L'IA comme moteur du territoire : enrichissement, scoring prédictif et re-priorisation continue

Le territory planning manuel a toujours buté sur le même mur : le coût de l'information. Enrichir 180 comptes à la main prend des jours ; les re-scorer chaque mois est impensable. Résultat : des plans construits une fois par an, faux dès le deuxième mois. L'IA fait sauter ce verrou sur quatre maillons de la chaîne. Ce chapitre les détaille avec les prompts et garde-fous correspondants.

Maillon 1 — L'enrichissement automatisé : de 3 jours à 2 heures

Première tâche à déléguer intégralement : la collecte des données firmographiques, technographiques et de signaux par compte.

PROMPT — ENRICHISSEMENT DE COMPTE

Tu es analyste sales ops. Pour l'entreprise suivante : {nom, site web, pays},
recherche et structure les informations suivantes au format JSON :

1. firmographie : secteur, effectif estimé, CA estimé, croissance récente
2. technographie : outils détectables pertinents pour {ma catégorie de produit},
   dont concurrents en place parmi {liste de mes concurrents}
3. signaux_12_mois : levées de fonds, nominations de dirigeants, fusions-acquisitions,
   ouvertures de bureaux, vagues de recrutement (préciser les postes), actualités notables
4. offres_emploi_actives : intitulés de postes publiés qui suggèrent un besoin
   lié à {mon domaine}
5. score_confiance : pour chaque champ, indique "vérifié" (source identifiable),
   "estimé" ou "inconnu". N'invente RIEN : un champ sans donnée = "inconnu".

Réponds uniquement avec le JSON.

Le point critique est l'instruction n°5 : forcer le modèle à déclarer son incertitude. Un enrichissement IA sans score de confiance produit des hallucinations propres et bien formatées — pires que l'absence de donnée, car elles inspirent confiance. Règle d'or : tout champ « estimé » qui devient critère décisif d'un passage en tier 1 doit être vérifié humainement.

Maillon 2 — Le scoring assisté : appliquer la matrice sans tableur

Une fois les comptes enrichis, l'IA applique votre matrice de scoring (chapitre 4) de façon homogène — ce qu'un humain fatigué ne fait jamais sur 180 lignes.

PROMPT — SCORING DE PORTEFEUILLE

Voici ma matrice de scoring : {critères, échelles 0-5, pondérations des deux axes}.
Voici mes comptes enrichis : {JSON du maillon 1}.

Pour chaque compte :
1. Note chaque critère de 0 à 5 en citant la donnée qui justifie la note
2. Calcule score_potentiel et score_probabilite (pondérés, sur 100)
3. Propose un tier (1, 2 ou 3) selon les seuils : {mes seuils}
4. Signale les comptes "frontière" (à moins de 5 points d'un seuil) : ce sont
   eux que je dois arbitrer manuellement
5. Liste les comptes dont plus de 2 critères reposent sur des données "estimé"
   ou "inconnu" : ils sont NON SCORABLES, pas mal scorés.

Sortie : tableau trié par score décroissant + liste des frontières + liste des non-scorables.

Deux mécanismes anti-biais sont embarqués : la justification critère par critère (auditable en deal review, contrairement à l'intuition) et la catégorie « non scorable », qui empêche de déguiser l'ignorance en score moyen — un compte inconnu n'est pas un compte médiocre.

Maillon 3 — La veille et la re-priorisation continue : le tier 3 devient intelligent

C'est ici que l'IA change la nature même du plan. Sans elle, le tier 3 est un cimetière. Avec une veille automatisée, il devient un réservoir sous surveillance : chaque compte y est silencieux mais écouté.

Architecture type, du plus simple au plus avancé :

PROMPT — DIGEST HEBDOMADAIRE DE RE-PRIORISATION

Voici les signaux détectés cette semaine sur mes comptes tier 2 et tier 3 : {liste}.
Voici ma taxonomie de triggers et leur force : {taxonomie}.

Pour chaque signal :
1. Classe-le : trigger fort / trigger faible / bruit (justifie en une ligne)
2. Pour chaque trigger fort : recommande un mouvement de tier, propose l'angle
   d'approche et les 2 personas à contacter en priorité
3. Termine par la "minute de réallocation" : si je dois libérer du temps pour
   les comptes qui montent, quels comptes actuels du tier 1 ont le score le plus
   fragile cette semaine ?

Maximum 1 page. Je lis ce digest chaque lundi en 10 minutes.

La « minute de réallocation » est le détail décisif : chaque montée en tier 1 doit chasser un autre compte, sinon le tier 1 gonfle jusqu'à redevenir une couverture uniforme — le plafond de capacité du chapitre 5 est une loi physique, pas une suggestion.

Maillon 4 — Le clustering de territoires pour les managers

Pour le découpage d'équipe, l'IA rend praticable le modèle « potentiel équilibré » du chapitre 5 : donnez au modèle la liste des comptes scorés et les contraintes (nombre de commerciaux, spécialisations, langues, clients existants à ne pas déplacer), demandez 2 ou 3 scénarios de découpage avec, pour chacun, la somme de potentiel par territoire, l'écart maximal entre territoires et les arbitrages discutables. La décision finale reste humaine ; l'IA fournit les scénarios chiffrés qu'aucun manager n'avait le temps de construire.

Les trois garde-fous non négociables

1. L'IA propose, le commercial dispose. Un changement de tier recommandé par l'algorithme est validé par un humain qui peut le refuser — en justifiant par un critère, pas par le confort (sinon les biais du chapitre 2 reviennent par la porte du « bon sens »).
2. Jamais de score sans justification visible. Un score opaque détruit la confiance de l'équipe au premier faux positif et le plan meurt. Chaque note cite sa donnée source.
3. Recalibrer le modèle chaque trimestre. Comparez les scores d'il y a 6 mois aux issues réelles (signé / perdu / silence). Si les comptes « 85+ » ne convertissent pas mieux que les « 60 », vos pondérations sont fausses — c'est une information précieuse, pas un échec.

À retenir : l'IA ne décide pas à votre place quels comptes méritent votre temps — elle rend cette décision possible en continu, là où elle n'était prise qu'une fois par an, sur des données mortes. Le plan de territoire cesse d'être un document pour devenir un système.