Pourquoi la plupart des projets IA n'arrivent pas jusqu'au CRM
60-70% des projets IA « réussis » qui finissent en POC ne passent jamais en prod réelle. La raison principale est prévisible : l'intégration avec le CRM est la phase qui se sous-estime systématiquement. Sans connexion réelle au CRM, l'IA produit de jolies suggestions que personne n'exécute, et ça ce n'est pas une « phase 1 » — c'est la fin du projet.
Connecter l'IA à ton CRM n'est ni optionnel ni « pour plus tard ». C'est la différence entre un assistant qui suggère et un système qui exécute. Si ton vendor te propose de séparer cette phase et « on connectera en V2 », il y a de très fortes chances que la V2 n'arrive jamais.
Les 3 couches : lecture, écriture, exécution
- Lecture. L'agent lit la data du CRM — contacts, opportunités, activité, notes — pour comprendre le contexte avant de décider.
- Écriture. L'agent écrit dans le CRM — crée des contacts, logge l'activité, met à jour les champs. C'est ici que les risques commencent : une écriture incorrecte peut contaminer ta base.
- Exécution. L'agent déclenche des actions qui vivent dans le CRM — déclencher des séquences, assigner des leads, déplacer les opportunités d'étape. Ici le coût d'erreur est maximum.
HubSpot · Pipedrive · Salesforce : ce qui change entre eux
| Aspect | HubSpot | Pipedrive | Salesforce |
|---|---|---|---|
| API | Bien documentée, ergonomique | Simple, limitée en custom | Puissante, complexe, demande de l'expertise |
| Rate limits | Généreux sur les plans payants | Raisonnables | Variables selon la licence |
| Custom objects | Limités sur les plans bas | Limités | Très flexibles |
| Webhooks | Bien implémentés | Fonctionnels | Excellents mais complexes |
| Coût d'intégration technique | Faible-moyen | Faible | Moyen-élevé |
Sécurité et permissions (ce que ton DPO va demander)
Avant de connecter l'IA au CRM, ton DPO va poser trois questions. Avoir les réponses prêtes évite des mois de blocage :
- Quelles données personnelles sont envoyées au LLM et sous quelles conditions ? Tu dois le savoir champ par champ et l'avoir documenté.
- Le fournisseur du LLM s'entraîne-t-il avec ces données ? Plan business d'OpenAI et d'Anthropic : non. Confirme-le dans ton DPA spécifique.
- Y a-t-il un mécanisme d'audit de ce qui a été envoyé, quand et pour quelle décision ? Logs chiffrés avec rétention minimale.
Patterns recommandés
- Validation par règles avant écriture. Chaque action d'écriture passe par validation (format, ranges, existence des champs) avant exécution.
- Confirmation humaine sur les opérations critiques. Toute action qui touche des opportunités >X € ou des clients top-tier demande confirmation avant exécution.
- Logs structurés et réversibles. Toute action doit pouvoir être annulée en moins d'1 minute.
- Sandboxing initial. Déploie d'abord en environnement de test ou sur un sous-ensemble de comptes pendant 2-4 semaines.
- Métriques de qualité en continu. % d'actions correctes, % d'escalade humaine, % d'erreurs détectées.