IA : scorer, personnaliser et amplifier l'affect à grande échelle

Jusqu'ici l'heuristique d'affect était une affaire artisanale : un commercial entraîné, une page de vente bien écrite, une offre soigneusement packagée. L'IA générative change l'équation : ce qui exigeait une équipe créative et trois semaines de travail peut désormais être produit en variantes calibrées à l'unité — à coût marginal quasi nul. Ce chapitre cartographie les sept usages les plus matures, avec prompts prêts à l'emploi.

L'équation de productivité affective

Avant l'IA générative :

  • 1 page de vente = 8 à 20 h de copywriter senior
  • 1 séquence email 5 touches = 6 à 12 h
  • 1 calibration affective d'un pitch = jamais (faute de temps)

Après :

  • 1 page de vente brute + 5 variantes affectives = 30 min
  • 1 séquence email avec 6 variantes par segment psychographique = 1 h
  • 1 pitch écrit en 3 tons (chaleureux, expert, urgence sobre) = 5 min

L'unité de production n'est plus le message — c'est la variante. Et qui dit variantes, dit A/B test, dit calibrage progressif vers la version maximisant l'affect.

Usage 1 — Scorer l'affect d'un texte existant

Tout texte commercial (email, page, slide, post LinkedIn) porte un score affectif quantifiable. L'IA peut l'évaluer avec une grille structurée.

Prompt scoring affect

Tu es un expert en psychologie de la décision et copywriting B2B/B2C.
Score le texte ci-dessous sur une échelle d'affect (–5 à +5) selon
six dimensions, justifie chaque score en une phrase, et propose
une réécriture qui passe à +5 sur les dimensions sous +2.

Dimensions :
1. Concrétude (Paivio) : mots concrets vs abstraits
2. Identification (storytelling situé)
3. Chaleur (proximité linguistique vs distance professionnelle)
4. Crédibilité (preuve, transparence, calibration)
5. Rythme (variation des phrases, présence de respirations)
6. Saillance (un élément mémorable se détache)

Texte à scorer : [coller texte]

Format de réponse :
| Dimension | Score | Justification | Suggestion |
Puis : version réécrite optimisée.

Mise en œuvre : faites passer chaque email type, chaque page de vente, chaque pitch deck par ce prompt. Les zones < +2 sont vos priorités de réécriture.

Usage 2 — Détecter l'affect d'un prospect entrant

Quand un prospect répond à un email, son lexique trahit son état affectif. L'IA peut le classer en quelques secondes.

Prompt détection affect entrant

Tu analyses la réponse écrite d'un prospect B2B à un commercial.
Classe son affect dominant parmi : positif / neutre / négatif /
hostile / curieux / pressé / méfiant.

Signaux à pondérer :
- Longueur (courte = pressé/négatif, longue = engagé/curieux)
- Politesse standardisée vs personnalisée
- Présence de questions précises (= positif/curieux)
- Présence de conditionnels et précautions (= méfiant)
- Verbes (proposer/voir/explorer vs vérifier/comparer/évaluer)
- Emojis ou ponctuations affectives

Réponds en JSON strict :
{
  "affect_dominant": "...",
  "score_intensite": 0-10,
  "tactique_recommandee": "...",
  "phrase_d_ouverture_suggeree": "..."
}

Réponse du prospect : [coller]

Branchez ce prompt sur votre CRM via webhook : chaque email entrant arrive scoré. Vos commerciaux gagnent 20 à 40 minutes par jour sur le tri émotionnel et augmentent la qualité de leurs réponses.

Usage 3 — Personnaliser un cold email à l'échelle

L'affect d'un cold email repose à 70 % sur la preuve de soin (chapitre 4). L'IA permet de la produire à grande échelle sans tomber dans le templating détectable.

Prompt cold email personnalisé

Tu rédiges un cold email B2B pour un prospect précis.
Contraintes :
- 100 mots max
- Première phrase = référence vérifiable à un événement récent
  de l'entreprise du prospect (LinkedIn, presse, communiqué)
- Pas d'utilisation de superlatifs ni de "leader", "innovant",
  "incontournable", "révolutionnaire"
- Ton calibré à 60 % d'imitation du dernier post LinkedIn du prospect
- Inclure une transparence calibrée (un point sur lequel notre
  solution n'est PAS le meilleur choix)
- Call-to-action : une question, pas une demande de meeting

Données entreprise prospect : [coller données scrapées]
Dernier post LinkedIn prospect : [coller]
Notre solution : [résumé en 3 lignes]
Une zone où on n'est pas le meilleur : [vérité]

Production attendue : un email qui passe le filtre « ce n'est pas un template » dès la deuxième seconde de lecture.

Usage 4 — Générer des variantes affectives pour A/B test

Au lieu d'opposer A vs B, opposez 5 variantes calibrées sur 5 affects différents et laissez la donnée décider.

Prompt variantes affect

À partir du message ci-dessous, produis 5 variantes destinées à
des prospects de psychographies différentes :

1. Variante "Sécurité" — affect basé sur la réduction du risque
   (preuves, certifications, garanties, chiffres rassurants)
2. Variante "Performance" — affect basé sur le gain mesurable
   (ROI, vitesse, gains de temps quantifiés)
3. Variante "Statut" — affect basé sur l'appartenance à une élite
   (qui d'autre utilise, recommandation pair, exclusivité)
4. Variante "Confort" — affect basé sur la simplification
   (un seul clic, intégration native, support humain)
5. Variante "Curiosité" — affect basé sur la lacune d'information
   (question ouverte, mystère, contre-intuition)

Garde le même CTA, la même longueur (± 10 %), la même promesse
factuelle. Ne change que le LEVIER AFFECTIF.

Message d'origine : [coller]

Déployez sur votre base : segment LinkedIn dev → variante Performance ; segment grands comptes finance → variante Sécurité ; etc.

Usage 5 — Réécrire une page de vente low-affect en high-affect

Une page de vente d'origine technique est typiquement saturée de termes abstraits. L'IA peut la traduire en affect sans perte d'information.

Prompt réécriture page de vente

Tu es à la fois copywriter et psychologue de la décision.
Voici une page de vente. Réécris-la en respectant :

1. Remplace chaque mot abstrait par un concret (Paivio)
2. Insère un storytelling situé de 90 mots max au-dessus du fold
3. Ajoute UNE transparence calibrée (un défaut secondaire avoué)
4. Réorganise les forfaits en ordre descendant de prix
5. Convertis chaque feature en usage ("Vous faites X en Y minutes")
6. Termine par une garantie qui transfère le risque
7. Garde tous les chiffres et faits techniques inchangés

Page d'origine : [coller HTML ou texte]

Garde-fou : toujours faire valider par un humain de l'équipe avant publication. L'IA hallucine sur les chiffres et peut ajouter des bénéfices que vous ne livrez pas — risque juridique et éthique majeur.

Usage 6 — Préparer un rendez-vous commercial à partir des signaux d'affect

Avant un meeting, l'IA peut produire une briefing affective synthétique sur le prospect.

Prompt briefing affectif

Génère une fiche briefing pour un meeting B2B.
Sources :
- 3 derniers posts LinkedIn du prospect : [coller]
- Page "À propos" entreprise : [coller]
- Communiqués récents : [coller]
- Avis Glassdoor récents : [coller]

Restitue :
1. Affect dominant probable envers les fournisseurs de notre catégorie (justifie)
2. 3 marqueurs somatiques probables (expériences passées du secteur)
3. Trois métaphores adaptées à son univers verbal
4. Trois phrases de désamorçage initial (si affect négatif anticipé)
5. Deux signaux d'achat positifs à guetter pendant le RDV
6. Une transparence calibrée pertinente à intégrer

Cette préparation, jadis réservée à des deals à 6 chiffres, devient accessible pour des deals à 4-5 chiffres grâce à l'IA. Repenser le seuil de rentabilité de la préparation premium est un acte stratégique.

Usage 7 — Surveiller l'affect post-vente

L'affect ne s'arrête pas au closing. Le NPS textuel (verbatims clients ouverts) peut être scoré en continu pour détecter une dérive affective avant churn.

Prompt surveillance affect post-vente

Voici les 10 derniers tickets support / messages clients
d'un compte donné.

Score l'évolution de l'affect (date par date) sur :
- Confiance (verbes d'engagement vs verbes d'attente)
- Frustration (point d'exclamation, négations, "encore", "toujours")
- Projection future (parle-t-il de l'année prochaine ?)
- Compliments spontanés (présence/absence)

Sortie : tableau chronologique + alerte si tendance affective
descendante sur 3 contacts consécutifs.

Tickets : [coller]

Une alerte précoce permet une intervention proactive (appel du CSM, geste commercial) avant que l'affect ne bascule en intention de churn.

Architecture cible — l'affect engine

À horizon 12 mois, une stack vente affect-driven ressemble à :

[Sources externes : LinkedIn, presse, CRM]
            ↓
[Enrichissement IA : briefing affectif par prospect]
            ↓
[Outbound : variantes affectives A/B testées]
            ↓
[Inbound : scoring affect réponses entrantes]
            ↓
[Commerciaux : briefings + scripts personnalisés]
            ↓
[Onboarding : monitoring affect post-vente]
            ↓
[Boucle d'apprentissage : ce qui a maximisé l'affect → réinjection]

Aucun maillon n'est utopique aujourd'hui. La compétence stratégique consiste à orchestrer les sept usages, pas à réinventer une brique.

La ligne rouge éthique en IA

L'IA permet de générer un affect positif sur n'importe quel produit, y compris des produits inutiles ou nuisibles. Trois règles non négociables :

  1. Ne jamais générer une preuve sociale fictive (faux témoignages, faux logos clients)
  2. Ne jamais affecter positivement une caractéristique qui n'existe pas (hallucination IA non corrigée)
  3. Toujours déclarer l'usage d'IA générative quand demandé par le prospect — la transparence sur l'outil est elle-même un déclencheur d'affect positif chez les acheteurs éclairés

Une formation vente assistée par IA qui ne pose pas ces lignes rouges produit des manipulateurs efficaces. Cette formation ne forme pas des manipulateurs.

Mini-exercice pratique

Choisissez votre email de cold outreach actuel. Exécutez :

  1. Faites-le scorer par le prompt Usage 1 (scoring affect)
  2. Notez les dimensions sous +2
  3. Demandez 5 variantes par le prompt Usage 4 (variantes affect)
  4. Choisissez la variante qui scorerait le mieux sur votre segment
  5. Envoyez-la en A/B contre votre version d'origine sur les 50 prochains envois

Mesure attendue après 2 semaines : taux de réponse multiplié par 1,3 à 2,5, selon la qualité d'origine. Si non, c'est que d'autres facteurs (ciblage, timing) dominent — un signal utile en soi.

Prochaine étape : assembler tout (psychologie, business, IA) dans un framework AFFECT prêt à l'emploi, applicable en entretien commercial dès demain.