 à 37 % de mieux que le canal unique. Le téléphone reste un excellent outil — mais en deuxième ou troisième touche, pas en premier contact. (Sujet creusé dans Le cold calling est-il mort ?.)

    3. Cibler : raisonner Target Accounts

    Arrêtez de pêcher au filet. Décidez à l’avance d’une liste restreinte de comptes stratégiques, et concentrez vos moyens dessus. C’est la bascule du volume vers la précision chirurgicale — et c’est ce qui sépare les équipes qui s’épuisent de celles qui signent. J’ai détaillé la méthode complète dans Target Accounts : structurer une stratégie commerciale B2B qui rapporte.

    4. Construire une vraie liste de prospection

    Une liste exploitable, c’est une liste tenable en une semaine. Pas 2 000 lignes que personne ne traitera jamais. Une cinquantaine maximum. Pour chaque cible, le minimum vital : nom, prénom, poste, numéro de téléphone, e-mail. Assurez vous que les informations sont justes: une donnée fausse coûte plus cher qu’une donnée manquante; c’est elle qui fait perdre du temps et qui plombe les statistiques.

    5. Soyez humains: associez un contexte et un prétexte

    Lorsque vous rencontrez quelqu’un que vous souhaitez séduire, vous ne lui dites pas que vous la trouvez beau ou belle. Vous allez trouver un prétexte pour lui parler (le temps, le livre qu’il/elle lit, le cocktail qu’il/elle savoure). Sur un call de prospection c’est la même chose; mettez de l’humain dans l’échange. 

    C’est ce qui fait la différence entre un appel ignoré et une conversation qui démarre. Pour chaque compte, identifiez un contexte précis (un fait réel, observable) et un prétexte légitime (pourquoi vous, pourquoi maintenant). Exemple :

    « Je vous appelle car j’ai vu que [Entreprise] cherchait à se développer en Europe (contexte). Le volet sécurité et conformité est toujours sensible à l’entrée sur de nouveaux marchés, et j’ai accompagné plusieurs clients sur exactement ce sujet (prétexte). »

    En une phrase, vous avez prouvé que vous aviez fait vos devoirs, et donné une raison d’être écouté. C’est l’inverse du pitch générique. (Pour calibrer ce discours face à un interlocuteur technique, voir Comment vendre à un DSI ?.) Intégrez toujours le contexte et le prétexte dans votre liste de prospection. 

    Le vrai sujet : qui fait quoi, de l’IA ou de l’humain ?

    Voici le cadre que j’utilise pour répartir les tâches. Trois zones.

    ZonePrincipeConcrètement
    AutomatiserTout ce qui est répétitif, scalable et sans jugement relationnelDétection de signaux faibles, enrichissement de données, veille, séquencement des envois, mise à jour du CRM, reporting
    AugmenterL’IA prépare, l’humain décideRecherche de comptes, première trame de message à personnaliser, priorisation des leads, synthèse d’un échange, préparation d’un appel
    Réserver à l’humainTout ce qui crée de la confiance et arbitre la complexitéLa conversation de découverte, la qualification, la lecture des jeux de pouvoir, la négociation, le closing, la relation dans la durée

    La logique de fond est simple, et c’est exactement ce que pointe McKinsey : l’IA libère du temps sur les tâches à faible valeur ; le commercial réinvestit ce temps là où il est irremplaçable. L’erreur n’est pas d’utiliser l’IA. L’erreur, c’est de l’utiliser pour automatiser la partie humaine du métier.

    Par où commencer lundi matin

    1. Choisissez 10 à 30 comptes qui correspondent vraiment à votre client idéal. Pas plus.
    2. Mettez en place une ou deux alertes de signaux (prises de poste, recrutements, levées de fonds) sur ces comptes.
    3. Pour chacun, écrivez un contexte et un prétexte en une phrase. À la main.
    4. Construisez la liste nominative complète (nom, poste, téléphone, e-mail) — tenable en une semaine.
    5. Réchauffez (contenu, invitation), puis appelez. Jamais l’inverse.
    6. Laissez l’IA faire la recherche, l’enrichissement. Gardez la conversation pour vous.

    En résumé

    L’IA n’a pas tué la prospection. Elle a tué la prospection paresseuse — les séquences génériques, les contenus sans contexte, les appels à froid sans préparation. Ce qui survit, et qui surperforme, c’est une prospection ciblée, déclenchée par des signaux, réchauffée avant l’appel, et portée par un humain qui sait exactement à qui il parle et pourquoi.

    Vous voulez structurer votre prospection sur ces principes — signaux, ciblage, séquences multicanal ? Parlons-en, 30 minutes, sans engagement.

    Sources

    • McKinsey & Company — Unlocking gen AI in B2B sales (potentiel de productivité de l’IA générative sur les fonctions commerciales) : https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/unlocking-profitable-b2b-growth-through-gen-ai
    • Instantly — Cold Email Benchmark Report 2026 (évolution des taux de réponse 2019-2026)
    • Adience — B2B Buyer Expectations Study (novembre 2025) : part des acheteurs rebutés par une prospection visiblement générée par IA
    • Cognism — étude 2025 sur 200 000+ appels (taux de conversion du cold calling)
    • UserGems — Sales Trigger Events research (fenêtre des 90 jours des nouveaux dirigeants)
    • LinkedIn — données sur les achats technologiques des nouveaux dirigeants (100 premiers jours)
    • Craig Elias / SHiFT Selling — first-mover advantage après un signal déclencheur
    • Kondo — B2B Sales Benchmarks 2025 (nombre de points de contact pour conclure)
  • Oubliez l’organigramme. Dessinez la powermap.

    Oubliez l’organigramme. Dessinez la powermap.

    Quand on vend en B2B sur des comptes complexes, on a tous le même réflexe : reconstruire l’organigramme du prospect, identifier le décideur, mapper les rôles dans le CRM. Sauf que cette approche, aussi rationnelle soit-elle, passe à côté de l’essentiel.

    Car le pouvoir réel dans une entreprise ne se voit pas dans les cases et les flèches. Il vit dans les relations informelles, les influences silencieuses, les agendas personnels. Et c’est précisément ce que ni LinkedIn, ni votre CRM ne savent capturer.

    Dans cet épisode, je vous raconte comment j’ai perdu un deal à 150 000 € à cause d’une assistante de direction que je n’avais jamais croisée: et comment cette expérience m’a poussé à abandonner les usines à gaz pour revenir à un outil simple, visuel, et terriblement efficace : la powermap.

    Vous découvrirez :

    • Pourquoi l’organigramme est une illusion stratégique
    • Pourquoi tenter de le modéliser dans le CRM est une fausse bonne idée
    • Les 3 questions qui structurent une powermap utile

    🎧 Écouter l’épisode

    Café et Croissance, c’est le podcast qui vous aide en quelques minutes à mieux vendre. Un nouvel épisode régulièrement, toujours court, toujours actionnable.

    Vous avez aimé cet article ? Partagez-le à un collègue qui passe encore ses soirées à reconstruire des organigrammes sur LinkedIn. ☕