Le CRO partage ses workflows agentiques et nous explique où l’IA échoue dans le cycle de vie des revenus

André Magrini est le CRO chez OGI. Fort de 20 ans d'expérience dans le domaine des revenus, il s'intéresse actuellement de près aux workflows agentiques qui soutiennent les prises de décision à forts enjeux.

Nous avons rencontré André pour découvrir comment il utilise ses agents — et où l’IA pose des problèmes inattendus. Voici ce qu’il nous a confié.

Systèmes d'IA pour la prise de décisions à forts enjeux

Je suis André Magrini, Chief Revenue Officer chez OGI, la branche internationale du groupe Objective. Mon domaine, c'est le revenu, mais mon obsession, c'est la manière dont nous décidons du revenu : le jugement humain derrière chaque pipe qualifié, chaque prévision, chaque discussion « cette affaire est-elle réelle ? ».

Mon parcours n’a pas été linéaire. J'ai passé des années à construire et piloter des stratégies go-to-market menées sciemment par le réseau et la discipline plutôt que par la force brute — petites équipes, relations de confiance, qualification rigoureuse. Cela m’a appris une chose que l’on oublie souvent dans les discussions sur l’IA : le goulot d’étranglement en revenu n’est pas l’activité, c’est la qualité des décisions en situation d’incertitude. Les commerciaux et leurs managers sont submergés d'informations, mais devinent encore trop souvent.

C’est ce qui m’a amené à plonger dans l’IA. En parallèle de mon rôle de CRO, j’ai conçu des systèmes d’intelligence artificielle pour la prise de décision à fort enjeu — où le coût d’une réponse confiante mais erronée est réel.

Ainsi, à ce stade, il ne s'agit plus tant « d’adopter des outils d’IA » que de « repenser le moteur de revenu autour de meilleures décisions ». Pas une IA qui génère plus d’e-mails — une IA qui vous indique sur quelles affaires vous concentrer, où la prévision est fragile, et quand la réponse honnête est « nous ne savons pas encore ». Voilà la transformation qui m’intéresse.

Accélérer la transformation numérique

Chez OGI, nous conseillons et accompagnons les entreprises qui mènent leur transformation numérique — nous ne faisons pas que recommander une stratégie ; nous livrons des résultats concrets. Notre GTM repose sur un modèle « land-and-expand » axé sur un ROI clair et direct. Nous obtenons le premier engagement en prouvant notre valeur mesurable, puis nous développons le compte à partir de là.

Nous sommes une équipe internationale avec des bureaux en Amérique du Nord, Amérique du Sud et Europe. Cette implantation nous permet de servir de grandes multinationales dans de nombreux secteurs — de l’alimentation aux biens de consommation, en passant par de grandes banques publiques — et de nous adapter à des cultures d’achat et des cycles de décision très divers.

Notre écosystème de partenaires joue un rôle clé dans notre offre. Nous travaillons en étroite collaboration avec des plateformes comme Databricks, Snowflake et Liferay, ainsi qu’avec les principaux fournisseurs de cloud comme Azure et AWS. Cela nous permet de rejoindre les clients sur l’infrastructure qu’ils ont déjà choisie.

Comment les agents peuvent appuyer la préparation des comptes

Notre goulot d’étranglement n’a jamais été le nombre de leads ; c’était la préparation. Avant qu’un commercial ne touche à un compte, un membre senior devait accomplir tout le travail de fond : chercher des informations sur l’entreprise, identifier qui détient vraiment le budget et qui fait juste acte de présence en réunion, trouver un motif crédible pour approcher, et passer le tout au filtre BANT afin de juger si la démarche en vaut la peine.

Avec une petite équipe de cadres répartis sur trois régions, ce travail reposait toujours sur les mêmes personnes qui auraient pourtant dû être face aux clients. Le processus était lent et inégal. Deux d’entre nous qui recherchaient un même type de compte en revenaient avec des niveaux de profondeur et de conclusion différents.

J’ai créé ce que j’appelle notre « CRO Squad ». J’ai conçu une série d’agents d’IA pour réaliser ce travail de fond. Cela inclut une analyse approfondie du compte, une cartographie des vrais décideurs, l’identification de signaux pertinents et l'entrée en relation, ainsi qu’une qualification structurée en première approche. Lorsqu’un humain reprend le dossier, il a déjà face à lui un go/no-go argumenté, au lieu d’une feuille blanche.

Résultat : une préparation qui prenait 5 heures ne prend plus que 15 minutes. Comme chaque compte suit le même processus, ce à quoi nous disons non est aussi réfléchi que ce que nous poursuivons.

Au sein d'une équipe réduite, notre ressource la plus rare n'est pas l'effectif ou le pipe ; c'est l'attention de ceux capables de bien comprendre une affaire. Chaque heure passée à collecter des données sur une entreprise, c'était une heure de moins à décider quoi en faire.

Un workflow de préparation de comptes en conditions réelles

Voici le workflow que nous utilisons pour les comptes cibles totalement nouveaux.

Tout commence par un déclencheur. Les déclencheurs incluent les signaux du marché, les actions des partenaires (par exemple, Databricks ou Snowflake signalant l’activité sur un compte), les clients existants demandant une expansion, ou le fait qu’un membre de mon équipe suggère un nom. Quelle que soit la provenance, le compte entre dans le workflow et l’équipe CRO démarre son travail.

Les agents élaborent un dossier détaillant les opérations de l’entreprise, sa pile technologique, les signaux récents (comme des recrutements dans la direction, des initiatives de transformation, des financements, de la presse), ainsi qu’une cartographie organisationnelle distinguant les preneurs de décision des simples participants aux réunions. Chaque affirmation présente dans le dossier doit inclure sa source. Si un agent ne peut pas fournir une source, il ne peut pas avancer l’affirmation.

Vient ensuite une première évaluation structurée, de type BANT, qui passe le compte au crible de nos critères de qualification. Ce qui importe le plus, c’est que l’IA signale les zones où elle manque de confiance. Si le signal sur le budget est faible ou l’autorité estimée, elle l’indique clairement, au lieu de présenter une supposition fragile comme un fait établi. Je préfère lire dix marquages honnêtes de « faible confiance » qu’une seule phrase affirmée à laquelle je ne peux me fier.

Ensuite, place au contrôle humain, une étape souvent négligée. Avant de consulter la sortie de l’IA, le représentant rédige d’abord sa propre évaluation du compte. Il y consigne son intuition, son point de vue et son instinct pour avancer ou non. Ce n’est qu’ensuite qu’il ouvre le dossier pour le comparer avec le sien. S’il y a concordance, on avance ; s’il y a divergence, cela engage une discussion ciblée sur les points signalés comme incertains par l’IA. La décision d’avancer ou non est entièrement humaine.

Beaucoup de comptes s’arrêtent intentionnellement là. Nous disqualifions tôt pour éviter de gaspiller le temps des cadres sur des opportunités irréalistes.

Pour les comptes retenus, l’IA aide à bâtir l’approche : la valeur et la thèse de ROI pour ce compte précis, le point d’entrée, et le meilleur choix de partenaire et de solution. Toutefois, c’est le représentant qui compose le message et la conversation, afin que cela reste un échange de personne à personne, et non une prise de contact générée en masse.

À partir de là, le processus fonctionne en boucle. Au fur et à mesure de l’avancement de l’affaire, les agents scrutent en permanence les signaux — risque d’essoufflement, risque de perte de client, ou déclencheurs d’expansion — et nous alertent si la prévision semble incertaine. L’appel de prévision et la relation demeurent humains.

Comment l’IA fait évoluer les indicateurs GTM

André partage

Plus de couverture n’est pas toujours mieux. Lorsque l’IA a supprimé le goulot d’étranglement de la recherche et de la qualification, je m’attendais au bénéfice évident : Cela a eu l’effet inverse.

Plus de couverture n’est pas forcément synonyme de meilleure couverture. Lorsque l’IA a supprimé le goulot d’étranglement de la recherche et de la qualification, je m’attendais à la conséquence logique : mon équipe couvrirait beaucoup plus de comptes, et le pipe exploserait.

Il s’est produit l’inverse. Bien que nous ayons soudainement pu qualifier un volume énorme de comptes, la majorité de ce que nous avons récupéré était des opportunités “qualifiées” mais sans valeur. Plus de couverture a simplement généré plus de bruit. Le choix et la profondeur de la relation comptaient bien plus que l’échelle.

J’ai donc changé mes mesures. J’ai cessé d’évaluer la santé GTM par le volume et la couverture ; je la mesure désormais par la qualité de la sélection et l’endroit où mes cadres passent leurs heures. Le vrai levier s’est révélé être la soustraction, pas l’addition. Dire non plus vite, concentrer l’équipe senior sur moins de comptes, et aller plus en profondeur plutôt qu’en largeur.

Ce fut difficile à admettre, car cela contredisait la manière dont j’ai dirigé mes équipes pendant vingt ans.

Ce qui doit rester du ressort de l’humain vs. ce que l’IA doit gérer

Dès lors qu’on cesse de voir l’IA comme un multiplicateur de productivité, et qu’on l’envisage comme un moyen de protéger l’attention d’une petite équipe, la répartition entre IA et humain devient limpide.

L’IA collecte et hiérarchise : recherche de comptes, cartographie organisationnelle, et premier passage BANT. Elle informe aussi la priorisation du pipe, opère un scoring des affaires et le triage pour éviter que tout le monde ne regarde les mêmes quarante opportunités de manière superficielle, et capte des signaux tels qu’un compte prêt à se développer ou au contraire qui refroidit en silence. Pour la prévision, elle rassemble les données, et — ce qui m’est encore plus utile — indique où l’appel est fragile. Elle m’indique les chiffres auxquels elle ne fait pas confiance.

Les décisions reviennent aux humains. J’assume le chiffre final du prévisionnel. Les humains pilotent la tarification et la stratégie commerciale. Les humains gèrent la relation et la négociation, point final. Nous ne confions jamais à un modèle une décision importante concernant un client — là où nous engageons un ROI ou lorsque la confiance est en jeu. Ce n’est pas sentimental : ces décisions sont prises dans une véritable incertitude, avec un contexte qui vit dans la salle et dans l’histoire partagée avec le client, pas dans les données. C’est précisément là que le modèle est le plus faible, et où l’erreur coûte le plus cher.

Un exemple de pourquoi le jugement humain est indispensable pour les nouveaux deals

L'an dernier, nous avions un accord avec un fabricant mondial qui était favorisé par le système. Tous les indicateurs étaient au vert : des dizaines d'e-mails chaque semaine, des appels réguliers, et six ou sept parties prenantes actives dans la boucle. L'équipe CRO l'avait classé parmi les meilleures opportunités du pipeline et m'a demandé d'insister, de le placer en prévision et de pousser pour la signature. Sur le papier, c'était notre accord le plus prometteur.

Mon commerciale senior sur le compte était d'avis contraire, et elle avait raison. Toute cette activité n'était pas de l'élan ; c'était de la friction. Sept personnes étaient présentes parce qu'aucune d'entre elles ne pouvait dire oui. Les réunions se répétaient parce que l'affaire retombait toujours sur la même question sans réponse. Notre contact le plus enthousiaste, à l'origine de la plupart des échanges par e-mail, n'avait aucun pouvoir budgétaire. L'IA interprétait le volume comme une intention. Mais le vrai problème, c'était la politique interne et un groupe d'achat trop frileux pour prendre une décision.

La machine ne percevait pas le silence du seul dirigeant important, ni la tension latente à chaque fois que la question du prix était abordée. Les métadonnées d'engagement ne révèlent pas ces sous-entendus. Notre commerciale le savait parce qu'elle connaissait les personnes.

Nous lui avons fait confiance, abaissé la note de l'affaire et cessé d'y investir des heures de cadres. Nous avions raison, nous évitant ainsi tout un trimestre d'efforts inutiles. Cela a renforcé une règle que nous suivons toujours : l'IA apporte les faits ; les humains lisent entre les lignes.

Comment l’IA améliore l’efficacité, la discipline et les taux de signature

Globalement, le gain de temps est l’avantage évident avec l’IA. Les agents de préparation des comptes nous permettent déjà d’appliquer le même processus à environ trois fois plus de comptes avec les mêmes effectifs. Nous n'avons pas embauché ; nous avons rendu du temps à nos équipes existantes, et ces heures sont désormais consacrées aux clients au lieu d’être passées sur des tableurs.

Un autre avantage, plus discret, est la discipline. Nous éliminons plus tôt les mauvais dossiers. Nous disons non plus rapidement aux mauvaises opportunités, ce qui peut sembler négatif mais constitue au contraire un des progrès les plus sains pour notre pipeline.

Je ne fournirai pas de taux de réussite précis, car je ne pense pas que le chiffre serait encore honnête. Ce que je peux dire, c’est que nous constatons une hausse mesurable de la conversion sur les affaires que nous décidons de poursuivre, et les prévisions réservent moins de surprises. Cela tient en partie à des choix mieux ciblés. L’autre partie vient de l’IA qui montre où la prévision manque de fondements, là où les preuves ne soutiennent pas vraiment notre pronostic. Une surprise anticipée trois semaines à l’avance n’en est plus vraiment une. Voilà ce qui a le plus fait évoluer la façon dont nous pilotons le trimestre, bien plus que n’importe quel indicateur isolé.

Pourquoi les résultats de l’IA doivent être considérés comme des brouillons

Au début, nous faisions trop confiance à ses résultats. La recherche semblait propre, bien rédigée, sûre d’elle-même, et présentée comme un véritable rapport d’analyse. Mais dans certains cas, elle comportait des erreurs cruciales.

Une cartographie de compte avait identifié le mauvais décideur. Une autre reposait sur un signal obsolète depuis des mois. L’une d’elles a failli être utilisée en rendez-vous client avant qu’un membre de l’équipe ne s’en rende compte. Cela nous a bien plus effrayés qu’une cible ratée, car la confiance mal placée est le mode d’échec le plus coûteux qui soit.

Des tensions internes sont aussi apparues. Mon équipe est expérimentée. Le dernier souhait d’un bon commercial est qu’une machine lui attribue un score et sous-entende qu’elle connaît mieux le compte que lui.

Nous avons cessé de traiter les résultats de l’IA comme une vérité, pour les considérer comme des brouillons. Le système indique maintenant quand il n’est pas sûr, et repasse la main à un humain au lieu de deviner. Quand l’équipe a compris que l’IA était là pour faire le travail fastidieux et préserver leur jugement, pas pour le remplacer, la résistance a vite diminué. Ils ont commencé à lui faire confiance parce qu’elle a su gagner cette confiance, et reconnaître quand elle ne savait pas.

Trois domaines où l’IA échoue dans les workflows commerciaux

Le plus gros échec de l’IA a probablement été la prospection. Nous pensions qu’elle permettrait de générer du pipeline, en envoyant des messages personnalisés à grande échelle à des centaines de comptes, tout en donnant une impression de communication individualisée. Cela n’a pas fonctionné.

Dans les affaires d’entreprise complexes à forte valeur ajoutée, envoyer plus de messages ne génère pas plus d’opportunités. Les acheteurs que je cible reconnaissent tout de suite l’automatisation et suppriment immédiatement ces messages. Résultat : au lieu d’augmenter les réponses, nous les avons fait chuter. L’IA excelle pour préparer un interlocuteur humain à la conversation, mais échoue à remplacer la conversation elle-même.

La prévision a également été un échec, et cela m’a encore plus surpris. On affirmait que l’IA prédirait les revenus mieux qu’un cadre expérimenté analysant les mêmes dossiers. Ce n’était pas vrai. Ce qui fait réellement bouger les chiffres en entreprise, ce sont des informations que l’on ne trouve pas dans les données. Un sponsor qui part. Un budget gelé deux semaines avant la conclusion. Un changement politique discret chez le client qui laisse soudainement votre allié sans soutien. Le modèle ne voit rien de cela. Il signale authentiquement la fragilité, m’indiquant quels dossiers semblent fragiles, mais il ne peut pas prévoir le trimestre. Le jugement des seniors reste supérieur à ce niveau-là.

Et le dernier échec fut de raccourcir le cycle de vente. Presque aucune influence. Un cycle de vente en entreprise suit le rythme du client, pas le nôtre : achats, juridique, comité, calendrier budgétaire. Nous pouvons accélérer significativement le côté vendeur — et nous l’avons fait — mais nous ne pouvons pas accélérer le côté acheteur, qui est celui qui fixe le tempo.

Pourquoi les responsables des revenus doivent s’attacher à la dimension humaine de l’adoption de l’IA

André Shares

L’adoption imposée est un sabotage silencieux exprimé avec plus de courtoisie.

Je me suis totalement trompé sur la dimension humaine. Je l’ai traité comme un simple déploiement d’outil au lieu d’un changement de comportement. J’ai réalisé quelque chose, je l’ai livré clé en main, pensant que l’adoption irait de soi.

J’ai rencontré de la résistance. Certains ne l’utilisaient que parce qu’on leur imposait. D’autres l’ignoraient discrètement. L’adoption imposée est un sabotage silencieux exprimé avec plus de courtoisie.

Si je pouvais recommencer, j’impliquerais l’équipe dans la co-création dès le premier jour, au lieu de leur imposer une solution toute faite.

J’aurais ainsi économisé des mois à courir après le «parfait outil» alors que le vrai problème était dans des critères non écrits et une équipe non mobilisée. J’aurais commencé plus petit, sur un seul processus avec l’équipe présente, et j’aurais défini les critères d’abord. Cela m’aurait évité un faux départ coûteux et m’aurait permis de préserver la confiance que j’ai dû ensuite regagner.

Quatre conseils pour les responsables des revenus

Voici mes conseils :

1. Commencez par une question, pas par un outil. Demandez-vous quelle est la ressource la plus rare de votre équipe. Pour presque tous en vente complexe, c’est le discernement et l’attention, pas l’activité. Vos meilleurs éléments disposent d’un nombre limité d’heures où ils réfléchissent lucidement aux dossiers ; c’est cela qui manque. Orientez donc l’IA pour protéger ce temps.
2. Soyez honnête avec vous-même sur les métriques de vanité. Plus d’e-mails, plus de contacts, plus de contenus, plus d’activités dans le système. En vente complexe, c’est bien souvent du bruit déguisé en progrès. L’IA est très douée pour créer une activité qui donne l’illusion du travail sans produire quoi que ce soit. Si votre seule preuve qu’elle aide, c’est que votre équipe est plus occupée, vous avez fait fausse route.
3. Exigez que vos systèmes d’IA sachent dire « Je ne sais pas » et passer la main à un humain. Considérez chaque résultat comme un brouillon à vérifier, jamais une vérité absolue.
4. Commencez petit et évaluez l’IA honnêtement. Ne déléguez pas votre discipline de revenus à un modèle en le présentant comme une transformation. Dans ce cycle, l’avantage n’ira pas à ceux qui adoptent le plus d’IA, mais à ceux qui savent garder le jugement humain focalisé sur l’essentiel et refusent de laisser l’outil trancher ce qui doit rester du ressort d’une personne.

Suivez-nous

Vous pouvez suivre le travail d’André Magrini sur LinkedIn ou consulter son site personnel.

D’autres entretiens d’experts à venir sur The CRO Club !