La VP RevOps d’une entreprise SaaS révèle que la prolifération des outils IA est un coût caché dont personne ne mesure l’ampleur
Découvrez pourquoi Mollie Bodensteiner affirme que l’IA ne réussit véritablement en RevOps que lorsque des données solides, des processus rigoureux et le jugement humain sont présents en premier lieu.
Mollie Bodensteiner
mollie-bodensteiner
Impact de l’IA: L’IA remet en question la dépendance traditionnelle au CRM, en mettant l’accent sur l’engagement en temps réel plutôt que sur la simple saisie de données.
Évaluation des opportunités: L’IA analyse une variété de signaux, renforçant ainsi l’évaluation de la santé des opportunités au-delà des champs classiques du CRM.
Évolution de la productivité: Réduire la prolifération des outils améliore la productivité, en concentrant l’intégration de l’IA dans les principaux espaces de travail.
Fondations de données: Des bases de données solides sont essentielles avant de mettre en œuvre l’IA afin de garantir la fiabilité des résultats.
Jugement humain: L’IA fournit des analyses, mais le choix final doit rester entre les mains de l’humain pour des résultats adaptés au contexte.
Mollie Bodensteiner est vice-présidente des opérations de revenus chez ZoomInfo, une société SaaS cotée en bourse qui dessert des clients d'entreprise dans le monde entier. Elle est également la créatrice de The RevTech Review.
Nous nous sommes entretenus avec Mollie pour comprendre comment elle transforme l’évaluation des opportunités et les workflows de prévisions avec l’IA. Voici ce qu’elle nous a partagé.
L'IA met à l’épreuve la solidité de vos fondations de données et de processus
Je dirige les opérations de revenus d'une société SaaS d’envergure internationale, cotée en bourse, qui sert des clients midsize et grands comptes du monde entier. Notre modèle fédéré couvre les opérations du pipeline, les opérations commerciales, l’expérience client, les partenariats et les systèmes GTM, soutenant une organisation go-to-market complexe avec de multiples approches.
Vous en voulez plus de The CRO Club ?
Créez un compte gratuit pour continuer la lecture et rejoindre des leaders modernes du revenu en utilisant des playbooks éprouvés, des retours d'expérience de pairs et des stratégies pilotées par l'IA pour construire un pipeline prévisible et une croissance scalable.
Have an account? Log In
Nous avons un modèle SaaS basé sur l’abonnement, impacté par l’usage, avec plusieurs motions commerciales : nouveaux clients, expansion et renouvellements, sur les segments self-service, mid-market et entreprise. Mon équipe RevOps compte environ 20 personnes qui soutiennent l’ensemble de l’organisation GTM.
Mon parcours comporte plus de 15 ans d'expérience à travers le go-to-market : RevOps, systèmes, rémunération, automatisation, planification des territoires et des quotas, architecture de données et ingénierie. J'ai construit et développé ces fonctions au sein de plusieurs licornes à hypercroissance, le genre d’entreprises où l’évolution du business dépasse la vitesse des systèmes censés le supporter.
Ce besoin permanent de reconstruction m’a forgée. À chaque fois qu'une société doublait de taille, les systèmes efficaces jusqu’alors devenaient obsolètes. J'ai appris à concevoir pour l’échelle avant qu’elle ne soit exigée.
C’est ce parcours qui m’a menée à ce moment en direction des revenus : il ne s’agit pas de courir après l’IA comme une tendance, mais d’en faire le prochain test pour savoir si vos fondations tiennent.
Comment les workflows propulsés par l’IA améliorent l’évaluation des opportunités et les prévisions
Le RevOps a bâti toute une carrière sur l’idée que le CRM est le référentiel ultime. Si ce n’est pas dans Salesforce, ça n’est pas arrivé, et la prévision n’est aussi fiable que ce qui a été saisi.
L’IA a fait tomber cette idée. Le CRM n’a jamais été la source de vérité. Ce n’était que ce qu’un commercial avait le temps de documenter, filtré par ce dont il se souvenait, ce qu’il pensait important, et ce qu’il préférait cacher. Le vrai signal se trouvait ailleurs : dans l’appel, dans le fil d’emails, dans la manière dont le prospect a répondu par rapport à la façon dont le commercial a rédigé son compte-rendu.
Alors nous avons changé ce que nous demandions aux commerciaux. Nous avons cessé de leur demander de saisir manuellement des notes et de mettre à jour des champs qu’un agent pouvait désormais déduire directement de l’appel. Leur rôle a évolué du simple enregistrement de données à la vente, et du fait de devoir défendre leur étape ou leur date de clôture à un réel engagement avec les enseignements des données.
Le processus de prévision a changé également. Plutôt que de partir de ce qu’un commercial a saisi pour le valider a posteriori, nous commençons avec l’ensemble complet des signaux et utilisons le CRM comme un input parmi tous les autres.
Une fois que tout cela est collecté dans une couche de contexte unique, le CRM cesse d’être le référentiel principal et devient une source parmi d’autres. Le référentiel, c’est désormais toute la réalité de la situation, pas juste le champ rempli par le commercial avant son prochain appel.
Un agent d’évaluation des opportunités en conditions réelles
Nous avons conçu un agent qui analyse les opportunités à mesure qu’elles progressent dans le pipeline, en intégrant à la fois les signaux de première main — activité CRM, notes d’appel, emails — et des signaux tiers — données d’intention, recherches sur le comité d’achat et contexte marché.
Il évalue la santé des deals selon le sentiment et l’engagement réels, pas simplement selon le remplissage des champs de méthodologie. Un deal peut cocher toutes les cases de MEDDPICC et cependant refroidir. Un autre peut manquer un champ et pourtant être brûlant.
Le modèle va au-delà des champs renseignés pour s’intéresser à ce qui se déroule réellement dans la conversation. Les acheteurs participent-ils aux appels, ou est-ce que le commercial s’adresse encore uniquement à un champion sans pouvoir de signature ? Quel type d’objections ou de questions émerge ? Sont-elles tactiques et attendues, ou témoignent-elles d’une remise en question côté acheteurs ? Le ton devient-il plus chaleureux ou plus froid au fil du temps ? La date de clôture est-elle réaliste, ou simplement fixée par le commercial sans validation par l’acheteur ?
Ce dernier point est plus important qu’on ne le pense. Il existe un véritable écart entre ce qui est dit en réunion et ce qu’un commercial retient et consigne, et c’est l’un de nos signaux de risque les plus forts. Le modèle détecte cet écart, en comparant les transcriptions d’appel et les notes avec ce que les commerciaux renseignent finalement dans le CRM.
Et le modèle suit aussi la réactivité au fil du temps, pas comme une photographie à l’instant T. Un acheteur qui répondait très vite il y a un mois mais qui ne donne plus signe de vie depuis deux semaines n’est pas du tout dans la même dynamique qu’un deal stable depuis le début.
Toutes ces informations sont regroupées dans une catégorie de risque qui pèse sur l’affaire dans le prévisionnel. Une affaire avec le bon acheteur engagé, une véritable urgence et une date de clôture défendable pèse vraiment. Une affaire où seul le commercial est optimiste quant au calendrier est dévalorisée, quel que soit son stade.
Voilà le changement : autrefois, la pondération du pipeline reflétait le stade de l’affaire dans le processus. Désormais, elle reflète ce qui se passe réellement.
Une affaire avec le bon acheteur engagé, une véritable urgence et une date de clôture défendable pèse vraiment. Une affaire où seul le commercial est optimiste quant au calendrier est dévalorisée, quel que soit son stade.
Comment la dépendance à l’IA crée des angles morts
Lorsqu’un agent attribue une note à un dossier, signale un risque ou recommande une prochaine étape, les commerciaux le suivent facilement sans se demander si cela convient à cet acheteur précis.
Le risque, ce n’est pas que l’IA se trompe parfois. C’est que les commerciaux arrêtent de vérifier. Ils externalisent la réflexion, pas seulement la tâche, et on ne s’en rend compte que lorsqu’une affaire en laquelle tout le monde avait confiance à cause du score s’effondre pour une raison que le modèle n’aurait jamais détectée.
C’est la dimension que la plupart des managers sous-estiment. L’IA est censée affûter le jugement, pas le remplacer. Si vos commerciaux ne peuvent pas expliquer pourquoi une affaire est solide autrement que par « le modèle l’a dit », vous avez simplement échangé un angle mort pour un autre.
Comment l’IA améliore les processus de revenus
Voici les résultats que j’observe dans l’ensemble.
Le côté positif : la variance du prévisionnel a diminué, ce qui a amélioré la couverture du pipeline. Nous sommes allés au-delà de l’analytique de base pour entrer dans l’insight et l’intelligence, qui indiquent aux commerciaux non seulement ce qui s’est passé mais aussi ce qu’il faut faire ensuite. Nous avons également développé des messages et des supports d’engagement plus pertinents, portés par un graphe de contexte qui met à disposition la bonne information au bon moment à chaque interaction, au lieu de discours génériques.
Le côté négatif : l’adoption de l’IA a créé de la dispersion avant de créer de la valeur. Plus d’outils signifiait plus d’endroits où les commerciaux devaient chercher, et, pendant un temps, cela a nui à la productivité au lieu de l’améliorer. Nous avons aussi appris qu’un agent construit sur de mauvaises données ne se contente pas d’échouer discrètement. Il échoue avec assurance, et se tromper avec assurance est pire que de ne pas savoir.
Les réussites étaient réelles, mais n’ont été visibles qu’après avoir stabilisé les bases. Chaque succès attribué à l’IA était en fait un succès de données et de processus étiqueté IA.
Pourquoi le coût de la dispersion des outils compte plus que les outils eux-mêmes
Parlons davantage de la dispersion. Au départ, l’ajout de nouveaux outils et fonctionnalités d’IA a accru la complexité, pas réduit. Les commerciaux avaient plus d’endroits où regarder, plus de systèmes générant des signaux, plus de tableaux de bord prétendant leur dire quoi faire ensuite. Les outils censés renforcer l’efficacité fragmentaient l’attention et ralentissaient l’exécution.
Nous avons donc volontairement réduit le périmètre sur lequel les commerciaux effectuent leur travail. Plutôt que d’ajouter un outil supplémentaire à chaque problème résolu, nous nous sommes demandé où devait réellement se trouver le commercial au quotidien, et avons intégré l’IA et les insights dans cet espace unique au lieu d’en créer un nouveau.
Résultat, les commerciaux passaient moins de temps à chercher où regarder et plus de temps à exécuter. La productivité a augmenté non pas parce que nous avions plus d’IA, mais parce que nous avons rendu l’IA existante plus utilisable. La dispersion était le coût caché que personne ne mesurait, et la corriger a eu plus d’impact que n’importe quel outil individuel déployé.
Pourquoi l’IA doit seulement faire des recommandations
L’IA peut recommander quoi faire. Mais elle ne peut pas être responsable du résultat. Lorsqu’une décision a de réelles conséquences pour une personne ou une relation, c’est à l’humain, pas au modèle, d’assumer la responsabilité.
L’IA éclaire donc les décisions qui bénéficient de la reconnaissance de modèles à grande échelle :
- Pondération du pipeline
- Santé des affaires
- Consolidation du prévisionnel
- Signaux de risque de perte de clientèle
L’IA peut traiter davantage de signaux qu’aucun humain ne saurait suivre, en révélant ce qui mérite qu’on s’y attarde.
Le jugement humain reste nécessaire pour les arbitrages qui impliquent des compromis que les données ne saisissent pas totalement. Cela inclut :
- Décisions sur la façon de gérer un commercial en difficulté par rapport à un territoire en difficulté
- Exceptions de tarification qui tiennent compte des relations, et pas seulement des chiffres
- Conception du plan POMP où les incitations orientent les comportements d'une manière que les modèles ne prévoient pas
- Décisions humaines — qui est prêt à élargir son périmètre, qui a besoin de soutien, et qui est un risque de départ par rapport à quelqu’un qui traverse seulement un trimestre difficile
Pourquoi les responsables commerciaux doivent se demander si "plus" est réellement nécessaire
L’outbound de masse généré par l’IA a été une déception. La promesse était l’échelle : plus d’e-mails, plus de personnalisation à grande échelle, plus d’opportunités. Cela n’a produit que du bruit. Les acheteurs savent quand un message a été généré pour tout le monde et personnalisé pour personne, et les taux de réponse le démontrent.
La leçon plus large est que l’IA excelle à amplifier ce qui fonctionne déjà. Elle a du mal à inventer la pertinence à partir de rien. Le volume n’a jamais été la contrainte dans l’outbound. La pertinence, oui. La pertinence demande toujours une décision humaine sur qui compte et pourquoi, avant que l’IA n’approche le message.
C’est le schéma que je surveille aujourd’hui. Quand nous utilisons l’IA pour faire "plus" de quelque chose, je me demande si "plus" était réellement le problème. Souvent, ce ne l’était pas.
Pourquoi les fondations de données sont déterminantes dans les transformations IA
L’IA ne corrige pas une fondation de données bancale ; elle la révèle. Tous les CRO à qui je parle veulent commencer par la partie excitante : l’agent, le copilote, l’outil qui promet de changer le comportement des commerciaux du jour au lendemain. Mais si les données en dessous sont fragmentées ou peu fiables, l’IA ne fait qu’automatiser la dysfonction – plus rapidement, et avec plus d’assurance.
Au final, les CRO qui en pâtissent ne sont pas ceux qui ont avancé trop lentement. Ce sont ceux qui ont acheté l’outil avant d’avoir réparé les fondations, puis ont perdu la confiance de leurs équipes lorsque les résultats étaient mauvais – et personne n’y a jamais plus cru.
Cette confiance est très difficile à reconstruire une fois qu’elle est perdue.
Comment éviter que le perfectionnisme ne fasse échouer la mise en œuvre de l’IA
Vouloir être parfait était une mauvaise intuition. J’ai perdu trop de temps au début à essayer de prévoir chaque cas extrême avant le lancement. Des semaines passées à bâtir des choses dont personne n’avait besoin, et un délai bien plus long avant que les commerciaux leur fassent réellement confiance.
Aujourd’hui, nous sélectionnons un problème étroit, nous le livrons à quelques commerciaux, et nous laissons l’usage réel nous dicter la suite.
Nous suivons l’usage réel, pas les sondages de satisfaction. Les commerciaux l’ont-ils ouvert ? Ont-ils agi sur la base de ses recommandations ? Sont-ils revenus ? Cela nous apprend plus en une semaine que n’importe quelle session de planification.
Si les commerciaux n’utilisent pas quelque chose, on le retire — rapidement. Même si cela a déjà été construit. Les efforts déjà consentis ne justifient pas de le garder.
Et nous progressons par étapes ciblées. Une fois que la version la plus basique fonctionne et que les commerciaux s’y fient, nous élargissons le déploiement et nous ajoutons la prochaine brique, au lieu de tout lancer d’emblée.
En bref, avancer vite, apprendre vite, et généraliser ce qui marche.
Conseils aux responsables commerciaux
Le but n’est pas d’automatiser les prises de décision à la place des humains. Il s’agit de leur donner une meilleure information, plus rapidement, pour que les décisions qu’ils doivent encore prendre soient plus avisées.
Voici mes conseils aux responsables commerciaux :
- Corrigez vos données avant d’acheter un nouvel outil.
- Résistez à la pression de tout adopter d’un coup. La bonne IA, au bon endroit, que les commerciaux utilisent vraiment — c’est ça, l’objectif.
- Suspendez votre jugement. Le but n’est pas d’éloigner la prise de décision des humains par l’automatisation. Il s’agit de fournir une meilleure information, plus rapidement, pour que les décisions qu’ils doivent encore prendre soient plus affûtées. Cette nuance, c’est l’essentiel aujourd’hui.
À suivre
Vous pouvez suivre Mollie Bodensteiner sur LinkedIn. Et découvrez The RevTech Review.
D’autres interviews d’experts à venir sur The CRO Club !
