Le responsable des revenus d’une startup révèle comment des équipes ingénieuses peuvent créer un levier considérable avec l’IA

J'ai travaillé en étroite collaboration avec des fondateurs, contribué à façonner l'approche marché dès le début, et opéré dans des environnements sans grandes équipes, sans playbooks parfaits, et sans possibilité de se cacher derrière les processus. Je me concentre sur l'ingéniosité, la rapidité d'action et la transformation de l'ambiguïté en exécution concrète.

Actuellement, je dirige le pôle revenus d'une start-up IA B2B en phase d'amorçage avec un modèle SaaS par abonnement. L'équipe est réduite, seulement une ou deux personnes dans l'équipe revenus, donc je suis très impliqué à tous les niveaux de la stratégie GTM, la prospection, la génération de pipeline, l'exécution des ventes et les retours clients. Notre approche GTM est fondée sur l'implication directe des fondateurs et l'itération rapide, visant à acquérir rapidement les premiers clients, apprendre vite, et bâtir une traction reproductible sur les marchés en contact avec la clientèle et les équipes revenus.

En phase d'amorçage, la réussite des revenus repose largement sur l'instinct des fondateurs, des discussions éparses, un suivi manuel et un savoir partagé de manière informelle. C'est pourquoi je me suis beaucoup intéressé à la façon dont l'IA peut aider les start-up à capter ces signaux plus tôt, à opérationnaliser ce que font les meilleurs, et à donner du levier aux petites équipes sans organisation massive.

Pour moi, l'IA dans les revenus ne remplace pas les personnes ni n'ajoute de complexité. Elle aide les petites équipes débrouillardes à dépasser leurs moyens. Elle permet aux start-up d'avancer plus vite, d'apprendre plus vite et de mettre en place de meilleurs systèmes plus tôt qu'elles ne pourraient le faire autrement. J'aime utiliser l'IA pour aider les start-up en phase d'amorçage à apporter de la structure au chaos, transformer l'insight en action et scaler les revenus sans perdre en rapidité.

Comment l'IA améliore la concentration et la rapidité dans les workflows de revenus

Pour moi, l'IA crée de la concentration, de la rapidité et du levier.

Les agents que j'ai développés nous ont aidés à resserrer la sélection de notre marché cible, à identifier plus tôt les comptes à forte intention et à rendre une fonction de revenus très réduite plus précise. Cela s'est traduit par moins d'efforts gaspillés sur des comptes peu adaptés, une exécution plus rapide de la prospection et du suivi, et une meilleure visibilité sur les signaux d'achat détectés. L'IA a aussi permis de tester plus rapidement les messages, d'affiner les hypothèses ICP et de réallouer les ressources vers les segments à forte intention.

Le résultat quantitatif le plus évident a été le gain d'efficacité. L'IA a réduit de plus de 50% le temps consacré à la recherche, à la priorisation des comptes et à la préparation GTM, nous offrant ainsi une bien plus grande capacité de vente sans augmentation d'effectifs. Cela a permis de cibler plus efficacement la prospection, d'améliorer la qualité des rendez-vous et de réduire les efforts inutiles dans tout l'entonnoir.

Dans certains cas, l'impact était avant tout visible sur l'opérationnel plutôt que strictement en haut de l'entonnoir. Des tâches qui prenaient auparavant des heures de recherches manuelles pouvaient désormais être accomplies bien plus rapidement, laissant plus de temps pour vendre et décider. Cela rendait également le workflow moins réactif : au lieu de courir après tout, nous pouvions choisir délibérément où investir notre temps.

Dans une start-up, ce type de levier est essentiel car il permet de grandir plus intelligemment avant d'atteindre la véritable phase de croissance.

Comment l'IA peut affiner la génération de pipeline

Voici un exemple de workflow. J'ai utilisé l'IA pour perfectionner notre manière de générer du pipeline, en identifiant quels visiteurs de site web et quels comptes manifestaient une intention d'achat. Auparavant, nous partions d'hypothèses ICP plus larges, de recherches manuelles et de données d'intention limitées. Cela signifiait que nous consacrions du temps à des comptes qui semblaient pertinents sur le papier mais qui n'étaient pas forcément en phase d'achat.

Nous avons changé cela en utilisant l'IA pour identifier les visiteurs uniques, analyser les comportements d'engagement et scorer les comptes selon leur probabilité d'achat. Cela nous a permis de concentrer davantage nos efforts sur les segments du marché cible et les entreprises montrant une réelle intention.

Le résultat fut une amélioration de la priorisation, de la pertinence et de l'efficacité des conversions. Nous passions moins de temps à deviner et plus de temps à agir sur des signaux concrets, ce qui a affiné et concentré notre approche GTM.

Et le grand changement fut de passer de « qui semble pertinent sur le papier » à « qui mérite vraiment une action immédiate ». C'est cette direction que devraient prendre davantage de responsables revenus.

Pourquoi l'IA peut être désastreuse pour les jeunes entreprises

Le revers de la médaille, c'est que l'IA n'est aussi bonne que les données d'entrée, la logique et les garde-fous qui la structurent. J'ai vu des cas où l'IA valorisait excessivement des signaux bruyants, laissait remonter des faux positifs ou apportait un niveau de confiance que la donnée ne méritait pas. Dans un environnement en phase d'amorçage, cela peut devenir dangereux car les jeux de données sont plus petits, le marché est encore en évolution et il est facile de se convaincre qu'un schéma est plus solide qu'il ne l'est vraiment. La conséquence peut être une perte de temps quand l'IA vous oriente vers des comptes ou signaux prometteurs en apparence mais qui manquent de véritable potentiel.

J'ai également constaté que l'IA peut nous pousser à automatiser trop de choses, trop tôt. Si l'on n'y prend pas garde, on risque d'accroître l'activité sans pour autant améliorer la qualité du jugement.

Nous sommes encore loin d'automatiser complètement les décisions stratégiques en matière de revenus. L'IA peut aider à la recherche, faire remonter des signaux et accélérer l'exécution, mais elle n'est pas constamment fiable pour la prévision, la stratégie de négociation ou la prédiction en toute confiance des opportunités qui se concluront. Elle vous rapproche à 90 % de l'objectif ; un humain doit compléter les 10 % restants. Surtout dans des environnements en phase de démarrage, l'IA manque généralement de données historiques suffisamment propres pour prendre ce type de décisions au niveau escompté.

Ainsi, l'IA est un multiplicateur d'efficacité pour la recherche, la priorisation et l'exécution. Mais elle ne remplace pas l'instinct de l'opérateur ni la proximité client. La stratégie, le jugement et la prise de décision reposant sur la relation doivent rester humains. Je prends encore les décisions finales concernant l'orientation du marché, le message, la priorisation, la tarification et la gestion des négociations.

Comment s'adapter lorsque l'IA n'est pas à la hauteur dans le message

Voici un exemple où l'IA n'a pas répondu à mes attentes.

Nous avons utilisé l'IA pour générer et affiner plus rapidement des messages sortants, mais la plupart se sont révélés trop génériques ou trop polis, sans véritable écho auprès des clients potentiels. Le rendu était bon, mais ne reflétait pas toujours la nuance réelle du marché ni ce à quoi les acheteurs étaient sensibles.

Pour corriger cela, j'ai cessé de considérer le message généré par l'IA comme un livrable final, pour plutôt l'utiliser comme une ébauche. Le positionnement final, le ton et la précision restaient humains. L'IA a accéléré le processus, mais le jugement devait toujours venir de quelqu'un proche du client.

Pourquoi mesurer l'impact de l'IA est crucial pour les revenus

Toute mise en œuvre de l'IA n'est pas nécessairement utile. Je mesure l'impact de l'IA de la même manière que tout investissement GTM. Chaque workflow d'IA que je mets en place doit faire l'une des choses suivantes :

• Augmenter la production
• Améliorer la qualité des décisions
• Raccourcir le délai d'obtention des résultats

Si cela n'améliore pas l'un de ces trois points, cela ne fait qu'ajouter du bruit.

À un niveau global, j'évalue si l'IA nous aide à générer davantage de pipeline, à mieux prioriser les opportunités et à rendre l'équipe plus efficace. Puisque j'utilise beaucoup l'IA pour la recherche et les agents GTM, je suis des indicateurs comme le temps économisé sur la recherche de comptes, la rapidité de constitution de listes, la vitesse du premier contact, et la précision de notre prospection sortante. Si l'IA fonctionne, l'équipe doit passer moins de temps à collecter des informations et plus de temps à saisir les bonnes opportunités.

Je suis également des indicateurs centrés sur la qualité du chiffre d'affaires, pas seulement sur l'activité. Il s'agit notamment des taux de conversion d'un compte cible à un meeting, d'un meeting à une opportunité, d'une opportunité à la conclusion, des taux de réponse aux séquences d'IA, et du pipeline généré par les comptes à forte intention. Si l'IA nous aide à cibler de meilleurs comptes ou à améliorer notre message, je dois le constater à travers des conversations de meilleure qualité et de meilleures conversions au fil du temps.

Opérationnellement, j'évalue la précision et l'utilité. Par exemple : l'agent a-t-il identifié les bons comptes, fourni un contexte pertinent ou aidé à cibler le bon segment de marché ? Si les résultats sont rapides mais inutiles, ce n'est pas utile. C'est pourquoi une partie de l'évaluation reste qualitative : les insights sont-ils suffisamment fiables pour être exploités, et changent-ils réellement notre façon de travailler ?

Pourquoi l'IA n'est pas une stratégie

L'IA n'est pas une stratégie ; c'est un levier.

Tout CRO devrait le comprendre avant de se lancer, car si votre ICP, votre positionnement, votre approche commerciale et votre processus de base sont faibles, l'IA ne les corrigera pas. Elle vous aidera simplement à aller plus vite dans la mauvaise direction.

Les entreprises qui tirent le meilleur parti de l'IA l'utilisent pour affiner leur jugement, accélérer l'apprentissage et éliminer les tâches manuelles — pas pour remplacer la réflexion. Si vous abordez l'IA comme un multiplicateur d'efficacité et non comme une solution magique, votre mise en œuvre sera bien plus efficace.

Ce qu'il faut savoir avant de déployer l'IA dans les équipes revenue

Des inputs propres et des limites claires sont essentiels. J'en ai déjà parlé, mais il faut insister : j'aurais aimé m'en rendre compte plus tôt.

Au début, on s'enthousiasme facilement pour ce que l'IA peut produire, mais si les données sont désordonnées, si la consigne est vague ou si le workflow n'est pas bien défini, le résultat paraît meilleur qu'il n'est réellement. Cela peut entraîner une fausse confiance et des actions inutiles.

Si je l'avais su plus tôt, j'aurais passé moins de temps à courir après de beaux livrables, et plus de temps à définir le cas d'usage précis, la mesure du succès et le niveau de validation humaine dès le départ. Ça aurait permis d'éviter du bruit, des faux positifs et beaucoup de retravail.

J'ai tiré des leçons de mon erreur et je suis devenu bien plus discipliné en matière de périmètre, d’entrées et de relecture.

Tout d’abord, j’ai restreint chaque initiative liée à l’IA à une seule mission spécifique plutôt que de lui demander de tout faire en même temps. Ensuite, j’ai standardisé les données d’entrée — champs de données cohérents, consignes plus claires, définitions plus précises de ce qu’est un « bon » résultat, et moins de dépendance à des informations incomplètes ou désordonnées. J’ai aussi ajouté des garde-fous explicites pour définir là où l’IA pouvait apporter son soutien et là où un humain devait prendre la décision finale.

De plus, j’ai instauré une boucle de relecture. J’ai testé les résultats par rapport à la réalité, identifié là où l’IA générait du bruit ou une fausse confiance, puis ajusté en conséquence. Le plus grand changement a été de traiter l’IA moins comme de la magie et plus comme un système d’exploitation qui nécessite une structure, une assurance qualité et des contraintes pour être efficace.

Pourquoi les CRO devraient adopter l’IA comme véritable changement opérationnel

En résumé, voici mon conseil.

N’abordez pas l’IA comme le déploiement d’un simple outil. Considérez-la comme un véritable changement de fonctionnement.

Commencez par un problème de revenu clair, où la vitesse, le traitement des signaux ou la charge manuelle freinent l’équipe. Utilisez l’IA pour apporter de l’effet de levier à cet endroit en priorité. Gardez un périmètre restreint, mesurez l’impact et basez-vous sur des processus concrets, pas des effets d’annonce.

Surtout, ne déléguez pas le jugement. Les meilleurs CRO utiliseront l’IA pour aller plus vite, voir plus loin et prendre de meilleures décisions — sans jamais remplacer l’expertise humaine qui reste un moteur de leadership GTM.

Suivez l’aventure

Vous pouvez suivre le parcours de Waleed Shaarani sur LinkedIn alors qu’il continue à diriger des organisations de revenus dans l’écosystème des startups.

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