Depuis deux ans, l’intelligence artificielle est présentée comme la solution miracle de la prospection commerciale. La réalité du terrain est plus nuancée : l’IA fait gagner un temps précieux sur certaines tâches, et fait perdre des affaires sur d’autres. Le tri entre les deux décide de qui en profite vraiment.
Une seule ligne sépare les deux camps : l’IA ne doit pas créer la donnée commerciale, elle doit travailler à partir d’une donnée déjà fiable. Les équipes qui appliquent ce principe gagnent plusieurs heures par semaine. Celles qui l’ignorent remplissent leur CRM d’informations invérifiables et abîment leur réputation d’expéditeur en quelques campagnes.
Ce que l’IA fait vraiment bien en prospection
Sur plusieurs usages, l’apport est réel et immédiat :
- Trier et prioriser : croiser des critères pour faire remonter les comptes les plus proches de votre cible, au lieu de traiter une liste à plat.
- Aider à la rédaction : proposer un premier brouillon d’e-mail ou reformuler un message, que le commercial ajuste ensuite.
- Résumer et préparer : synthétiser un historique d’échanges avant un rendez-vous, gagner du temps de préparation.
- Recopier et ranger : transformer des notes d’appel en compte rendu structuré et remonter l’information dans la bonne fiche, sans ressaisie.
Ces quatre usages ont un point commun : la matière existe déjà. L’IA la trie, la résume ou la range, elle ne la fabrique pas.
L’IA à chaque étape de la prospection B2B
Parler d’IA en bloc ne mène nulle part : l’apport change du tout au tout d’un bout à l’autre du cycle. Voici les huit moments d’une démarche de prospection et ce qu’il est raisonnable d’attendre de l’IA sur chacun. Pour le cadre général, notre guide de la prospection commerciale B2B détaille les canaux et les séquences.
1. Identifier les entreprises cibles
L’IA aide à traduire un ICP encore flou en critères manipulables : secteur, effectif, zone, code NAF. Travail de formulation, elle y est bonne. La liste, en revanche, doit sortir d’un référentiel réel : en France, la base Sirene et les données publiques recensent les entreprises et leurs établissements. Une recherche ICP qui s’appuie dessus renvoie des sociétés qui existent, avec les bons effectifs.
2. Trouver les bons interlocuteurs
C’est l’étape la plus exposée. Un modèle génératif sait très bien reconstituer un format d’adresse à partir d’un nom et d’un domaine. Deviner n’est pas trouver : une adresse reconstituée part en erreur ou atterrit dans un piège à spam. L’enrichissement des contacts et la vérification d’e-mail répondent à cette question, l’IA générative non.
3. Enrichir les fiches
L’enrichissement de données complète une fiche à partir d’une source identifiée, il ne comble pas des trous au jugé. L’enrichissement automatique depuis les données publiques françaises apporte le SIRET, l’effectif, le dirigeant, l’adresse et le secteur, avec une origine traçable. La nuance devient très concrète le jour où un client demande d’où vient une information de sa fiche.
4. Prioriser les comptes
C’est l’usage le plus rentable et le moins risqué. Un score se recalcule, se corrige, n’engage rien vis-à-vis du prospect. Croiser la proximité avec l’ICP, la fraîcheur des échanges et les signaux détectés permet de prioriser les comptes les plus susceptibles de répondre. Une erreur de tri coûte un appel mal placé, pas une affaire.
5. Rédiger le premier message
Le brouillon, oui. L’envoi, non. Un cold email généré et expédié tel quel se reconnaît à sa structure, à ses formules et à sa personnalisation de surface. Le bon réglage consiste à demander trois angles différents, à en garder un, et à le réécrire avec ce que le commercial sait du compte et que la machine ignore.
6. Relancer
La relance est le domaine naturel de l’automatisation : elle est prévisible, datée, et son oubli coûte plus cher que sa maladresse. Des scénarios d’e-mails déclenchés au bon moment valent mieux qu’un post-it. Le contenu, lui, reste relu une fois pour toutes avant la mise en route.
7. Préparer le rendez-vous
Résumer six mois d’échanges, un devis en cours et trois interlocuteurs en dix lignes fait gagner un quart d’heure par rendez-vous. À une condition : que le résumé porte sur le contenu du CRM et rien d’autre. Dès qu’il va chercher ailleurs, il mélange le vérifié et le supposé sans le signaler.
8. Mettre à jour le CRM
L’usage le moins spectaculaire et probablement le plus utile. Un compte rendu dicté après un appel, structuré et rangé dans la bonne fiche, c’est l’administratif qui disparaît sans que personne le regrette. Couplé à la mise à jour automatique des contacts, cela répond au vrai problème des CRM dans les PME : ils ne sont pas mal conçus, ils sont mal remplis.
Une constante traverse ces huit étapes. L’IA excelle à trier, résumer, reformuler et ranger. Elle échoue dès qu’on lui demande de produire un fait.
Ce qu’on délègue, et ce qu’on ne délègue jamais
| Tâche | IA ? | Pourquoi |
|---|---|---|
| Résumer un compte avant un rendez-vous | Oui | La matière vient du CRM, elle se vérifie en trente secondes. |
| Prioriser une liste de prospects | Oui | Un ordre de passage se corrige et n’engage rien auprès du prospect. |
| Rédiger un premier brouillon d’e-mail | Oui | La page blanche coûte du temps, la relecture coûte une minute. |
| Transformer des notes d’appel en compte rendu | Oui | L’information existe déjà, l’IA ne fait que la ranger. |
| Compléter une adresse e-mail ou un numéro manquant | Non | Une coordonnée reconstituée part en erreur et abîme la réputation du domaine. |
| Décrire une entreprise sans source identifiée | Non | Un fait généré est plausible, jamais opposable. |
| Envoyer une séquence entière sans relecture | Non | Le volume monte, le taux de réponse s’effondre, l’expéditeur se grille. |
| Décider qu’un prospect est intéressé | À valider | Un signal se détecte par la machine, une intention se qualifie en parlant. |
La règle tient en une phrase : l’IA a le droit de transformer une donnée, jamais de la produire.
Ce que l’IA fait mal, et qui coûte des affaires
Deux dérives reviennent systématiquement. La première est la sur-automatisation : des séquences entièrement générées et envoyées sans relecture, qui se ressemblent toutes et que les prospects repèrent en une seconde. Le volume monte, la délivrabilité baisse, et le domaine met des semaines à s’en remettre.
La seconde est plus sous-estimée, et c’est la plus grave : les données inventées. Une IA générative peut produire une information parfaitement plausible alors même qu’elle ne dispose d’aucune donnée fiable permettant de l’établir, et rien dans la forme de la réponse ne distingue ce qu’elle sait de ce qu’elle complète. Pour de la prospection, c’est un poison lent. Une base polluée se paie en relances envoyées au mauvais interlocuteur, en fiches invérifiables et en réunions où un commercial cite un fait qui n’existe pas.
La parade n’est pas l’IA, c’est la source. Un enrichissement fondé sur les données publiques françaises (INSEE, INPI, base Sirene) fournit des informations vérifiables plutôt que devinées, avec une origine que l’on peut citer. La différence entre une donnée sourcée et une donnée générée est invisible sur le papier, et décisive sur le terrain.
Trois situations vues de près
Le bon usage. Une société publie huit offres de commerciaux en six semaines. Le signal de recrutement remonte dans le CRM. L’IA résume le compte en cinq lignes : effectif, croissance, dirigeants, historique d’échanges. Le commercial lit, juge que le moment est bon, choisit son angle et déclenche la séquence. Quatre minutes au lieu de vingt. La donnée vient d’une source publique, l’IA l’a mise en forme, la décision est restée humaine.
Le mauvais usage. Une équipe soumet un fichier de deux mille lignes à un modèle généraliste pour compléter les adresses manquantes. Le fichier revient sans un seul trou, ce qui rassure tout le monde. À l’envoi, une part part en erreur, une autre atterrit dans des pièges à spam, et le domaine perd sa délivrabilité pour plusieurs semaines. Le fichier n’avait pas été complété, il avait été rempli.
Le cas ambigu, le plus instructif. Avant un rendez-vous, un commercial demande un résumé du compte. Le texte est juste sur tout ce qui vient du CRM, et faux sur un point : une levée de fonds qui n’a jamais eu lieu. Il la cite en réunion. Rien, à la lecture, ne séparait les deux moitiés du résumé : ce qui venait du CRM était vrai, ce qui venait du modèle était vraisemblable, et les deux étaient écrits sur le même ton. Le périmètre de la source compte plus que la qualité du modèle.
Storytime : Un des leaders du marché CRM qui intègre une IA a sorti cette illustration pour illustrer l’histoire de Charik … autant vous dire qu’au moment où j’écris cet article nous ne sommes pas encore à 70 salariés et 20000 clients all over the world. Si quelqu’un me prospecte avec cette information … il va vraiment passer pour un idiot.
IA et RGPD en prospection B2B : ce que le cadre autorise
La prospection entre professionnels bénéficie d’un cadre plus souple que la prospection grand public, et cette souplesse est mal comprise dans les deux sens. Quatre points suffisent à se situer.
- Pas de consentement préalable, mais un droit d’opposition. La CNIL admet qu’un e-mail de prospection adressé à une personne sur son adresse professionnelle ne requiert pas son accord préalable, à condition que le message se rapporte à sa fonction. En contrepartie, elle doit être informée au moment où son adresse est collectée et disposer d’un moyen simple de s’opposer dans chaque message.
- Une durée de conservation. La CNIL recommande de ne pas conserver les données d’un prospect au-delà de trois ans à compter du dernier contact resté sans réponse. Un fichier qui grossit sans jamais être purgé n’est pas seulement encombrant, il devient non conforme.
- L’IA ne déplace pas la responsabilité. Un message rédigé par un modèle reste un message envoyé par l’entreprise. Le RGPD impose l’exactitude des données personnelles : une fonction inventée ou un numéro reconstitué sont des données inexactes, quelle que soit la machine qui les a produites.
- Où partent vos fichiers. Déposer une liste de prospects dans un outil d’IA grand public revient à transmettre des données personnelles à un tiers, parfois hors de l’Union européenne, parfois réutilisables pour l’entraînement du modèle. Cela se vérifie avant, pas après, et c’est un argument concret en faveur d’un CRM hébergé en France.
Le cadre n’est pas un frein, c’est une exigence de méthode : savoir d’où vient chaque donnée et pouvoir le démontrer. Une source publique le permet par construction, un texte généré jamais.
Le commercial augmenté, pas remplacé
L’IA prend en charge le prévisible et le répétitif, le commercial garde ce qui demande du jugement : lire une intention, choisir le bon moment, personnaliser un message qui compte. Une équipe qui délègue tout à la machine perd ce qui fait vendre. Une équipe qui refuse tout en bloc perd du temps sur des tâches sans valeur.
Utiliser l’IA sans se griller : cinq règles
- Automatiser le prévisible, personnaliser le décisif.
- Relire systématiquement ce qui part au nom de l’entreprise, y compris dans une séquence automatisée.
- Ne jamais laisser une IA produire une donnée de contact : la chercher à la source et la vérifier.
- Cantonner les résumés au périmètre du CRM, pour que le vérifié ne se mélange pas au supposé.
- Mesurer, et couper. Une séquence automatisée qui ne convertit pas doit être arrêtée, pas répétée à plus grande échelle.
Charik s’inscrit dans cette logique : automatiser les e-mails de prospection, prioriser les bons comptes et enrichir les fiches avec des données fiables, sur un socle de données publiques françaises, sans déshumaniser la relation.
Questions fréquentes
L’IA remplace-t-elle les commerciaux en prospection ?
Non. L’IA fait bien le prévisible et le répétitif (tri, brouillons, résumés, mise à jour du CRM) mais échoue sur le jugement : lire une intention, choisir le bon moment, personnaliser un message décisif. La bonne approche est le commercial augmenté, pas remplacé.
Quelles tâches de prospection peut-on confier à l’IA ?
Celles qui transforment une donnée existante : prioriser une liste de comptes, résumer un historique avant un rendez-vous, rédiger un premier brouillon d’e-mail, transformer des notes d’appel en compte rendu structuré. Celles qu’il ne faut pas lui confier sont celles qui produisent un fait : compléter une adresse ou un numéro manquant, décrire une entreprise sans source, envoyer une séquence sans relecture.
Pourquoi l’IA générative invente-t-elle des données de contact ?
Parce qu’un modèle génératif produit une réponse plausible même lorsqu’il ne dispose d’aucune donnée fiable permettant de l’établir, et que rien dans la forme de la réponse ne signale la différence. Pour la prospection, il faut des données vérifiables issues d’une source identifiée, comme les données publiques françaises, pas des informations générées.
L’IA peut-elle trouver des e-mails et des numéros fiables ?
Un modèle génératif reconstitue un format d’adresse à partir d’un nom et d’un domaine, ce qui n’est pas la même chose que trouver une adresse valide. Les coordonnées se récupèrent auprès d’un service d’enrichissement qui les vérifie, puis se contrôlent avant tout envoi. Une coordonnée reconstituée génère un rebond, et les rebonds répétés dégradent la délivrabilité de tout le domaine.
Peut-on prospecter avec l’IA en respectant le RGPD ?
Oui, à trois conditions. La prospection par e-mail vers une adresse professionnelle repose sur un droit d’opposition et non sur un consentement préalable, dès lors que le message se rapporte à la fonction de la personne, qui doit être informée et pouvoir se désinscrire simplement. Les données personnelles doivent rester exactes, ce qui exclut les informations produites par un modèle. Enfin, il faut savoir où partent les fichiers déposés dans un outil d’IA, et si ces données servent à entraîner le modèle.
Comment automatiser sa prospection avec l’IA sans tomber dans le spam ?
En automatisant le prévisible (relances, brouillons, mise à jour des fiches) tout en personnalisant les messages décisifs, en relisant systématiquement ce qui part, en vérifiant les coordonnées à la source, et en coupant les séquences qui ne convertissent pas au lieu de les répéter à plus grande échelle.
