Vendre l’IA en entreprise : pourquoi la preuve compte plus que la promesse

L’intelligence artificielle bouleverse les produits proposés aux entreprises, mais aussi la manière de les commercialiser. Une démonstration spectaculaire ne suffit plus à convaincre un comité de direction, un responsable informatique, des équipes métiers et parfois des juristes. Pour obtenir une décision, il faut désormais expliquer ce que la technologie peut réellement faire, reconnaître ce qu’elle ne résout pas et établir, preuves à l’appui, l’intérêt économique du projet.

Cette évolution redessine le métier de commercial dans la technologie. Il ne s’agit plus seulement de présenter un catalogue de fonctionnalités ou de négocier un nombre de licences. L’enjeu consiste à aider l’entreprise cliente à formuler son problème, à identifier un usage pertinent de l’IA et à vérifier que la solution apportera un résultat exploitable. Pour Michael Chaouat, VP Sales Europe du Sud chez Zendesk, cette approche repose sur trois piliers étroitement liés : l’évangélisation, la preuve et la vente.

L’évangélisation, une étape avant la vente de l’IA

Dans le vocabulaire commercial, « évangéliser » ne signifie pas imposer une technologie au client. Il s’agit de la rendre intelligible : expliquer son fonctionnement à un niveau adapté, montrer les situations dans lesquelles elle peut aider, mais aussi fixer les limites de son utilisation. Cette étape est particulièrement importante pour l’IA, une technologie qui suscite à la fois de fortes attentes et de nombreuses interrogations.

Un acheteur peut, par exemple, entendre parler d’un assistant conversationnel capable de répondre à des clients, de résumer des demandes ou d’aider un agent à rédiger une réponse. Avant de parler contrat, plusieurs questions doivent pourtant être clarifiées : quelle tâche veut-on améliorer ? Quelles données seront mobilisées ? Qui contrôle la qualité des réponses ? À quel moment un humain doit-il intervenir ? Quels résultats permettront de juger le projet ?

Selon Michael Chaouat, les équipes commerciales doivent donc définir des limites claires sur l’application de l’IA avant de proposer une solution. Cette rigueur est essentielle pour éviter les malentendus. Présenter l’IA comme une réponse automatique à tous les problèmes crée des attentes impossibles à tenir. À l’inverse, partir d’un cas d’usage précis permet d’associer la technologie à une difficulté opérationnelle identifiable.

Ce travail pédagogique prend une forme différente selon l’interlocuteur. Une direction générale cherchera à comprendre l’impact sur la performance ou la qualité de service. Les équipes techniques examineront l’intégration et les données. Les équipes opérationnelles voudront savoir si l’outil simplifie réellement leur quotidien. Le commercial doit donc être capable de relier un même produit à des préoccupations distinctes, sans masquer ses contraintes.

Pourquoi les cycles de décision s’allongent-ils ?

L’arrivée de l’IA ne raccourcit pas nécessairement les ventes. Au contraire, elle peut étendre les processus de décision. Parce qu’elle touche aux méthodes de travail, aux données et à la relation avec les clients, elle mobilise davantage de parties prenantes qu’un achat logiciel classique. Chacun apporte ses propres critères : sécurité, budget, conformité, efficacité opérationnelle, expérience utilisateur ou acceptation par les salariés.

Dans ce contexte, le frein principal n’est pas toujours la présence d’un concurrent. Michael Chaouat le résume ainsi : « notre plus gros concurrent, c’est toujours la même chose : ne rien faire. » Autrement dit, une entreprise peut préférer conserver ses processus existants plutôt que de prendre le risque, réel ou perçu, d’engager un nouveau projet.

L’inaction est confortable à court terme. Elle ne demande ni budget nouveau, ni changement d’organisation, ni formation. Mais elle ne répond pas non plus aux difficultés qui ont motivé la discussion initiale, comme une hausse du volume de demandes clients, des délais de réponse trop longs ou une information difficile à retrouver. Le rôle de la vente consiste alors moins à forcer une décision qu’à rendre visible le coût de ce statu quo et la valeur d’une amélioration concrète.

Pour y parvenir, les arguments généraux ne suffisent pas. Les équipes commerciales doivent recueillir des preuves d’efficacité qui pourront être reprises par leurs interlocuteurs dans les discussions internes. Une démonstration peut ouvrir le dialogue, mais elle doit déboucher sur des critères vérifiables : temps gagné sur une tâche, amélioration d’un parcours client, capacité à traiter des demandes plus rapidement ou meilleure cohérence des réponses fournies.

De la promesse technologique à la preuve de valeur

Depuis la pandémie, les entreprises accordent une attention renforcée aux dépenses qui produisent un bénéfice tangible. Les solutions perçues comme facultatives, souvent désignées par l’expression « nice-to-have », sont plus facilement écartées. À l’inverse, les investissements considérés comme nécessaires, ou « must-have », doivent pouvoir être rattachés à un résultat clair.

Dans cette logique, le retour sur investissement ne doit pas être réduit à une formule financière abstraite. Il sert à relier le prix d’une solution à un effet observable dans l’activité. Une entreprise ne cherche pas seulement à savoir si un outil d’IA est innovant. Elle veut comprendre quel problème il réduit, pour quel périmètre, avec quels moyens et dans quel délai elle pourra constater un changement.

Zendesk a adapté son modèle de facturation à cette exigence, en se concentrant sur la résolution de tickets plutôt que sur le seul nombre de licences. Le changement est significatif : la discussion commerciale se rapproche davantage du résultat recherché par le client, à savoir la capacité à résoudre les demandes, que de l’accès théorique d’utilisateurs à une plateforme.

Cette approche ne signifie pas qu’il existe une mesure universelle de la valeur. Les indicateurs doivent être définis avec le client, selon son activité et ses priorités. Dans le service client, il peut s’agir de la résolution de demandes. Dans une autre fonction, la mesure pertinente pourra être différente. L’essentiel est d’en convenir avant que la promesse ne devienne une déception.

Adapter le discours à la maturité de chaque marché

Toutes les entreprises, tous les secteurs et tous les pays n’avancent pas au même rythme dans l’adoption de l’IA. Certaines organisations ont déjà expérimenté plusieurs outils et disposent d’équipes familières de ces sujets. D’autres en sont encore à identifier les usages possibles, ou à distinguer les capacités réelles de la technologie des discours qui l’entourent.

Michael Chaouat évoque à ce titre un modèle de tiering, c’est-à-dire une segmentation des efforts commerciaux selon le niveau de maturité technologique des clients ou des marchés. L’idée est simple : on ne présente pas de la même manière une solution à une organisation qui possède déjà une expérience de l’IA et à une entreprise qui doit d’abord comprendre pourquoi elle s’y intéresserait.

Sur les marchés les moins avancés, l’équipe de vente devient en partie une équipe d’évangélisation. Elle doit construire les repères qui rendent l’offre accessible : vocabulaire clair, exemples de situations concrètes, explication des limites et dialogue avec les équipes concernées. L’objectif est de créer les conditions d’un choix informé, non de transformer chaque prospect en spécialiste de l’intelligence artificielle.

Cette segmentation évite aussi deux erreurs fréquentes. La première consiste à surcharger un interlocuteur débutant de détails techniques qui ne l’aident pas à décider. La seconde consiste à tenir un discours trop élémentaire à une organisation déjà structurée, qui attend des échanges précis sur ses objectifs et ses contraintes. Dans les deux cas, l’écoute est le meilleur outil d’ajustement.

La relation humaine reprend une place centrale

La généralisation des visioconférences a rendu les échanges plus rapides et plus faciles à organiser. Elle ne remplace toutefois pas entièrement la relation construite dans les moments moins formels. Michael Chaouat insiste sur la valeur des discussions avant et après une réunion, lorsque les participants peuvent livrer une préoccupation, une réserve ou une information qu’ils n’exprimeraient pas nécessairement dans un cadre très préparé.

Ces instants comptent particulièrement dans la vente de l’IA. Une inquiétude sur l’évolution du travail, une hésitation sur la fiabilité de l’outil ou une difficulté d’organisation peut décider du sort d’un projet. Elle n’apparaît pas toujours dans le compte rendu officiel d’une réunion. La repérer demande de l’attention, mais aussi du temps et un climat de confiance.

Les rencontres physiques retrouvent ainsi de l’importance. Les déplacements sont de nouveau inscrits à l’ordre du jour, car de nombreux clients souhaitent des échanges directs. Le face-à-face ne remplace pas les outils numériques, mais il facilite une discussion plus riche, notamment lorsqu’il faut réunir plusieurs métiers autour d’un projet sensible ou complexe.

Quels talents commerciaux pour les solutions d’IA ?

La qualité des équipes commerciales devient un enjeu stratégique. Michael Chaouat souligne l’importance de sélectionner des A-players, c’est-à-dire des professionnels exigeants et motivés par leur évolution. Dans un marché où les offres peuvent paraître proches sur le papier, la capacité à comprendre un client, à organiser une discussion utile et à tenir ses engagements peut faire une différence durable.

Il alerte également sur les limites d’une logique de court terme. Les profils qui changent d’employeur pour de faibles écarts salariaux, qualifiés de « mercenaires » dans le discours commercial, sont moins nombreux selon lui. Au-delà de ce constat, il rappelle la valeur d’une bonne réputation. Dans les relations interentreprises, celle-ci se construit au fil des échanges : clarté des promesses, connaissance du sujet, fiabilité du suivi et respect des interlocuteurs.

La compétence la plus fondamentale pour les nouveaux entrants reste toutefois la curiosité. Elle pousse à poser les bonnes questions plutôt qu’à réciter un discours. Elle permet aussi d’écouter les retours du terrain, de comprendre les objections et d’affiner progressivement la proposition faite au client. Cette curiosité doit s’accompagner d’une écoute active : une solution pertinente ne se décrète pas, elle se construit à partir d’un besoin réellement exprimé.

Ce qu’il faut surveiller dans la vente de l’IA

À mesure que l’IA entre dans les outils de travail, les entreprises devront distinguer plus nettement les promesses de marché des usages qui produisent un effet concret. Les vendeurs auront donc intérêt à privilégier des projets compréhensibles, des limites assumées et des critères d’évaluation partagés dès le départ.

La question centrale ne sera pas seulement de savoir quelle entreprise possède la technologie la plus impressionnante. Elle sera aussi de déterminer laquelle sait l’intégrer dans un problème métier précis, la présenter avec honnêteté et en démontrer la valeur. Dans cette nouvelle équation commerciale, l’expertise technique reste nécessaire, mais elle ne remplace ni la confiance ni la relation humaine. Elles deviennent au contraire les conditions d’une adoption durable.