Le vice-président des ventes explique comment les équipes de revenus peuvent rejoindre les 6 % ayant réussi à mettre en œuvre l’IA

Byron Munson est le vice-président des ventes pour la région JAPAC chez Supermetrics.

Nous nous sommes entretenus avec Byron pour comprendre pourquoi seulement 6 % des équipes ont réussi à mettre en œuvre l'IA — et comment il y parvient avec son équipe. Voici ce qu'il nous a expliqué.

Construire des moteurs commerciaux à partir de zéro

Je suis Byron Munson, vice-président des ventes pour la région JAPAC chez Supermetrics, une entreprise mondiale de technologie marketing en phase de croissance. Notre clientèle va des PME aux plus grandes marques internationales. Notre structure de mise sur le marché repose sur un modèle allégé de responsables grands comptes et de responsables commerciaux, ainsi que sur une organisation de partenaires.

J'ai passé plus de vingt ans entre l'APAC et l'EMEA à construire des moteurs commerciaux à partir de zéro jusqu'à atteindre une envergure régionale. J'ai commencé dans la publicité chez DDB et McCann à Sydney, puis je suis passé à la technologie publicitaire chez Adconion London et Videology SEA, avant de rejoindre la technologie marketing chez Datorama. J'ai contribué à diriger les activités APAC de Datorama et finalisé l'acquisition par Salesforce dans la région.

Le fait d'avoir vécu deux acquisitions de l'intérieur m'a beaucoup appris, des choses que je n'aurais jamais découvertes dans une présentation stratégique : ce qui survit dans une organisation plus grande, ce qui est reconstruit et ce qui disparaît progressivement.

J'ai également fondé ma propre entreprise, une start-up de technologie climatique appelée Climagap, ce qui m'a apporté une bonne dose d'humilité lorsqu'il s'agissait d'imaginer une idée, d'obtenir des financements et de la commercialiser à partir de zéro. En fin de compte, l'entreprise n'a pas changé d'échelle pour diverses raisons, et j'ai donc décidé de cesser ses activités.

Chez Supermetrics, je dirige une équipe régionale d'environ 20 collaborateurs pluridisciplinaires. Nous avons développé la région JAPAC, qui ne disposait d'aucune présence locale dédiée, jusqu'à en faire une opération régionale d'envergure. Cela comprend un écosystème de partenaires qui donne accès à des spécialistes solides de la mise en œuvre et des opérations technologiques sur les marchés locaux, ce qui est essentiel à une croissance durable et au succès à long terme de nos clients.

Une organisation génératrice de revenus touchée par l'IA sur deux fronts

Plus récemment, cela s'est étendu à l'IA sur deux fronts. En interne, nous avons construit notre propre infrastructure de revenus pilotée par l'IA — couvrant la santé du pipeline, les risques clients et le coaching commercial — en nous appuyant sur nos propres données. Cela m'a appris directement que l'adoption de l'IA est avant tout un problème de confiance et de gestion du changement, et non un problème technologique.

Et en externe, j'ai observé la même évolution chez nos clients : des marques et des agences submergées par la surcharge de données. Le véritable déblocage ne réside pas dans davantage de données, mais dans l'aide apportée pour décider plus rapidement.

Nos partenariats avec des modèles de langage de grande taille, notamment notre rôle récent de partenaire de lancement de Gemini Enterprise de Google dans la région, se situent à cette intersection — en mettant directement entre les mains des spécialistes du marketing une intelligence marketing alimentée par l'IA. Honnêtement, j'ai compris que tout ne repose pas sur la technologie ; les gens n'agissent que sur la base d'informations auxquelles ils font confiance, qu'il s'agisse d'un commercial qui suit une recommandation de coaching ou d'un client qui fait suffisamment confiance à une recommandation pour modifier ses plans d'investissement marketing.

Les domaines où l'IA excelle et ceux où son utilité s'arrête

L'IA facilite la prise de décision en fournissant des informations. La propension à monter en gamme en est l'exemple le plus évident ; dans une approche en libre-service, les signaux d'utilisation, de facturation et d'engagement peuvent se trouver dans des systèmes déconnectés, sans lien naturel entre eux. L'IA rassemble ces sources de données et révèle clairement quels clients sont prêts à étendre leur utilisation.

Mais l'IA n'est jamais le seul moteur. Tout ce qui reste entièrement humain comprend la tarification, la négociation et tout ce qui repose sur la confiance et les interactions interpersonnelles. L'IA peut me dire qu'un compte est prêt. Elle ne peut pas avoir la conversation.

Il convient également de noter que tous les paris sur l'IA ne se transforment pas en revenus aussi rapidement que l'enthousiasme pour l'IA pourrait le laisser penser. Certains mobilisent une capacité importante avant de produire des résultats significatifs.

C'est pourquoi le risque que je surveille le plus attentivement est la fausse confiance. Les résultats de l'IA peuvent sembler soignés et définitifs, même lorsqu'ils reposent sur des données limitées. Je les considère comme une première ébauche produite par un analyste débutant : utile, mais je n'agis pas dessus sans les vérifier.

Deux domaines dans lesquels l'IA n'est pas à la hauteur dans les organisations commerciales

Je constate deux échecs préoccupants en ce qui concerne l'IA dans le domaine commercial.

Le plus évident concerne la personnalisation générée par l'IA dans la prospection sortante. Elle est efficace selon tous les indicateurs d'activité, mais elle n'a pas amélioré le taux de réussite, car les acheteurs repèrent instantanément une personnalisation artificielle.

En voici un autre, plus subtil : laisser un modèle évaluer automatiquement le risque d'une affaire. Il avait suffisamment souvent raison pour inspirer confiance, mais se trompait précisément là où c'était important : lorsque les relations se détérioraient, ce qui n'apparaît jamais dans les données structurées.

Dans les deux cas, l'intervention d'un humain est nécessaire.

Comment l'utilisation de l'IA dans la gestion des performances et la stratégie de marché améliore les décisions

J'ai récemment procédé à deux changements majeurs :

1. Gestion des performances : Nous identifions désormais les risques individuels et ceux liés à l'équipe avant qu'ils ne deviennent un problème de performance, et non après. Nous privilégions une résolution proactive plutôt qu'une approche post-mortem. Pour cela, nous rassemblons les transcriptions des appels, l'historique du pipeline, les notes du CRM, les revenus par gamme de produits et les retours des clients, puis l'IA fait ressortir les comportements sous-jacents.
2. Stratégie de marché : L'analyse de quatre années de données opérationnelles à l'échelle de la région a fait ressortir une tendance spécifique à la Thaïlande, ce qui nous a conduits à nous développer en privilégiant une stratégie axée sur les partenaires. Nous avons développé un solide réseau de partenaires de solutions sur le marché, plutôt que d'y déployer nous-mêmes des équipes.

Nous y sommes parvenus en connectant toutes nos données internes et nos plateformes tierces à notre environnement Claude. En définitive, cela fournit la base nécessaire pour prendre à grande échelle des décisions reproductibles et ayant un impact commercial. Il ne s'agit pas d'une analyse approfondie ponctuelle, mais d'une approche cohérente et durable.

Byron partage

Nous avons développé un solide réseau de partenaires de solutions sur le marché, plutôt que d’y déployer nous-mêmes des équipes.

Comment l'IA rend possible une collaboration centrée sur le client

Les équipes commerciales et de réussite client ont toujours travaillé côte à côte : un même client, deux fonctions, deux systèmes de référence, deux versions de la réalité. Ce n'est pas un partenariat. C'est un fonctionnement en parallèle.

Le secteur a fini par établir ce diagnostic. Les dirigeants commerciaux sérieux s'accordent désormais sur le principe suivant : « Un chiffre, une dynamique, une source de vérité. » Le GTM comme système connecté, et non comme une succession de transmissions.

Cette idée n'est plus controversée. Mais la plupart s'arrêtent à la structure : quotas partagés, tableaux de bord unifiés, consolidation du CRM. Ce n'est que de la plomberie. Cela ne répond pas à la question : « Comment deux fonctions, s'appuyant sur deux systèmes différents, peuvent-elles un jour décrire le même client de la même manière ? »

Voici le mécanisme : lorsque le langage issu de chaque point de contact avec le client (vente, intégration et renouvellement) se trouve dans un LLM connecté à vos données, il n'existe plus une version du client propre aux ventes et une version propre à la réussite client.

C'est ainsi que la collaboration et la transparence se manifestent concrètement. Il ne s'agit pas d'une valeur affichée sur une diapositive, mais d'une structure qui empêche les équipes de perdre de vue le client. Voilà à quoi ressemble une collaboration centrée sur le client.

Comment adopter efficacement l'IA dans les organisations commerciales

89 % des équipes ressentent la pression d'adopter l'IA. Seulement 6 % l'ont effectivement mise en œuvre. Cet écart représente une opportunité (Supermetrics, Rapport sur les données marketing 2026).

Voici comment combler cet écart :

1. Évaluez vos lacunes et vos besoins. Définissez vos objectifs et associez les tests A/B afin de faire émerger la véritable orientation à long terme. Cartographiez ensuite vos données. Si vous ne les connectez pas, le LLM n’a aucun contexte. La plupart des « initiatives d’IA » qui stagnent trouvent leur origine dans des problèmes d’hygiène des données. Si vous ne faites pas confiance aux données d’entrée, vous ne pouvez pas faire confiance aux résultats.
2. Ne déployez pas l’IA dans toute l’organisation dès le premier jour. Identifiez la tâche qui ralentit le plus votre équipe : résumés d’opportunités, préparation des QBR, hygiène du pipeline. Reconstruisez ce flux de travail unique avec tout son contexte. Prouvez les gains d’efficacité avant de passer à l’échelle.
3. Écrivez les règles noir sur blanc. Vos commerciaux s’appuient sur un jugement non documenté — ce à quoi ressemble une opportunité saine, ce que signifie « bloquée » au neuvième mois et comment ils distinguent les renouvellements des ventes additionnelles. Si vous ne l’écrivez pas, votre LLM ne peut pas l’utiliser, pas plus que les nouvelles recrues.
4. Mesurez l’adoption en fonction des décisions modifiées, et non du nombre de licences activées. Le nombre de licences et les statistiques de connexion ne vous apprennent rien. Suivez la manière dont les informations mises en évidence par l’IA modifient les prévisions, les stratégies commerciales ou les échanges de coaching. C’est le seul indicateur qui permet de distinguer une véritable mise en œuvre de ceux qui ne dépassent jamais le stade du projet pilote.

Byron partage

Voici comment combler cette lacune : évaluez vos lacunes et vos besoins. Ne déployez pas l’IA dans toute l’organisation dès le premier jour. Écrivez les règles noir sur blanc. Mesurez l’adoption en fonction des décisions modifiées, et non du nombre de licences activées.

Pourquoi les LLM doivent être intégrés comme de nouvelles recrues

Et encore une chose : intégrez votre LLM comme vous le feriez pour une nouvelle recrue. Si vous sautez cette étape d’intégration, vous obtenez de l’assurance sans compétence.

Un nouvel employé n’obtient pas accès au CRM ou à votre guide opérationnel sans connaître les rôles et les responsabilités et sans comprendre ce que signifie « faire du bon travail ». Un LLM a besoin des quatre éléments clés suivants avant de toucher aux données réelles :

• Vos objectifs : ce que signifie « sain » pour ce pipeline, ce trimestre et cette région
• Vos définitions : ce que signifie « à risque », ce à quoi ressemble un pipeline sain
• Vos garde-fous : ce qu’il ne doit jamais décider seul — par exemple, ne pas reclasser une étape d’opportunité ni attribuer une raison de désabonnement sans intervention humaine.
• Votre historique : le contexte qui modifie la signification d’un chiffre — par exemple, « la couverture du pipeline est faible » se lit très différemment lorsque l’on sait que nous avons avancé d’un trimestre un renouvellement majeur.

Si vous sautez cette intégration, le modèle n’échoue pas discrètement — il échoue de manière convaincante.

Suivez son travail

Vous pouvez suivre le travail de Byron Munson sur LinkedIn.

D’autres entretiens avec des experts seront bientôt disponibles sur The CRO Club !