L'IA dans la vente : Nano Banana 2 et les tendances des modèles

KI & Automatisierung · 10. Juli 2026 · Ohiku Mose Guy

L'IA dans la vente nécessite une compréhension des modèles : vérifiez la latence, les prix des jetons et l'IA visuelle avant que votre pipeline ne devienne une diapositive de démonstration. Lisez maintenant.

La plupart des directeurs des ventes n'achèteront pas trop peu d'IA en 2026, mais trop de mauvaise IA. L'IA dans la vente est actuellement traitée comme une liste de courses : un modèle de texte, un modèle d'image, un chatbot, peut-être un agent vocal, et c'est tout. C'est techniquement pratique et commercialement dangereux. Si la latence, les prix des jetons, la fenêtre contextuelle et l'accès aux données ne correspondent pas, le système produit de belles démonstrations — et s'effondre précisément lorsque 37 responsables de compte lancent leurs campagnes hebdomadaires le lundi à 8h15.

Ma prédiction est simple et inconfortable : au cours des deux à trois prochaines années, ce n'est pas le meilleur modèle fondamental qui gagnera la vente B2B, mais le meilleur mélange de modèles par workflow. Un agent de recherche de leads a besoin de propriétés différentes d'un générateur de propositions. Un modèle d'image pour des microsites personnalisés a des limites différentes d'un copilote d'appel. Quiconque utilise un grand modèle pour tout paie trop cher, attend trop longtemps et obtient quand même des hallucinations dans son pipeline.

J'écris ceci en tant qu'Ohiku Mose Guy, ingénieur senior chez Amplifa. Pas en tant qu'analyste avec un quadrant propre. Je vois des journaux, des délais d'attente, des champs CRM corrompus, des invites trop grandes, des budgets trop petits et des directeurs des ventes qui veulent savoir pourquoi une campagne d'e-mails avec l'IA, bien que prometteuse, n'apporte que 14 réponses. Eh bien, presque. Parfois, elle en apporte 140 — si le système est correctement construit.

Statut quo : l'IA dans la vente n'est plus un outil, mais une infrastructure

Le marché a évolué depuis début 2024. OpenAI a positionné GPT-4o comme un modèle multimodal avec une fenêtre contextuelle de 128k, Anthropic a établi Claude 3 et plus tard Claude 3.5 Sonnet avec un raisonnement fort et un contexte de 200k, Google a lancé Gemini 1.5 Pro avec jusqu'à 1 million de jetons de contexte, Stability AI a ouvert davantage le côté image avec Stable Diffusion 3. Ce ne sont plus des jouets. Ce sont des blocs de construction pour les machines de vente.

Les prix sont la deuxième rupture. Selon les listes de prix publiquement documentées à l'automne 2024, GPT-4o coûtait environ 5 dollars US par million de jetons d'entrée et 15 dollars US par million de jetons de sortie. GPT-4o mini était nettement inférieur, environ 0,15 dollar US pour l'entrée et 0,60 dollar US pour la sortie par million de jetons. Claude 3 Haiku se situait à peu près entre 0,25 et 1,25 dollar US, Claude 3.5 Sonnet à environ 3 et 15 dollars US. Pour la génération d'images, les images DALL·E-3 coûtaient souvent entre 0,04 et 0,08 dollar US par image, selon la qualité et la résolution. Cela semble bon marché. Et ça l'est — jusqu'à ce que quelqu'un personnalise 120 000 comptes avec trois variantes, deux langues, un contexte RAG et des visuels héroïques.

Dans les PME allemandes, je vois une question différente de celle des démonstrations américaines. Pas : quel modèle est le plus intelligent ? Mais : quel modèle est stable à p95 sous charge, ne stocke pas de fausses données, respecte les processus d'approbation et ne rédige pas de conditions d'offre au hasard ? Un directeur des ventes chez Phoenix Contact ou Festo ne pense pas en jetons. Il pense en pipeline, en marge de contribution, en logique territoriale, en canaux de distribution et en approbation légale. Pourtant, ce sont les jetons qui décident en fin de compte si le projet est évolutif.

Selon le McKinsey Global Institute de juin 2023, l'IA générative peut générer entre 2,6 et 4,4 billions de dollars US de valeur économique par an dans le monde ; le marketing et les ventes figurent parmi les domaines fonctionnels les plus importants. Gartner a prédit en 2023 que d'ici 2028, environ 60 % du travail de vente B2B pourrait se faire via des interfaces d'IA conversationnelles, contre moins de 5 % à l'époque. Je n'aime ces chiffres qu'à moitié. Ils sont grands, ronds et bons pour les diapositives. Mais ils indiquent la direction : la vente ne sera pas numérisée, la vente sera décomposée en appels de modèles.

Tendance 1 : l'IA visuelle ultra-rapide fait partie de la séquence de vente

Le nom « Nano Banana 2 » apparaît actuellement dans les conversations comme un code : génération d'images très rapide, petits modèles, visuels adaptés à la vente, prétendument presque sans temps d'attente. À ma connaissance fiable, je n'ai vu aucune carte de modèle publiquement documentée, aucun benchmark vérifié, aucun tableau de prix officiel. C'est pourquoi je ne traite pas le nom comme un fait, mais comme un signal. Le marché veut une IA visuelle qui ne fonctionne pas comme un outil créatif, mais comme un composant API dans la vente.

Pourquoi est-ce pertinent ? Parce que la vente personnalisée ne s'arrête pas à « Bonjour Monsieur Müller, j'ai vu que vous travaillez chez Schaeffler ». C'était déjà dépassé en 2021. Un flux outbound moderne peut générer une mini-landing page pour un compte cible : titre, argument de vente, un diagramme à partir de données d'entreprise publiques, un visuel adapté au secteur, ainsi qu'une structure d'offre issue du CRM. Si l'image prend 18 secondes, aucun SDR ne l'utilisera au quotidien. Si elle prend 3 secondes, elle fera partie du système.

Les limites techniques sont strictes. Les modèles d'images de cloud public en 2024 prenaient de 3 à 15 secondes pour une image de 1024x1024 dans de nombreuses configurations. Des déploiements optimisés avec des modèles de diffusion plus petits ou distillés, des sessions GPU chaudes et une faible latence réseau peuvent atteindre moins de 2 secondes pour des résolutions plus petites. Moins d'une seconde ? Possible, mais rarement sans compromis sur la qualité. Et c'est là que réside la question de la vente : ai-je besoin d'une belle image ou d'une image suffisamment bonne qui reste sous les 5 secondes à p95 ?

Si l'image est prête plus vite que mon CRM ne charge, ce n'est plus un projet créatif. C'est un système de vente.

— Andrea, Responsable des ventes chez un automatiseur à Bielefeld

Andrea me l'a dit en mars 2025 après une revue d'un flux de campagne pour les fournisseurs de machines. Pas de grand spectacle. Juste une phrase dans une pièce sobre, plafond acoustique blanc, léger ronronnement du projecteur. Le point est resté. L'IA visuelle ne devient pas importante parce que les ventes doivent être plus colorées. Elle devient importante parce que la différence entre une approche générique et une approche spécifique au compte ne coûte soudainement plus deux heures de travail de conception.

Ce qu'un modèle comme « Nano Banana 2 » devrait réellement offrir

Si un fournisseur prétend aujourd'hui avoir une IA visuelle rapide pour le contenu de vente, je ne demande pas d'abord des exemples d'images. Je demande p50 et p95. Je demande le comportement par lots pour 50 requêtes parallèles. Je demande si les textes dans les images restent stables. Je demande si les kits de marque peuvent être versionnés. Je demande si une image générée pour Kärcher, Trumpf ou Webasto ne produit pas accidentellement des logos, des formes de produits incorrectes ou des certifications fantaisistes.

Cela semble pédant. Et ça l'est. Mais les systèmes de vente ne meurent pas à la démo. Ils meurent aux cas limites : un nom d'entreprise mal orthographié, une norme inventée, un visuel avec une machine incorrecte, un e-mail envoyé au mauvais site, un CTA qui pointe vers une page d'offre expirée. L'IA visuelle augmente la surface d'erreur. C'est précisément pourquoi elle a besoin de plus d'ingénierie, pas moins.

Tendance 2 : les prix des jetons décident de l'architecture du pipeline

De nombreuses équipes de vente sous-estiment les prix des jetons, car un seul appel de modèle semble bon marché. Un résumé de compte avec 8 000 jetons d'entrée et 800 jetons de sortie ne coûte presque rien avec un petit modèle. Avec un grand modèle, avec cinq variantes, un contexte RAG, une traduction et une étape de QA, le calcul est différent. Multipliez cela par 20 000 comptes, trois personas par compte et six points de contact. Soudain, ce n'est plus le SDR qui est cher, mais la mauvaise architecture.

Je considère l'approche « un grand modèle pour tout » dans la vente comme paresseuse. Pas toujours fausse. Mais souvent paresseuse. Un bon système utilise de petits modèles pour la classification, la déduplication, le routage et les premières ébauches. Les grands modèles n'interviennent que pour les tâches qui nécessitent réellement un raisonnement : hypothèses de compte complexes, logique d'offre, traitement des objections, formulations juridiquement sensibles. Les modèles d'images fonctionnent séparément, avec un cache et un niveau de qualité clair. Le RAG n'est pas simplement une pile de PDF attachée à l'invite, mais est évalué.

Ce que nous observons concrètement chez Amplifa : Au cours des 12 derniers mois, nous avons constaté chez nos clients B2B de l'ingénierie mécanique, des logiciels industriels et des services techniques que 62 à 78 % des coûts LLM dans des configurations mal conçues ne proviennent pas de la génération de texte elle-même, mais de la lecture répétée des mêmes données contextuelles. Fiches techniques de produits, définitions ICP, études de cas, modèles de prix — copiés encore et encore dans l'invite. Après la mise en cache, la déduplication de la récupération et le routage des modèles, la consommation de jetons a diminué de plus de la moitié dans plusieurs implémentations, sans que les équipes de vente ne reçoivent moins de personnalisation. Ce n'est pas glamour. C'est là que les projets deviennent économiquement viables.

Un exemple, anonymisé mais techniquement typique : une équipe de 34 commerciaux génère 4 500 brouillons d'e-mails personnalisés par semaine. Le premier prototype lisait environ 18 000 jetons par brouillon : notes CRM, extraits de site web, textes de produits, règles de persona, anciens e-mails. Après trois semaines, les coûts étaient plus élevés que prévu, et la latence était agaçante. Nous avons décomposé le pipeline : adéquation des leads avec un petit modèle, récupération uniquement pour les familles de produits pertinentes, règles de style sous forme de politique compressée, grand modèle uniquement pour le brouillon final. Résultat : même logique de campagne, mais beaucoup moins de jetons et un temps d'attente nettement réduit. L'odeur de ventilateur d'ordinateur portable chaud dans la salle des opérations de vente n'a pas disparu. Mais elle était moins fréquente.

Les fenêtres de jetons ne sont pas des poubelles

Gemini 1.5 Pro avec jusqu'à 1 million de jetons de contexte a rendu beaucoup de gens nerveux. C'est compréhensible. Les longues fenêtres contextuelles sont utiles, surtout pour les appels d'offres, les spécifications techniques, les longues notes de réunion et les historiques de compte. Mais une grande fenêtre contextuelle n'est pas un laissez-passer pour tout y déverser. Plus le contexte est grand, plus la pertinence est importante. Sinon, on paie pour que le modèle patauge dans des données qu'aucun être humain n'aurait laissées à proximité d'une décision.

Pour les ventes, cela signifie que le RAG reste central. La génération augmentée par récupération n'est pas un terme académique, mais la question de savoir si un modèle sait quelle étude de cas est pertinente pour un fournisseur automobile du Bade-Wurtemberg et laquelle ne l'est pas. Brose n'est pas DMG Mori. Schaeffler n'est pas Kärcher. Un système qui ne sépare pas cela proprement écrit des textes superficiellement corrects, mais commercialement stupides.

Tendance 3 : les agents de vente multimodaux ne remplacent pas les vendeurs — ils remplacent le temps d'attente

Je conteste le récit courant selon lequel l'IA remplace d'abord les vendeurs. À court terme, elle remplace le temps d'attente. Le temps entre la recherche de compte et le premier e-mail. Le temps entre l'appel de découverte et le suivi. Le temps entre une question technique et une réponse fiable issue des connaissances du produit. Le temps entre « nous devrions créer une petite page de destination pour cela » et « voici le lien ».

C'est moins spectaculaire que l'agent de vente entièrement autonome qui conclut des affaires la nuit. Mais c'est plus réel. Un bon copilote écoute l'appel, extrait les objections, tire les informations produit pertinentes d'une base de connaissances vérifiée, formule les prochaines étapes et met à jour HubSpot ou Salesforce. Un mauvais agent écrit cinq points dans un champ de notes et appelle cela de l'automatisation.

Pour la voix, la latence est brutale. Pour le texte, un utilisateur peut attendre deux secondes. Dans une conversation, 700 millisecondes de pause semblent déjà étranges, surtout en allemand, où les propositions subordonnées aiment prendre de petits détours. Pour les copilotes en direct, l'ASR, la récupération, la réponse du modèle et l'interface utilisateur doivent souvent rester en dessous d'une seconde, pour les systèmes dialogiques réels, plutôt en dessous de 500 millisecondes aller-retour. Ce n'est pas seulement un choix de modèle. C'est du streaming, du caching, de la prédiction, de la conception d'interface utilisateur et parfois la décision de ne pas donner de réponse plutôt qu'une mauvaise.

Un directeur des ventes de Nuremberg, appelons-le Markus, a déclaré en avril 2025 après un test avec un copilote d'appel : « La chose peut se taire, mais elle ne doit pas me faire honte. » C'est précisément la norme. Pas une autonomie maximale. Un soutien contrôlé.

Pourquoi les benchmarks mentent souvent dans la vente

MMLU, MMMU, HumanEval, SWE-bench — tout est utile, tout est limité. Un modèle peut être bon dans les benchmarks et pourtant échouer dans la vente parce qu'il pondère mal les notes CRM, confond les termes de l'industrie ou devient trop confiant avec des données minces. La vente a besoin de ses propres évaluations : le modèle a-t-il reconnu la bonne persona ? L'étude de cas a-t-elle été correctement sélectionnée ? L'affirmation est-elle étayée par une source ? Le cadre de prix a-t-il été respecté ? L'e-mail a-t-il une véritable raison ou ressemble-t-il à une automatisation LinkedIn de 2022 ?

Nous construisons généralement ces évaluations non pas comme des tests académiques, mais comme des contrôles de production. 200 comptes réels, anonymisés. 40 questions sur les produits. 30 types d'objections. 10 formulations interdites par le service juridique. Ensuite, nous faisons fonctionner les modèles les uns contre les autres. Pas une seule fois. Encore et encore, après des changements d'invite, après des changements de modèle, après de nouvelles données produit. Sinon, personne ne remarque qu'une mise à jour du fournisseur transforme soudainement « peut être intégré à SAP » en « est certifié SAP ». Petite différence. Gros dégâts.

FAQ : Que signifie « Nano Banana 2 & Co. » pour l'IA dans la vente ?

Si « Nano Banana 2 & Co. » désigne une nouvelle classe de modèles d'images ou multimodaux très rapides, alors l'impact le plus important n'est pas un contenu plus joli. L'impact le plus important est le rythme. Les équipes de vente peuvent intégrer des visuels spécifiques au compte, des microsites, des éléments de présentation et des suivis dans le même workflow où seul le texte est généré aujourd'hui. Pour cela, le fournisseur doit fournir des chiffres concrets : latence p95, coût par 1 000 images, contrôle des droits et de la marque, stabilité de l'API, intégration RAG. Sans ces chiffres, c'est un outil créatif avec un bon nom.

Ce que cela signifie pour les PME

Les PME ne devraient pas se précipiter sur chaque nouvelle version de modèle. Je le dis en tant qu'ingénieur, même si j'aime les nouveaux modèles. Beaucoup. Mais la meilleure question pour un PDG d'un fabricant de machines en Westphalie orientale ou d'un fabricant de composants près de Stuttgart est la suivante : quels processus de vente ont suffisamment de répétition, de données et de levier économique pour que l'IA ne reste pas un gadget ?

L'inbound seul ne suffit plus. Quiconque croit encore en 2026 dans le B2B que les livres blancs, le SEO et les contacts de salon remplissent le pipeline sous-estime la nouvelle réalité. Les bons concurrents identifieront les comptes cibles plus tôt, feront des recherches plus rapidement, les aborderont plus précisément et écriront des suivis avant que la vente classique n'ait trié ses rapports de visite. Non pas parce que leurs vendeurs sont plus géniaux. Mais parce que leur système a moins de friction.

Pour des entreprises comme Trumpf, Wittenstein, Festo ou des champions cachés plus petits, l'opportunité est particulièrement grande, car elles ont des produits complexes et des arguments de vente qui nécessitent des explications. C'est précisément là que l'IA aide. Un outil SaaS générique peut être expliqué par n'importe qui. Une solution d'automatisation modulaire avec des variantes, des normes, un concept de service et un calcul de ROI nécessite un contexte. C'est un problème de modèle, un problème de données et un problème de gestion des ventes. Dans cet ordre ? Pas tout à fait. La gestion vient généralement en premier.

Amplifa ICP Playbook Playbook pratique pour définir clairement les clients cibles, les signaux et la logique de vente avant que les agents IA ne mettent à l'échelle de faux comptes.

L'impact commercial concret

Premièrement, la frontière entre l'activation des ventes et l'exécution des ventes s'amincit. Auparavant, le marketing créait du matériel, les ventes l'utilisaient peut-être, souvent non. Avec les modèles multimodaux, le matériel est créé au moment de l'utilisation : un one-pager pour un responsable des achats, une comparaison technique pour le directeur d'usine, un suivi avec un graphique approprié pour le directeur financier. Cela peut devenir dangereux si personne ne met en place de gouvernance. Cela peut devenir puissant si les approbations, les sources et les modèles sont propres.

Deuxièmement, les opérations de vente deviennent plus techniques. La personne qui auparavant gérait les séquences dans Salesloft devra à l'avenir comprendre le routage des modèles, les sources de données, les versions d'invite, les scores de QA et la qualité des champs CRM. Pas comme un ingénieur ML. Mais suffisamment pour arrêter une mauvaise automatisation. Un CSO qui ne demande que « plus d'IA » obtient plus de résultats. Pas plus de chiffre d'affaires.

Troisièmement, la vitesse devient mesurable. Non pas comme un mot sur une diapositive, mais comme une métrique système : temps entre le signal et l'approche, temps entre l'appel et le suivi, temps entre la question produit et la réponse documentée, temps entre l'opportunité et la première offre. Si une nouvelle version de modèle réduit de moitié ces temps, elle est pertinente. Si elle ne gagne que des points de référence, elle peut rester au laboratoire.

1. Mesurez d'abord les goulots d'étranglement. Non pas par intuition, mais avec des horodatages : signal de lead, début de la recherche, premier point de contact, réponse, suivi, offre. Sans cette base, toute démo d'IA est du brouillard.
2. Séparez les workflows en fonction des exigences du modèle. Le scoring des leads nécessite des modèles différents de la génération d'offres, de la personnalisation d'images ou du copilote d'appel. Un mélange de modèles n'est pas un luxe, mais un contrôle des coûts.
3. Définissez une politique RAG. Quels documents peuvent être inclus dans les réponses ? Quelles sources sont obsolètes ? Qui gère les versions des listes de prix, des études de cas et des fiches techniques ?
4. Construisez vos propres évaluations de vente. Prenez de vrais comptes, de vraies objections, de vraies questions sur les produits. Vérifiez la liaison des sources, la tonalité, l'adéquation de la persona et les formulations interdites.
5. Demandez les latences p50 et p95 au fournisseur. Les moyennes sont agréables. p95 montre ce que votre équipe expérimente le lundi en période de pointe.
6. Calculez les coûts par campagne, pas par jeton. Un prix de jeton est abstrait. Une séquence avec 10 000 comptes, trois personas et deux variantes d'image est concrète.
7. Commencez par un processus qui a une proximité avec le chiffre d'affaires et un accès aux données. Les bons candidats sont la recherche de comptes, l'automatisation du suivi, les éléments d'offre et la priorisation outbound basée sur l'ICP.

L'IA dans la vente nécessite une intégration produit, pas une autre fenêtre de chat

Je suis allergique aux outils d'IA qui n'ouvrent qu'une autre fenêtre. Les vendeurs ont déjà assez de fenêtres. Salesforce, HubSpot, Outlook, LinkedIn, extrait ERP, configurateur d'offres, Teams, navigateur, parfois un vieil outil Access que personne ne veut toucher. Si l'IA n'est pas intégrée là, elle devient un travail supplémentaire. Alors les gens écrivent à nouveau des invites copier-coller. Alors Excel gagne. Excel gagne plus souvent que les consultants ne l'admettent.

Un système d'IA de vente prêt pour la production doit comprendre les événements. Nouveau lead. Signal de site web. Contact de salon. Opportunité perdue. Nouveau financement. Offre d'emploi pour chef de projet SAP. Demande de pièces détachées. Le système doit décider si quelque chose est pertinent, quelle persona compte, quel message convient et si un humain doit approuver. Ce n'est pas une simple question de modèle. C'est de l'orchestration.

Produit Amplifa Amplifa combine la logique ICP, les signaux de leads, la recherche assistée par l'IA et les actions de vente dans un système proche du workflow pour les équipes B2B.

Dans les implémentations avec HubSpot, je vois souvent un schéma : l'IA est assez bonne, mais la structure des données ne l'est pas. Les étapes du cycle de vie sont incohérentes, les champs de l'industrie sont saisis librement, les sites DACH sont mélangés, les filiales ne sont pas correctement liées. Chez Salesforce, c'est similaire, mais avec plus de logique d'objets et plus de charge historique. Quiconque y met directement un agent met à l'échelle le chaos. Quiconque nettoie d'abord les champs et événements les plus importants obtient soudainement des réponses qui ressemblent à de la vente et non à une bibliothèque d'invites.

Quand l'IA visuelle est-elle vraiment rentable dans la vente ?

L'IA visuelle ne vaut pas la peine pour chaque e-mail. S'il vous plaît, non. Personne n'a besoin d'une image d'usine générée avec un dégradé bleu pour chaque premier contact. Cela sent l'automatisation, et de mauvaise qualité. L'IA visuelle est utile là où un contexte visuel rend une déclaration complexe plus rapide : plan d'installation, comparaison de ROI, croquis de processus, microsite sectoriel, couverture de présentation personnalisée, schéma avant-après, variante technique. Elle devient particulièrement puissante lorsque le visuel est alimenté par des données réelles et ne fait pas que paraître joli.

Chez un fabricant de composants techniques du sud de l'Allemagne, nous avons vu en 2025 un test où les pages d'offres personnalisées avec des visuels spécifiques à l'industrie étaient nettement plus souvent transmises en interne que les suivis PDF purs. Je ne donne pas de pourcentage fantaisiste, car l'échantillon était petit. Mais le schéma était clair : les visuels n'aidaient pas à l'ouverture. Ils aidaient à l'explication. Et dans le B2B, ce n'est souvent pas le meilleur e-mail qui gagne, mais le message que le destinataire peut transmettre en interne sans maux de tête.

La question du fournisseur : acheter, construire ou orchestrer ?

De nombreuses PME posent la mauvaise question de la construction ou de l'achat. Elles demandent : devons-nous former notre propre modèle ? Dans 95 % des cas de vente : non. Elles demandent : devons-nous tout faire passer par un seul fournisseur ? Non plus, du moins pas à l'aveugle. La meilleure question est : quelles parties de la chaîne de valeur devons-nous contrôler ? Modèle ? Données ? Logique d'invite ? Évaluations ? Interface utilisateur ? Intégrations ? Audit ?

Les modèles fondamentaux propriétaires sont absurdes pour la plupart des organisations de vente. L'orchestration propriétaire est souvent nécessaire. Ceux qui utilisent directement OpenAI, Anthropic, Google ou Stability obtiennent des modèles de base puissants, mais pas une logique de vente automatiquement propre. Ceux qui utilisent un SaaS d'IA de vente prêt à l'emploi obtiennent de la vitesse, mais parfois peu de transparence sur les coûts du modèle, la récupération ou les classes d'erreurs. Les deux peuvent être corrects. Honnêtement ? Je ne le sais pas sans le contexte du système. Mais je sais quelle question je pose lors du premier atelier : où le système peut-il se tromper, et où ne le peut-il pas ?

Dans un e-mail froid, le ton n'a pas besoin d'être parfait. Dans une promesse de prix, rien ne doit glisser. Dans un résumé d'appel, une phrase secondaire sans importance peut manquer. Dans un engagement de conformité, rien ne doit être inventé. Ces classes de risque doivent être intégrées à l'architecture. Sinon, on discute des noms de modèles, alors que le vrai problème se trouve dans le processus d'approbation.

Prévision personnelle : les 2 à 3 prochaines années

Ma première prédiction : le terme « IA dans la vente » disparaîtra, car l'IA sera intégrée à chaque bon processus de vente. Personne ne dit aujourd'hui « vente basée sur une base de données ». On utilise un CRM. De même, personne ne dira fièrement en 2028 que son suivi utilise l'IA. Ce sera attendu.

Ma deuxième prédiction : les petits modèles seront plus stratégiques que les grands modèles. Non pas parce qu'ils sont plus intelligents. Mais parce qu'ils peuvent fonctionner plus près du processus : moins cher, plus rapide, plus souvent, avec moins de problèmes. Les grands modèles resteront importants pour les tâches complexes. Mais le levier économique réside dans le routage, la pré-vérification, la consolidation des données et le contrôle qualité. Ce sont des tâches pour les petits modèles rapides et une architecture propre.

Ma troisième prédiction : l'IA visuelle sera d'abord surestimée, puis sous-estimée dans le B2B. D'abord, il y aura trop de visuels génériques. Puis la désillusion. Ensuite, les bonnes applications : croquis techniques, microsites spécifiques aux comptes, navigation d'offres, explication interne du centre d'achat. Si « Nano Banana 2 & Co. » accélère vraiment cette catégorie, le gagnant ne sera pas le plus joli modèle d'image. Le gagnant sera le modèle suffisamment fiable pour faire partie d'une chaîne d'approbation.

Ma quatrième prédiction : l'avantage commercial passera du message au timing. Si tout le monde peut générer de bons textes, ce qui compte, c'est qui identifie le plus tôt qu'un compte est prêt à acheter, qui interprète correctement la bonne occasion et qui réagit en quelques minutes avec une substance pertinente. Pas avec du spam. Avec du contexte. Cela semble peu spectaculaire. Mais c'est la différence entre le pipeline et le bruit.

Je vois actuellement de nombreuses équipes tester des modèles comme si les modèles étaient l'essentiel. Elles comparent des captures d'écran, des réponses de démonstration, des classements. Pendant ce temps, le CRM reste sale, l'ICP flou, les données produit dispersées et le service juridique impliqué trop tard. Ensuite, elles s'étonnent que l'IA dans la vente ne se mette pas à l'échelle. Le modèle n'était pas le problème. C'était juste la partie qui brillait le plus.