Pied dans la Porte & Intelligence Artificielle

Pourquoi l'IA change la nature de la technique

Jusqu'ici, le pied dans la porte demandait :

• Une stratégie de paliers définie à l'avance pour toutes les cibles.
• Une cadence uniforme des relances et des escalades.
• Une mesure grossière de l'engagement (clics, opens).
• Une incapacité à détecter le moment optimal pour passer à l'étape suivante.

L'IA générative et le ML lèvent chacune de ces contraintes. Le pied dans la porte passe d'une mécanique manuelle à un orchestrateur dynamique.

graph LR
    A[Comportement utilisateur] --> B[Modèle IA<br/>scoring + prédiction]
    B --> C[Choix du prochain<br/>micro-engagement]
    C --> D[Personnalisation<br/>du message]
    D --> E[Timing optimal]
    E --> F[Mesure de la réponse]
    F --> B

Cas d'usage n°1 : orchestrer la cadence avec un LLM

Le problème

Tous les utilisateurs ne franchissent pas les paliers au même rythme. Un manager pressé peut être prêt pour la démo en 24 h. Un dev curieux peut prendre 3 semaines. Une cadence uniforme rate les deux profils.

La solution avec un LLM

Tu es un growth strategist expert en orchestration de funnels SaaS.

Voici le profil et l'historique récent d'un utilisateur :
- Inscription : {{date_inscription}}
- Rôle : {{role}}
- Industrie : {{industrie}}
- Actions complétées (timeline) :
{{liste_actions_chronologique}}
- Engagement score actuel : {{score}}/100
- Stade du funnel : {{stade}}

Question : quel est le prochain micro-engagement à proposer, et QUAND ?

Contraintes :
- Le delta d'engagement doit représenter au plus 2-3× la dernière action.
- Le moment doit être contextuel (récence d'activité, jour de la semaine).
- L'identité visée doit prolonger l'identité déjà endossée.

Réponds en JSON :
{
  "prochain_engagement": "...",
  "timing_recommande": "...",
  "rationale": "...",
  "score_confiance": 0-1
}

Pourquoi ce prompt fonctionne

• Il contraint la sortie (JSON exploitable).
• Il explicite la règle de delta sans la rendre rigide.
• Il force une justification — un signal anti-hallucination.
• Il introduit un score de confiance pour permettre une décision binaire (envoyer / attendre).

Cas d'usage n°2 : personnaliser le message de chaque palier

Le problème

Un message générique « complétez votre profil » a un taux d'ouverture désastreux. Un message qui réfère explicitement aux actions précédentes déclenche bien plus efficacement l'auto-perception.

Le prompt « rappel d'identité »

Tu rédiges un email de relance dans une séquence pied dans la porte.

Contexte utilisateur :
- Actions accomplies : {{actions_resumees}}
- Identité émergente : {{identite_inferee}}  (ex: "power user en early adopter")

Demande suivante à promouvoir : {{demande_suivante}}

Contraintes de style :
- Tonalité : {{tonalite}}
- Longueur max : 80 mots
- Ouverture : RAPPELER explicitement 1 ou 2 actions accomplies (auto-perception)
- Corps : présenter la nouvelle action comme la SUITE LOGIQUE de l'identité installée
- CTA : verbe d'action engageant

Rédige l'email.

Exemple de rendu

« Vous avez déjà créé 5 projets et invité 3 collègues — clairement, vous êtes en train d'industrialiser votre workflow. Le plan Pro débloque les projets illimités et la collaboration temps réel. Activez-le maintenant. »

Ce micro-rappel des actions accomplies rouvre le circuit d'auto-perception : « oui, c'est vrai, je suis quelqu'un qui industrialise mon workflow ».

Cas d'usage n°3 : scoring d'engagement par ML

Pipeline type

graph TD
    A[Événements produit<br/>+ CRM + emails] --> B[Feature store]
    B --> C[Modèle ML<br/>prédiction conversion N+1]
    C --> D{Score > seuil ?}
    D -->|Oui| E[Trigger : prochaine demande]
    D -->|Non| F[Continuer le nurturing]
    E --> G[LLM : personnalisation message]
    G --> H[Envoi]
    H --> I[Mesure réponse]
    I --> B

Features clés

Un modèle gradient boosting bien entraîné prédit la probabilité de conversion N+1 avec une AUC > 0,85 sur la plupart des SaaS établis. Le seuil de déclenchement de la prochaine demande est alors calibrable selon l'appétit au risque commercial.

Cas d'usage n°4 : détection des moments propices

Certaines micro-actions sont prédictives d'une réceptivité à la demande suivante. L'IA peut les détecter en temps réel.

Signaux faibles à monitorer

graph LR
    A[Comportement utilisateur] --> B{Détection<br/>signaux propices}
    B --> C[Visite répétée page pricing]
    B --> D[Recherche aide sur feature payante]
    B --> E[Invitation d'1 collègue]
    B --> F[Atteinte d'une limite gratuite]
    C --> G[🎯 Trigger upsell]
    D --> G
    E --> G
    F --> G

Prompt de décision en temps réel

Tu décides s'il faut déclencher MAINTENANT une demande d'upsell.

Événements des 30 dernières minutes :
{{events_recents}}

État compte :
- Plan actuel : {{plan}}
- Limites atteintes : {{limites_atteintes}}
- Score engagement 7 j : {{score}}/100

Question : doit-on déclencher l'upsell vers le plan {{plan_cible}} maintenant ?

Réponds :
- "trigger_now" : oui, déclencher immédiatement (avec rationale)
- "schedule_in_24h" : pas tout de suite, programmer J+1
- "skip_and_nurture" : pas le bon moment, continuer le nurturing

Cas d'usage n°5 : détection des dark patterns par auto-audit

Pour éviter de glisser dans la manipulation, on peut utiliser l'IA comme audit interne de ses propres séquences.

Prompt d'audit éthique

Tu es un auditeur éthique spécialisé en growth marketing.

Voici une séquence pied dans la porte conçue par notre équipe :
{{sequence_complete}}

Analyse-la sous l'angle des 4 risques :
1. SAUT DE PALIER : le delta d'engagement entre 2 étapes est-il trop grand ?
2. TROMPERIE INITIALE : la 1ère demande cache-t-elle ce qui suivra ?
3. DARK PATTERN DE DÉSENGAGEMENT : un utilisateur peut-il refuser FACILEMENT à chaque étape ?
4. EXPLOITATION D'IDENTITÉ : la séquence enferme-t-elle l'utilisateur dans une identité qu'il regretterait ?

Pour chaque risque :
- Note de 0 (aucun risque) à 5 (dark pattern flagrant)
- Justification en 2 lignes
- Recommandation d'amélioration

Réponds en JSON.

Cet audit ne remplace pas un comité éthique humain — mais il dégrossit massivement le travail en repérant les rouge en quelques secondes.

Cas d'usage n°6 : A/B test à grande échelle

Variables à tester

L'IA peut générer 30 variantes de séquences, les router en multivariate test sur des cohortes homogènes, et identifier le bandit gagnant par algorithme contextuel (Thompson sampling, par exemple). Six mois de travail manuel se font en 3 semaines.

Outils concrets à utiliser

Anti-pattern : la sur-orchestration

Attention : optimiser le pied dans la porte sans garde-fou conduit rapidement à un funnel qui transforme tous les visiteurs en clients sans qu'ils le veuillent vraiment. La conversion grimpe, le churn explose 6 mois plus tard.

Règle simple : mesurez le NRR (Net Revenue Retention) à 12 mois en plus du taux de conversion immédiat. Si NRR < 90 %, votre funnel manipule plus qu'il ne sert.

Résumé

L'IA transforme le pied dans la porte d'un savoir-faire artisanal en un orchestrateur dynamique : scoring d'engagement, personnalisation des rappels d'identité, détection des moments propices, A/B testing massif, auto-audit éthique. Six cas d'usage concrets, six prompts opérationnels, des outils nommés. La limite reste la même qu'en manuel : la sur-orchestration finit par installer une identité non désirée chez l'utilisateur, ce qui dégrade la rétention long-terme. Dans le chapitre suivant, nous abordons le calibrage stratégique et les lignes rouges à ne jamais franchir.