Tester un enrichissement firmographique fiable sur une tâche ciblée.
D'une soumission de formulaire
à un contexte prêt pour la vente.
Une demande de Contact ou de Démo est déjà une intention forte.
L'enjeu n'était pas de générer un lead de plus, mais de le comprendre, de le qualifier et de l'acheminer vers la bonne personne avec assez de contexte pour agir.
Mis à jour le
De meilleures données ne devraient pas
vouloir dire plus de champs.
La qualification dépendait au départ d'informations que les visiteurs devaient saisir eux-mêmes. Cela ajoutait de la friction et créait des données incohérentes, notamment les noms d'entreprise, où une même organisation peut arriver sous « Acme », « A.C.M.E. » ou « ACME Inc. ». La meilleure route était de ne demander que ce que le visiteur est seul à savoir, puis de résoudre le reste ailleurs.
Plus de saisie · nommage incohérent · risque de doublon
Moins de friction. Meilleur contexte.
Le système n'a pas démarré
comme un système.
Tout a commencé par une preuve de concept ciblée : un agent pouvait-il compléter de façon fiable des données firmographiques manquantes ? Chaque itération a révélé ce qui devait être spécialisé, contrôlé ou connecté ensuite.
Répartir les responsabilités pour fiabiliser prompts, sorties et tests.
L'IA interprète. Le code nettoie, prépare, valide et applique des règles déterministes.
Réutiliser le contexte CRM, connecter les sorties spécialisées et faire converger validation, recherche, IA et règles vers la qualification et le routage.
Confiance, logique de rafraîchissement, règles et agents continuent d'évoluer à partir de l'usage réel.
L'IA prend en charge les tâches qui demandent de l'interprétation.
Le code contrôle les règles qui doivent rester prévisibles.
Regarder le contexte manquant
trouver son chemin.
Une soumission ne part que de ce que le visiteur doit fournir. Le système valide, réutilise, interprète et recherche en parallèle, puis fait converger ces routes en un seul contexte prêt pour la vente.
CE QU'ON DEMANDE
CE QU'ON SAIT
Le message n'est pas une note.
C'est une donnée de qualification.
Les champs structurés ne racontent qu'une partie de l'histoire. Le message en texte libre est relu selon des dimensions commerciales, pour que l'intention utile rejoigne le reste du modèle de scoring au lieu de rester enfouie dans un champ texte.
Chercher là où les fournisseurs
de données s'arrêtent.
L'objectif n'était pas simplement de remplir des champs. Il s'agissait d'atteindre un niveau de confiance et de complétude exploitable, tout en gardant temps et coût bas.
REVENU ANNUEL
Chercher d'abord.
Estimer seulement si nécessaire.
Un sous-agent dédié recherche le revenu déclaré. Quand aucun chiffre fiable n'est disponible, une estimation codée calcule une fourchette à partir de signaux pondérés incluant le secteur, le pays, l'âge et la taille de l'entreprise.
Réutiliser ce que le système
sait déjà.
L'information utile est propagée entre les fiches Contact et Entreprise. Les données connues suivent la route de réutilisation ; seul le contexte manquant, incertain ou périmé suit la route d'enrichissement, ce qui réduit coût, doublons et recherches inutiles.
Réutiliser.
Le contexte Contact et Entreprise déjà présent dans le CRM est propagé et réutilisé avant de déclencher une nouvelle recherche.
Enrichir.
Seule l'information manquante ou méritant un rafraîchissement part sur la route de recherche, puis est fusionnée dans la fiche de référence.
La fraîcheur compte autant
que l'enrichissement.
La firmographie vieillit. L'architecture stocke donc des métadonnées qui permettront plus tard de décider quand une entreprise mérite un nouveau regard, plutôt que de traiter l'enrichissement comme un événement unique.
IMPACT
Moins de deux minutes
entre l'intention et l'action.
Le système combine recherche assistée par IA et règles métier déterministes. L'objectif n'est pas l'IA pour elle-même : ce sont des décisions commerciales plus rapides, plus cohérentes, avec un meilleur contexte.