Quelles sont les véritables applications de l’IA dans la vente : s’agit-il d’une réalité ou de science-fiction ? L’intelligence artificielle est revenue en grâce dès les années 2016-2017 et nous avons d’ailleurs lancé une grande série sur ce sujet (en rapport avec le domaine de la vente) sur ce blog Sales & Marketing insiders à cette époque-là. J’ai de cette période, le souvenir d’une discussion animée par Bertrand Lenotre pour Digital Business News au sommet du navire amiral de Wework rue Lafayette. La table ronde, qui regroupait des startupers de l’IA et à laquelle je participais s’était assez rapidement centrée sur ce qu’était vraiment l’IA et ce qu’elle n’était pas. Il est vrai qu’au sortir de l’hiver nucléaire de l’IA (de 1990 à 2015 environ, une période que j’ai connue, ayant la charge à l’époque d’un système expert) on mélangeait un peu tous les concepts et on a vu donc une grande tendance à nommer “IA” à peu près n’importe quoi qui contient un algorithme (donc un programme) ce qui, vous en conviendrez englobait beaucoup de choses.

Quelles applications pour l’IA (forte ou faible) dans la vente ?

applications IA vente
Qu’elle soit forte ou faible, les applications de l’IA dans le domaine de la vente sont nombreuses et grâce à Alexandre Verno, on peut enfin s’en faire une idée juste.

Il est temps donc quelque 5 ans plus tard de sortir de cette soupe d’acronymes — la tendance décrite ci-dessus n’ayant pas complètement disparu — pour se poser la question de quelles technologies de la grande famille de l’IA peuvent, et comment, aider le domaine de la vente.

Pour le savoir, j’ai interviewé Alexandre Verno, CTO de Sparklane, en lui demandant plus particulièrement de faire le distinguo entre IA forte et faible. Alexandre m’a permis, au cours de cet entretien très riche, de mieux comprendre la réalité et les perspectives d’application de l’IA dans le domaine de la vente.

IA forte et IA faible et ses applications pour la vente

La plupart des applications qui existent aujourd’hui relèvent de l’intelligence artificielle faible, souligne Alexandre Verno. Il s’agit surtout de spécialisations sur un domaine bien précis où la machine va être capable d’être plus efficace que l’humain. Grâce à sa capacité de calcul très importante, la machine arrivera à tester plus de combinaisons que pourrait faire l’humain, et ainsi aboutir à un résultat supérieur en termes de temps et d’efficacité.

L’IA forte est plus dans une notion de conscience, l’algorithme est suffisamment générique pour avoir une sorte de conscience de ce qu’il fait, une sorte d’introspection. Il est en capacité à expliquer comment il a abouti à ce résultat. On se rapproche un peu de la vision des robots qui sauraient interagir avec un humain, souligne-t-il.

Sylvain Capodanno livre ci-dessus une simple et efficace de l’intelligence faible et forte

L’IA forte est un domaine où la recherche est abondante, mais où la commercialisation reste marginale

“Tout ce qu’on a dans notre quotidien relève de l’IA faible”, explique Alexandre. Le meilleur exemple en pointe aujourd’hui, qui n’a rien à voir avec la vente, est la conduite automatique. Celle-ci reste basée sur un enchaînement de règles. Le véhicule n’a pas conscience de conduire, ou d’avoir un accident, ou de respecter des règles externes. Il ne fait que respecter des règles propres à un ensemble de données qu’on lui a fourni.

Applications IA vente
“Un véhicule autonome n’a pas conscience de conduire, il ne fait que respecter des règles propres à un ensemble de données qu’on lui a fourni”

De l’informatique classique au machine learning et au deep learning

À la différence de l’informatique classique, où l’ordinateur suit des règles définies à l’avance par un développeur, “le machine learning n’écrit plus les règles explicites du comportement attendu, mais donne la capacité à la machine d’apprendre elle-même des règles à partir d’un ensemble de données“, précise Alexandre. Un peu à la manière d’un enfant fait une suite d’exercices, et au bout d’un moment aura compris qu’un concept émerge et il pourra répondre à d’autres exercices similaires.

Face à situations trop complexes, où cela prendrait un temps infini à un humain pour lister tous les cas possibles, on fournit à la machine tous les cas disponibles enregistrés au préalable, qu’on pourra continuer à enregistrer au fil du temps, et elle définira ses propres règles. On ne code plus les règles explicites, mais des métarègles qui codent l’apprentissage de la machine.

Cette présentation de Thomas Duveau ne gagnera sans doute pas un prix de beauté, mais elle explique bien le Machine Learning ce qui permet de se faire une idée meilleure de ses applications pour la vente

Le machine learning existe depuis 40 à 50 ans, et il est devenu plus puissant au fil du temps. Deux ingrédients ont changé : la puissance de calcul devenue pléthorique, et la donnée qui ne fait que se développer. Cette donnée est le carburant du machine learning, ce qui explique l’enjeu, tant économique que technique, de collecter un maximum de données dans tous les sens, pour alimenter un modèle.

Le deep learning, lui, se situe encore sur un cran supérieur. Il se base sur des travaux d’observation du fonctionnement du cerveau humain, pour mettre en place un réseau de neurones artificiels avec un comportement de neurones simplifiés, adaptés à une machine. Plus on fournit en entrée un grand volume d’informations à la machine, plus on arrivera à des choses intéressantes, même sur des modélisations complexes.

“Aujourd’hui, la reconnaissance des images par exemple dispose de telles bases de données que cela permet d’obtenir des résultats très intéressants”, souligne Alexandre. Mais dans certains cas d’usage, avec peu de données, le deep learning ne servira à rien. Si on dispose de trop peu de données, il faudra employer les autres outils à disposition des data scientists.

Les véritables applications de l’IA dans la vente

Pour ce qui concerne la vente, le but est d’essayer de soustraire les commerciaux aux tâches un peu répétitives ou à moins forte valeur ajoutée. Après tout, Alexandre souligne à juste titre que c’est pour “ce type de tâches que la machine, informatique ou non, nous assiste”.

Domaine d’application no.1 : la prospection

« Le domaine de la vente dans lequel l’IA aujourd’hui apporte le plus de valeur est l’identification des comptes qu’on souhaite prospecter »

Il faut identifier chaque compte, voir pourquoi il sera intéressant à prospecter, ou pourquoi au contraire, il n’est pas du tout dans la cible.

Pour Alexandre, c’est le premier enjeu de l’IA dans le domaine de la vente. Elle va en effet permettre de gagner du temps en classant et ordonnant des comptes dans un espace très vaste et en faisant ainsi gagner du temps au commercial qui pourra travailler sur des tâches à plus forte valeur ajoutée qui mettent en valeur la relation client (lire à ce sujet Prospection téléphonique en B2B : utiliser l’intelligence sociale sans modération).

Applications de l’IA à la vente – no.2 : la connaissance du client

Après avoir identifié les bons comptes, il faut comprendre si c’est le bon moment pour le démarcher. Comment vais-je le contacter ? Que vais-je lui dire ? Le commercial dispose des sources classiques, le web et quelques outils. C’est un vaste travail d’investigation.

L’IA peut aider le commercial en compressant ce temps par la “mise à disposition d’une sorte de revue de presse, l’équivalent de ce qu’on faisait par le passé à la main de manière un peu fastidieuse”, souligne Alexandre. Le commercial n’a plus qu’à s’alimenter de cette revue de presse pour définir si c’est le bon moment, s’il a les bons arguments et les bons outils pour pouvoir engager.

Application de l’IA à la vente no.3 : les tâches répétitives

« Finalement, la machine va réaliser certaines tâches répétitives, qui nécessitent beaucoup de données et de traitement, mais l’humain restera pour les tâches plus créatives »

La machine va continuer à automatiser tout ce qui nécessite le moins de créativité dans notre quotidien. Tout ce qu’on fait un peu par instinct et de manière automatique, un jour ou l’autre, sera géré par les machines. Les processus créatifs resteront selon Alexandre l’apanage de l’être humain.

Et Dieu sait qu’elles sont nombreuses les tâches répétitives dans la vente, que ce soit dans le reporting ou la prospection, depuis la prise de rendez-vous jusqu’à la contractualisation, l’IA a encore de beaux jours devant elle pour réduire les corvées.

Application no4 : le marketing inversé avec une IA pour les achats

Mais probablement que le potentiel le plus intéressant pour le futur de l’IA dans la vente est à trouver à l’envers de la vente, dans ce qu’on appelle en anglais le “sourcing” (recherche de fournisseurs) ou encore “marketing inversé”. Avec ce concept peu connu, c’est le client, l’acheteur qui établit sa recherche marketing en direction du vendeur.

Concept peu connu, mais pourtant largement pratiqué (je l’ai moi-même exercé dans les années 80 quand il s’agissait de trouver des alternatives locales aux fabricants de textile de l’Asie du Sud-Est pour un grand de la VPC. Comme quoi la question de la réintégration de la production sur le territoire national est une vieille lune.

On peut donc imaginer une IA spécialisée dans l’achat, qui en se basant sur des paramètres, permette de déclencher une vente ou un réassort instantanés

“Ceci existe déjà dans le domaine de la Bourse, et c’est aussi le cas dans l’énergie. Dans l’énergie, on a de plus en plus de microtransactions en permanence entre différents fournisseurs d’électricité : qui a une batterie qui peut démarrer en une seconde ? Qui a un barrage qui démarre en un quart d’heure ? Qui a une centrale à charbon qui démarre en 4 heures ?” explique Alexandre Verno, “cela permet la gestion automatisée des marchés complexes par des règles d’IA spécialisées”.

Des briques d’IA un peu partout dans la vente

Plus largement, Alexandre est convaincu que dans le futur, nous trouverons “des briques d’IA un peu partout, que ce soit dans la vente ou dans la gestion de l’entreprise”. Fondamentalement, la machine est faite pour “travailler de la donnée, et l’optimiser par rapport à un ensemble de critères qui vont être, pour certains : la marge, pour d’autres, des critères éthiques ou environnementaux qu’on pourra définir en amont”. Ceci ouvre de grandes perspectives sur le pilotage des entreprises nous explique le CTO de Sparklane.

Et si des machines vendaient à des machines ?

Cela est possible dans les marchés banalisés nous dit Alexandre, où les demandes, les produits et les offres sont standardisés. Le sourcing, dans ce cas, peut largement dépendre de machines, qui s’approvisionnent auprès d’autres machines. Et ceci notamment pour les marchés publics où les prix et les critères tangibles des caractéristiques produits sont nécessaires et suffisants. En bref, là où il n’y a pas de valeur ajoutée à faire intervenir des humains, cela paraît sinon inévitable, du moins largement probable.

Dans les marchés banalisés, on peut clairement envisager que des machines parleront avec des machines, et ceci dans un futur plus proche qu’on imagine

IA, biais et régulation

Mais il faut faire attention aux questions de biais nous alerte Alexandre (voyez la présentation de nextdecision ci-dessus, elle dresse une liste assez exhaustive des différents biais induits par les applications de machine learning.

“L’intelligence artificielle est par nature biaisée, car elle simplifie la réalité, elle prend des raccourcis, et peut donc reproduire des stéréotypes”, explique Alexandre. Or, plus la donnée est incomplète ou parcellaire, plus ces stéréotypes sont importants.

Pour que l’IA soit pertinente, il faut donc que la donnée soit la plus variée et la plus riche possible.

C’est là où il faut faire attention, nous avertit à juste titre Alexandre Verno. Ce n’est pas parce qu’on met de l’IA dans une application que les résultats y seront bons et fiables. “Il faut introduire le bon algorithme au bon endroit avec les bonnes données et surveiller que l’usage qu’on en fait est adéquat, surtout quand on sera dans des situations où l’impact sociétal est fort”.

“Les garde-fous sur ce domaine restent à construire” rappelle Alexandre et pour les mettre en place il faudrait mieux anticiper les problèmes. “C’est un défi, nous dit-il, car l’être humain n’est pas véritablement câblé pour anticiper les problèmes”.

Un véritable problème philosophique auquel nous n’échapperons pas, qu’on le veuille ou non.