Du Prompt au Produit : Comment les Agents IA Redéfinissent le Go-to-Market
Eliott Ardisson
Founder & CEO - Basalt Studio
Comment les agents IA transforment les processus go-to-market des PME : de la prospection au reporting, ce que ça change concrètement.
En bref
- Un agent IA n’est pas un assistant de rédaction : c’est un système autonome qui exécute des processus complets, de la qualification de leads au reporting, sans intervention humaine à chaque étape.
- La différence entre “utiliser des prompts” et “déployer des agents” n’est pas technique, c’est organisationnelle : elle change ce que vos équipes font de leur journée.
- Les gains les plus documentés concernent les tâches à haute fréquence et faible valeur ajoutée : enrichissement de données, suivi de pipeline, relances, compte-rendus.
- L’adoption échoue rarement pour des raisons techniques. Elle échoue quand les agents sont déployés sans réflexion préalable sur les processus.
- Pour les PME de 10 à 250 salariés, le point d’entrée le plus rentable reste l’automatisation d’un seul processus bien choisi, pas d’une refonte globale.
Ce que vous faites probablement déjà, et pourquoi ça ne suffit plus
Vous utilisez ChatGPT pour rédiger un email de prospection. Vous ajustez le ton, vous copiez dans votre CRM, vous envoyez. Cinq minutes gagnées, dix si vous êtes à l’aise avec les prompts.
C’est un bon début. Mais ce n’est pas de l’automatisation. C’est de l’assistance.
La distinction est importante : dans le premier cas, vous avez toujours besoin d’un humain pour déclencher chaque action. Dans le second, le système prend des décisions et exécute des tâches de manière continue, selon des règles que vous avez définies une fois.
La majorité des dirigeants de PME restent dans la phase d’assistance. Pas par manque d’intérêt, mais parce que le saut vers les agents IA semble technique, risqué, ou réservé aux grandes entreprises avec des équipes data. Ce n’est plus le cas.
Ce qu’est réellement un agent IA : définitions de travail
Avant d’aller plus loin, quelques définitions utiles pour ne pas confondre les termes.
Prompt : une instruction unique envoyée à un modèle de langage, qui produit une réponse ponctuelle. Vous posez une question, vous obtenez une réponse. Le modèle n’a pas de mémoire de la conversation précédente ni de capacité à agir sur vos systèmes.
Workflow automatisé : une séquence d’étapes déclenchée par un événement (ex. : un nouveau lead entre dans votre CRM, un email est envoyé automatiquement). C’est ce que font des outils comme n8n ou Make. Utile, mais rigide : le workflow suit un script fixe et ne s’adapte pas au contexte.
Agent IA : un système qui combine un modèle de langage avec des outils d’action (lecture et écriture dans votre CRM, envoi d’emails, recherche web, appels d’API) et une capacité à raisonner sur ce qu’il doit faire à chaque étape. Un agent peut décider de sauter une étape si le contexte le justifie, générer du contenu personnalisé selon les données disponibles, et signaler une anomalie plutôt que de continuer aveuglément.
Modèle de langage (LLM) : le moteur cognitif de l’agent. Claude d’Anthropic, GPT-4 d’OpenAI, ou d’autres, accessibles via API. L’agent s’appuie sur ce modèle pour comprendre, raisonner et générer du texte.
Orchestration : la couche logicielle qui coordonne l’agent, ses outils, et les sources de données. C’est ce que gèrent des frameworks comme ceux construits avec TypeScript, le SDK Anthropic, ou des outils d’automatisation comme n8n.
Pourquoi le go-to-market est le terrain naturel des agents IA
Le go-to-market, dans une PME de 20 à 150 personnes, repose sur un ensemble de tâches que l’on pourrait qualifier de structurées mais chronophages : qualifier des leads, personnaliser des messages, suivre un pipeline, analyser des performances, relancer des prospects inactifs.
Ces tâches partagent trois caractéristiques qui en font des candidats idéaux pour l’automatisation par agents :
- Elles sont répétitives et fréquentes (quotidiennes ou hebdomadaires).
- Elles suivent des règles implicites que l’on peut rendre explicites (si le prospect est dans tel secteur et a telle taille, utiliser tel angle de prospection).
- Leur valeur ajoutée réside dans l’exécution régulière, pas dans la créativité de chaque instance.
McKinsey a publié plusieurs analyses sur l’automatisation du travail de connaissance, et leur conclusion constante est que les tâches à haute fréquence et faible variabilité sont celles où l’automatisation par IA génère les gains les plus rapides. Le go-to-market en regorge.
Quatre types d’agents concrets pour les équipes commerciales et marketing
Voici comment ces systèmes se traduisent en pratique, dans des contextes PME réalistes.
L’agent d’enrichissement de pipeline
Un cabinet de recrutement reçoit chaque semaine de nouveaux contacts via des formulaires, des événements, ou des importations LinkedIn. Manuellement, un consultant passe 30 à 45 minutes par jour à compléter les fiches : titre exact, secteur, taille de l’entreprise, actualités récentes.
Un agent peut prendre en charge cette tâche : il récupère les nouveaux contacts, interroge des sources publiques, complète les champs manquants dans le CRM, et signale les contacts pour lesquels il manque des données critiques. Le consultant reçoit chaque matin un pipeline enrichi, prêt à être travaillé.
L’agent de prospection contextuelle
Un agent immobilier commercial veut contacter des dirigeants dont l’entreprise est en phase de croissance (levée de fonds récente, recrutements en hausse, déménagement de bureaux). Manuellement, surveiller ces signaux pour cent prospects est impossible.
Un agent peut surveiller ces signaux automatiquement, identifier les moments opportuns, et générer un email de prise de contact qui fait référence à l’événement déclencheur. Le résultat n’est pas un email générique, c’est un message qui arrive au bon moment avec le bon contexte.
L’agent de suivi de pipeline
Dans une agence marketing de 15 personnes, le directeur commercial passe deux heures chaque semaine à faire le tour des opportunités en cours pour préparer sa réunion pipeline. Les affaires qui n’ont pas bougé depuis dix jours, les devis sans réponse, les relances oubliées.
Un agent peut faire ce travail en continu : identifier les stagnations, envoyer une alerte interne, proposer un brouillon de relance. La réunion pipeline devient une validation de décisions déjà préparées, pas une revue manuelle.
L’agent de reporting performance
Un e-commerçant pilote des campagnes sur plusieurs canaux. Chaque lundi matin, quelqu’un passe deux heures à agréger les données de Google Analytics, des plateformes publicitaires, et du CRM pour produire un rapport hebdomadaire.
Un agent peut agréger ces données automatiquement, identifier les variations significatives, et produire un résumé avec les points d’attention. Ce que Gartner décrit comme “augmented analytics” dans ses rapports sur l’évolution des outils de BI : non pas remplacer l’analyste, mais lui donner un point de départ déjà structuré.
Les obstacles réels à l’adoption, et comment les dépasser
L’obstacle n’est presque jamais technique. C’est ce qu’on observe régulièrement dans le travail avec des PME.
L’obstacle du “on verra plus tard” est le plus fréquent. L’équipe est occupée, les priorités sont ailleurs, le projet IA est reporté de trimestre en trimestre. Le problème est que chaque trimestre passé représente aussi un trimestre de données non structurées, de processus non documentés, et d’avance concédée.
L’obstacle de la perfection est le deuxième. On veut un agent qui fasse tout, qui soit parfait dès le premier jour, qui couvre tous les cas limites. C’est une erreur de conception. Les agents les plus efficaces font une chose très bien, sur un périmètre clairement défini. Ils s’améliorent ensuite.
L’obstacle de la résistance interne est réel mais surestimé. Les équipes résistent moins à l’automatisation qu’à l’incertitude sur ce que ça change pour elles. Quand l’agent prend en charge la saisie CRM et les relances manuelles, le commercial peut passer plus de temps en conversation avec des prospects qualifiés. Ce recadrage change la dynamique.
Dans notre travail chez Basalt Studio avec des équipes commerciales et marketing de PME, le point de rupture le plus fréquent n’est pas la technologie : c’est l’absence de documentation des processus existants. Un agent ne peut pas automatiser un processus que personne n’a jamais formalisé.
Ce qu’il faut documenter avant de déployer quoi que ce soit
Avant de choisir un outil ou de commencer un développement, trois questions sont indispensables.
Quelle tâche précise voulez-vous automatiser ? Pas “la prospection” en général, mais “l’envoi du premier email à un nouveau lead entrant depuis le formulaire du site, dans les deux heures suivant sa soumission, avec personnalisation selon le secteur indiqué.”
Quelles sont les règles implicites qui régissent cette tâche ? Si vous observiez un collaborateur expérimenté faire ce travail, quelles décisions prendrait-il que vous ne lui avez jamais explicitées ? Ces règles doivent être documentées pour être reproduites.
Quel est le seuil d’escalade vers un humain ? Tout agent bien conçu a des conditions dans lesquelles il s’arrête et demande une validation. Un email de relance vers un client en litige actif ne doit pas partir automatiquement. Ce filtre doit être pensé en amont.
La question du build vs. buy dans les PME
Pour une PME, trois options existent.
Les outils SaaS avec IA intégrée couvrent des cas d’usage standard mais offrent peu de personnalisation. Ils peuvent être un bon point de départ pour tester la valeur de l’automatisation avant d’investir dans du sur-mesure.
Le développement interne est envisageable si vous avez un développeur en interne et du temps. Avec des outils comme n8n pour l’orchestration, le SDK Anthropic pour les appels de modèle, et TypeScript pour la logique métier, un développeur compétent peut construire des agents fonctionnels. La difficulté est souvent la maintenance et l’évolution.
L’implémentation par un partenaire spécialisé est pertinente quand le temps est la contrainte principale et que l’on veut des agents opérationnels rapidement, avec une intégration propre dans les systèmes existants. La contrepartie est le coût initial et la dépendance à un tiers pour les évolutions.
Il n’y a pas de réponse universelle. Ce qui compte, c’est de choisir l’option qui permet de mettre un premier agent en production rapidement, de mesurer son impact, et d’itérer.
Comment mesurer si ça fonctionne
Quelques indicateurs concrets, sans prétendre à des benchmarks universels.
- Temps économisé par processus : mesurez le temps que le processus prenait avant, comparez après un mois. C’est la métrique la plus directe.
- Taux d’erreur : pour les tâches de saisie ou d’enrichissement, comparez le nombre d’erreurs détectées avant et après.
- Vitesse d’exécution : un lead qui recevait une réponse en 48 heures la reçoit-il maintenant en 2 heures ? Cette réduction de délai a souvent un impact mesurable sur les taux de conversion.
- Adoption par l’équipe : un agent que personne n’utilise ou que l’équipe contourne n’est pas un succès, même s’il fonctionne techniquement.
Des analyses publiées par des cabinets comme Forrester et Deloitte sur l’automatisation intelligente suggèrent que les gains de productivité les plus significatifs apparaissent dans les 60 à 90 jours suivant le déploiement, une fois que l’équipe a ajusté ses habitudes. Le premier mois est souvent une phase d’apprentissage mutuel.
Ce que ça change structurellement pour une équipe de 20 à 100 personnes
L’enjeu pour une PME n’est pas de reproduire ce que font les grandes entreprises avec des équipes data de dix personnes. C’est de faire fonctionner une équipe de cinq comme une équipe de douze sur les tâches opérationnelles, pour libérer de la capacité sur ce qui crée vraiment de la valeur.
Un cabinet comptable qui automatise la relance des documents manquants clients peut réaffecter le temps de ses collaborateurs sur l’analyse et le conseil. Une agence de communication qui automatise son reporting peut consacrer plus de temps à la stratégie créative. Un promoteur immobilier qui automatise la qualification des leads entrants peut concentrer ses commerciaux sur les prospects à fort potentiel.
Ce n’est pas une transformation radicale du modèle d’affaires. C’est une amélioration structurelle de l’efficacité opérationnelle, avec un périmètre délibérément limité et des résultats mesurables.
Si vous cherchez à identifier les processus de votre entreprise où un premier agent IA aurait le plus d’impact, c’est le point de départ d’une conversation utile. Vous pouvez réserver un appel stratégie IA avec l’équipe Basalt pour explorer votre situation spécifique : https://cal.com/eliott-ardisson-kzq7zs/ai-strategy-call