IA pour qualifier les leads B2B : quoi déléguer

Dans presque tous les comptes B2B que j’audite, le formulaire reçoit trois choses par le même tuyau : le vrai lead, le candidat qui cherche un poste et le prestataire qui veut te vendre du SEO. Tout arrive dans la même boîte. Les trois grignotent le temps d’un commercial qui coûte cher, et le troisième est le mieux rédigé.

Cet article parle de la couche de tri : ce qui se passe entre le clic sur envoyer et la lecture du lead par un humain. Pas du modèle de scoring, traité ailleurs. D’un LLM qui lit du texte libre et nettoie des données, sans décider qui reçoit un appel.

En 30 secondes :

• L’IA sert à lire et structurer le lead, pas à le noter. Les poids du scoring restent une décision business.
• Le modèle sort un score très sûr de lui même quand il ne sait rien du lead. C’est contre ça qu’on conçoit le système.
• Un rejet automatique sans relecture humaine relève du terrain réglementé, pas seulement du risque.
• Le journal d’audit (entrée, version du prompt, sortie, décision humaine) est ce qui transforme ça en système.
• Tu envoies des données personnelles à un tiers : il te faut une base légale, de la minimisation et une durée de conservation.

Qu’est-ce qu’un LLM fait vraiment bien avec un lead B2B ?

Lire du texte et le transformer en champs. C’est tout, et c’est déjà beaucoup. Le coûteux, dans la qualification d’un lead B2B, ce n’est pas l’arithmétique : c’est que l’information arrive en prose désordonnée dans un champ « parlez-nous de votre projet ».

Cinq tâches où, selon mon expérience, le modèle apporte dès le premier jour :

• Extraire des faits du texte libre. Budget, délai, outil déjà utilisé, nombre de sites. Personne ne l’extrait : deux minutes par lead.
• Classer l’intention. Demande de prix, demande d’info, candidature, démarchage entrant, spam. J’utilise cinq étiquettes, pas quinze.
• Repérer les déchets évidents. Le candidat qui colle son CV dans les commentaires et l’agence qui ouvre par « j’espère que ce message vous trouve en pleine forme » se repèrent très bien : le motif est linguistique.
• Normaliser les noms d’entreprise. « acme », « Acme SAS », « ACME France » et « acme.fr » sont un compte. Ton CRM en voit quatre.
• Rédiger un résumé de trois lignes pour que le commercial sache de quoi il s’agit.

Regarde ce qui manque : aucune des cinq n’est une décision. Ce sont des transformations de texte, vérifiables en deux secondes avec l’original à côté. Tout le design tient là. Et si ton CRM garde trois fiches pour un même compte, les doublons gonflent ton volume de leads et écrasent ton taux de closing apparent.

Que le modèle ne doit-il jamais décider seul ?

Deux choses : les poids finaux du scoring et tout ce qui débouche sur un rejet automatique. Le reste se négocie.

Je commence par la panne, parce qu’elle explique la règle. Demande à un modèle de noter un lead de 0 à 100 et il renvoie un 78. Avec quarante mots de message, sans données firmographiques, sans savoir si l’entreprise a déjà rebondi deux fois, il sort un chiffre et un ton parfaitement convaincu. La documentation d’Anthropic le dit sans détour : “Even the most advanced language models, like Claude, can sometimes generate text that is factually incorrect or inconsistent with the given context”. La même page conclut en rappelant que ces techniques réduisent les hallucinations sans les éliminer, et qu’il faut toujours valider l’information critique.

Et l’information critique ? Celle qui décide si une personne reçoit un appel ou disparaît dans un dossier.

La dernière ligne n’est pas de la prudence. La Commission européenne explique que la décision entièrement automatisée n’est autorisée que dans trois cas, et qu’il faut garantir “le droit à l’intervention humaine” et la possibilité de contester la décision. J’ai vu des pipelines envoyer aux oubliettes tous ceux que le modèle notait sous 40. C’est exactement ce que ce texte encadre.

Il existe une version intermédiaire que j’utilise : le modèle trie la file et n’écarte personne. Le chaud en haut, le froid en bas, et le commercial descend aussi loin que sa journée le permet. La différence entre trier et écarter a l’air sémantique. Elle ne l’est pas.

Comment poser ça sur le scoring que tu as déjà ?

Comme une couche en amont, jamais comme un remplacement. Ton modèle de scoring définit quels critères comptent et avec quel poids. Si tu ne l’as pas écrit, commence par là : j’ai un guide sur le lead scoring B2B sans sur-ingénierie, et automatiser une décision non prise n’a aucun sens.

Ce que je fais quand je le monte pour un client :

1. Fige le modèle de scoring sur une page. Critères, poids, seuils MQL et SQL. Si ça déborde, c’est sur-ingénié.
2. Définis le schéma de sortie avant le prompt. Champs exacts et types. C’est ce qui empêche une dissertation là où tu attendais un booléen.
3. Impose cette structure dans l’appel. La documentation des sorties structurées d’Anthropic nomme le problème : “Without structured outputs, Claude can generate malformed JSON responses or invalid tool inputs that break your applications”. Avec strict: true sur l’outil, le schéma est validé.
4. Laisse un champ d’incertitude. Un confiance : haute | moyenne | basse et un motif d’une ligne. Anthropic recommande de donner au modèle la permission explicite d’admettre qu’il ne sait pas. Cette permission s’écrit dans le prompt.
5. Calcule le score hors du modèle. Les champs extraits entrent dans ta formule, dans un tableur ou le CRM. Le modèle lit, ta règle note.
6. Relis à la main les deux cents premiers leads. Seule façon de connaître ton vrai taux d’erreur.

L’étape cinq déclenche le plus de discussions et le moins de doute. Si le LLM renvoie le score, tu ne peux plus expliquer pourquoi un lead a eu 62 et pas 71. Avec la formule à l’extérieur, n’importe qui ouvre le tableur. Je préfère discuter d’un tableur.

Attention à ce que tu pousses dans le CRM. Si le lead enrichi alimente des conversions hors ligne vers Google Ads ou Meta, le champ envoyé doit porter la décision humaine, pas la proposition du modèle. Je couvre la boucle dans intégration CRM et publicité B2B et l’import dans conversions hors ligne dans Google Ads pour le B2B.

Que faut-il journaliser pour que ce soit auditable ?

Six choses par lead, et elles tiennent dans une ligne de base de données. Sans ça tu n’as pas un système : tu as une boîte noire qui déraillera un jour sans qu’on sache pourquoi.

• L’entrée littérale envoyée au modèle, texte du formulaire inclus.
• La version du prompt. Un numéro incrémenté dès que tu touches une virgule. Excessif, jusqu’à la première baisse de performance inexpliquée.
• L’identifiant exact du modèle, avec sa version.
• La sortie complète, champs et niveau de confiance.
• La décision humaine finale et qui l’a prise.
• L’horodatage de chaque étape.

Avec ça tu réponds à la question qui finit toujours par arriver : pourquoi ce lead est-il en bas de la file ?

Il y a un bénéfice secondaire que je n’avais pas anticipé : ce journal est ton jeu d’évaluation gratuit. Au bout de trois mois tu as des centaines de cas avec la proposition du modèle et la correction humaine côte à côte. Anthropic suggère aussi de lui faire citer la phrase exacte qui appuie chaque affirmation : tu vois d’un coup d’œil si le « budget : 30 000 euros » venait du message ou d’une invention.

Et les données personnelles du formulaire ?

Tu les envoies à un tiers, et ça se documente avant le premier appel API. Trois fronts.

Base légale. Il t’en faut une pour cette finalité précise. L’intérêt légitime convient souvent quand tu qualifies une demande que la personne t’a envoyée, mais ça dépend de ton cas et mieux vaut l’écrire que le supposer.

Minimisation. La Commission européenne le résume par une phrase qui me sert de filtre : les données personnelles “should only be processed where it is not reasonably feasible to carry out the processing in another manner”, et elles doivent être adéquates, pertinentes et limitées au nécessaire. Traduit dans le pipeline : n’envoie pas l’objet complet du formulaire, seulement le texte du message et le domaine de l’email. Le nom et le téléphone n’apportent rien à une classification d’intention.

Conservation. Le même document demande de garder les données le moins longtemps possible. C’est là que les petites lignes comptent : pour l’API Anthropic, la politique indique que “we automatically delete inputs and outputs on our backend within 30 days of receipt or generation”, et la documentation de rétention ajoute que les données conservées ne servent jamais à entraîner des modèles sans permission expresse. La durée de ton propre journal, c’est toi qui la fixes.

Une remarque pratique : mieux le formulaire est conçu, moins de données circulent. Une liste déroulante de budget évite d’aller le chercher dans le texte libre, et je développe ça dans landing pages B2B pour capter des leads qualifiés.

Quand est-ce que ça ne vaut pas le coup ?

Quand tu reçois moins de trente ou quarante leads par mois. Les lire toi-même est généralement plus rapide, plus exact et ne génère pas une ligne de doc RGPD. L’automatisation a un coût de montage et un coût d’entretien, et aucun ne baisse avec le volume.

Je l’écarte aussi quand le vrai problème est ailleurs. Si les leads arrivent mal qualifiés depuis l’annonce, aucun tri en aval ne le répare : tu paies pour attirer la mauvaise personne, puis pour l’identifier. Le travail se situe avant, dans l’offre et le ciblage, et je le couvre dans le guide de génération de leads B2B. Si tu ignores ce que te coûte un lead qualifié, le guide du coût par lead B2B passe avant.

Un avertissement sur l’autonomie. Je parle d’un appel par lead, avec schéma fixe et sortie vérifiable. Pas d’un agent qui interroge ton CRM, décide et répond aux emails. La distinction compte : je la développe dans agents Claude pour le marketing digital.

Questions fréquentes

Puis-je demander à l’IA de noter le lead de 0 à 100 ?

Tu peux. Elle renverra un chiffre ni reproductible ni explicable, et tu ne pourras pas justifier pourquoi ce lead a eu 62 plutôt que 71. Je préfère extraire les champs avec le modèle, puis calculer le score avec ma propre formule. L’arithmétique reste auditable.

Est-il légal de rejeter des leads automatiquement avec un modèle d’IA ?

Ça dépend de l’effet de la décision sur la personne. La Commission européenne limite la décision entièrement automatisée à trois cas et exige des garanties comme le droit à l’intervention humaine et à la contester. Mon conseil est simple : trie la file avec le modèle, mais fais signer l’exclusion par un humain.

Quelles données du formulaire envoyer au modèle ?

Le minimum. Pour classer l’intention, le texte du message et le domaine de l’email professionnel suffisent. Nom, prénom et téléphone n’apportent rien, donc ils ne sortent pas de ton système. Moins de données envoyées, c’est moins de risque et, presque toujours, un meilleur prompt.

Combien de temps pour monter une couche de tri comme ça ?

Avec le scoring déjà défini, c’est généralement une semaine de travail réel : schéma, prompt, intégration et tests. Ce qui s’étire, c’est la validation. Relire deux cents leads à la main prend le temps que ça prend, et sans ça tu ignores ton taux d’erreur.

Faut-il prévenir l’utilisateur qu’un modèle lit son message ?

Oui. Ça s’insère dans ta politique de confidentialité : ce qui est traité, dans quel but, quels sous-traitants et combien de temps c’est conservé. Si une partie devient une décision automatisée, la réglementation européenne impose d’en signaler l’existence et la logique. C’est court, mais ça doit être écrit avant.

Le modèle lit, tu décides

Ce qui rend un LLM utile ici, ce n’est pas qu’il note mieux que toi. C’est qu’il lit cent messages désordonnés en une minute et les range. La décision reste humaine. L’arithmétique reste dans le tableur.

Quand on me montre un système de qualification par IA qui ne marche pas, je trouve presque toujours la même chose : on a demandé au modèle de décider au lieu de lire. Et comme il ne dit jamais « je n’ai aucune idée de ce lead » sauf autorisation explicite, il renvoie de la confiance là où il n’y en a pas. J’ai vu cette panne mettre un an à sortir. Avec un journal d’audit, deux semaines.

Si tu veux que je regarde ton flux de leads entrants et que je te dise si ça a du sens chez toi, réserve 30 minutes de consulting et on le voit avec tes chiffres. Je préfère te le dire avant que tu montes quoi que ce soit.