Whaly Logo
Business Intelligenceclock6 min readpersonBenjamin Behar

Votre chatbot ne sait pas quel magasin visiter lundi

Votre chatbot ne sait pas quel magasin visiter lundi

Dans beaucoup de groupes, le CRM est désormais augmenté d'un assistant conversationnel. Pourtant, sur le terrain, la priorisation des visites se fait souvent encore au doigt mouillé dans un bon vieux tableur.

Un dirigeant commercial nous a posé, en pleine démonstration, la question qu'un éditeur de logiciel redoute le plus. En quoi notre IA allait-elle classer ses magasins mieux qu'un calcul d'indicateurs bien fait ?

Notre réponse l'a surpris : sur le classement lui-même, pas tellement. C'est l'honnêteté qui fait signer après tout.

Sa question n'avait pourtant rien de naïf. Elle illustre une confusion que notre métier entretient volontiers. Sous le même mot, « IA », cohabitent deux familles de techniques qui n'ont presque rien en commun. L'une calcule : elle part de chiffres et produit un classement, une probabilité, une prévision. L'autre formule : elle part de mots et produit des phrases. Les opposer n'a pas grand sens. Les confondre coûte cher, parce qu'on finit par demander à l'une le travail de l'autre.

Deux machines, deux questions

Prenez le lundi matin d'un chef de secteur. Quarante-quatre magasins, une journée, cinq visites possibles. Il a deux questions.

La première : où aller ? Pour y répondre, il faut croiser des chiffres (le potentiel de chaque magasin, les références manquantes en rayon, les promotions à monter, la date de la dernière visite) et en tirer un ordre. C'est le travail de l'IA qui calcule, qu'on dit prédictive ou analytique selon l'optimisme de celui qui la vend.

La seconde : que dire une fois sur place ? Retrouver l'argument du plan de vente, préparer la réponse à l'objection du chef de rayon, résumer l'historique du compte. C'est le terrain de l'IA qui écrit, celle des grands modèles de langage.

On pourrait croire que la seconde, plus spectaculaire, sait aussi faire la première. Des chercheurs ont vérifié. Dans un article présenté à NeurIPS 2024, l'une des principales conférences du domaine, une équipe a retiré le modèle de langage de trois méthodes de prévision qui en utilisaient un. Les résultats ne se sont pas dégradés. Ils se sont souvent améliorés, pour un coût de calcul bien moindre. Autrement dit, la pièce la plus chère de la machine n'apportait rien.

Même l'estimation la plus citée à la gloire du génératif le confirme en creux. En 2023, McKinsey chiffrait son potentiel entre 2 600 et 4 400 milliards de dollars par an. C'était, précisait le cabinet, 15 à 40 % de plus que les 11 000 à 17 700 milliards déjà attribués à l'IA non générative et à l'analytique. Le génératif s'ajoute au calcul. Il ne le remplace pas. C'est écrit dans l'étude qu'on brandit pour vanter le premier.

Pourquoi tout le monde parle de celle qui écrit

Si le calcul pèse autant, pourquoi le débat ne porte-t-il que sur l'IA qui écrit ? Parce qu'elle se voit. Un assistant conversationnel se déploie en quelques semaines, sans projet de données, et chacun en mesure l'effet sur sa propre journée. Un score de priorisation demande des données propres et un cycle pour juger. Personne n'a jamais fait sensation en réunion avec un tri de magasins.

+15 points contre +4,5. En un an, la part des grandes entreprises européennes qui utilisent l'IA pour générer du texte, de la parole ou du code est passée de 16,6 % à 31,7 %. Celle qui recourt à l'apprentissage automatique pour analyser ses données est passée de 20,6 % à 25,1 %. Source : Eurostat, 2026

L'enquête, menée auprès d'environ 157 000 entreprises, ne recoupe pas exactement la frontière entre prédictif et génératif, et la catégorie « génération » inclut le code depuis 2025. La tendance reste nette.

Le retour sur investissement, lui, prend son temps. Dans son enquête 2026 auprès de 1 719 dirigeants et cadres, McKinsey constate que les chatbots sont l'outil d'IA le plus souvent déployé à l'échelle de l'entreprise. Huit répondants sur dix disent y gagner en productivité personnelle. Seuls 37 % attribuent à l'IA un effet, même modeste, sur le résultat opérationnel de leur organisation, une part qui n'a pas bougé en un an. Chacun gagne du temps. L'entreprise, elle, attend encore de savoir ce qu'on en fait.

Ce qu'on entend en rendez-vous

Dans les groupes que nous rencontrons, l'assistant conversationnel est déjà là, ouvert à tous. La force de vente, elle, n'a presque jamais d'outil qui lui dise où aller. Et l'objection arrive vite : pourquoi payer autre chose, puisqu'on a déjà Copilot ? Nous l'entendons assez souvent pour la connaître par cœur, et elle mérite mieux qu'un argumentaire.

La réponse tient en une phrase : un assistant généraliste ne sait pas qu'une promotion démarre dans dix jours dans tel magasin, où personne n'est passé depuis deux mois. Il n'a ni la donnée ni la méthode pour classer. Il peut en revanche l'inventer avec beaucoup d'aplomb, ce qui est pire.

Gartner apporte un indice dans le même sens. D'après une enquête auprès de 227 directeurs commerciaux publiée en mai 2026, les organisations qui fournissent à leurs vendeurs des « prochaines meilleures actions » calculées par l'IA ont 2,6 fois plus de chances d'atteindre leur objectif de croissance. C'est une corrélation, pas une preuve. Mais le signal penche vers la recommandation, pas vers la conversation.

Le terrain enseigne aussi qu'un calcul ne suffit pas. Quand un outil impose un agenda, les chefs de secteur le contournent. Ils y lisent, à juste titre, une perte d'autonomie sur un secteur qu'ils connaissent mieux que l'algorithme. Quand il recommande, et qu'on peut voir pourquoi, les jeunes recrues s'en servent chaque semaine et les plus expérimentés le comparent à leur intuition. Un score qu'on impose est contourné. Un score qu'on peut discuter est utilisé.

C'est là que le génératif trouve sa vraie place : non pas dans le calcul, mais dans l'explication. Traduire un classement en trois phrases (ce magasin d'abord, parce qu'une douzaine de références y manquent) rend la priorité discutable, donc acceptable. C'est moins glorieux que de prédire l'avenir. C'est beaucoup plus utile.

La frontière bouge, et ce n'est pas le seul aveu

Il faut être honnête sur un point : la distinction elle-même se brouille. En janvier 2025, la revue Nature a publié TabPFN, un modèle que ses auteurs décrivent comme génératif et qui surpasse les méthodes de référence sur des tableaux de données de taille modeste. Des modèles entraînés sur des séries temporelles battent désormais les méthodes statistiques classiques sur la plupart des domaines d'un banc d'essai de référence, GIFT-Eval. Il y a trois ans, on pouvait encore écrire que le génératif ne sait pas prédire. Ce n'est plus vrai. Ce qui sépare les deux familles n'est plus l'architecture, mais la tâche et la donnée.

Le second aveu est plus inconfortable, parce qu'il nous concerne directement. Un confiseur nous a fait remarquer que son CRM produisait déjà un score à partir de ses objectifs, du potentiel des magasins et de la fréquence de visite. Il avait raison. Une bonne partie de ce que les forces de vente appellent « prédictif », nos propres scores compris, repose sur des critères métier pondérés, pas sur un modèle mystérieux. De l'arithmétique bien rangée, en somme. Et ces projets échouent eux aussi. Eric Siegel, consultant en IA prédictive, rappelle que la plupart n'arrivent jamais en production, faute d'avoir chiffré leur valeur métier avant de démarrer. Venant de quelqu'un qui en vit, le constat mérite d'être entendu.

Côté DSI : moins de magie, moins de facture

Pour un DSI, l'arithmétique bien rangée a une qualité rare : elle s'audite. Un calcul de priorité s'appuie sur des données gouvernées, dont on retrace l'origine, et ses résultats sont reproductibles. Une interface générative, elle, consomme du calcul à chaque requête : selon McKinsey, un répondant sur cinq déclare déjà que les coûts d'exploitation de l'IA limitent son usage.

Le second risque est la dispersion. Gartner prévoit que les agents IA seront dix fois plus nombreux que les vendeurs d'ici 2028, et que moins de quatre vendeurs sur dix estimeront qu'ils les ont rendus plus productifs. Sans fondation de données, prévient le cabinet, ils amplifient la fragmentation. L'architecture qui tient sépare donc les rôles : le calcul sur un socle de données maîtrisé, le génératif comme couche d'interface qui lit ce calcul sans le refaire.

Qui fixe les poids ?

Revenons au dirigeant du début. Sa question en cachait une autre, plus gênante pour tout le monde. Un score de priorisation n'est jamais neutre. Décider que le potentiel pèse davantage que la fréquence de visite, ou qu'une innovation compte double pendant un cycle, c'est traduire la stratégie commerciale en règles de calcul. Celui qui fixe les poids pilote, de fait, l'agenda de toute la force de vente.

Le génératif ne change rien à ce pouvoir. Il le rend visible, en expliquant à chaque chef de secteur pourquoi tel magasin passe avant tel autre. Avant de choisir une technique, une direction commerciale gagnerait donc à poser deux questions à son comité. Qui décide aujourd'hui des critères qui classent nos magasins ? Et un chef de secteur peut-il comprendre, en trente secondes, pourquoi on l'envoie là plutôt qu'ailleurs ? Si la réponse à la première est « l'éditeur » ou « personne ne sait vraiment », le problème n'est pas technique. Et aucune IA, la nôtre comprise, ne le réglera à votre place.

Try Whaly

Thousands of users rely on Whaly every day to monitor and improve their revenue. Join them now!