L'IA comme catalyseur : scoring d'activation, segmentation comportementale et nudges personnalisés

Sans IA, la conversion freemium est un travail artisanal : on regarde des cohortes, on devine des patterns, on envoie des séquences calendaires aveugles. Avec une IA bien architecturée, chaque utilisateur reçoit le bon message au bon moment, avec une formulation calibrée pour sa posture mentale. Ce chapitre montre comment construire cette couche IA, brique par brique, avec des prompts prêts à l'emploi.

La couche IA en quatre briques

Une IA d'activation/conversion freemium efficace combine quatre briques distinctes :

Les trois premières briques peuvent s'enchaîner dans un workflow automatisé. La quatrième est la glue qui rend l'ensemble vivant.

Brique 1 — Le scoring d'activation prédictif

Le scoring d'activation attribue à chaque utilisateur freemium une probabilité de conversion sur 30/60/90 jours. C'est le socle de la priorisation.

Les signaux qui prédisent la conversion

Empiriquement, sur la majorité des SaaS B2B, les signaux les plus prédictifs sont :

• Fréquence de connexion sur les 7 derniers jours (3+ sessions = signal fort)
• Diversité d'usage (nombre de features distinctes utilisées)
• Profondeur d'usage (nombre d'actifs créés : projets, documents, contacts…)
• Signaux d'équipe (invitations envoyées, partages effectués)
• Hits de paywall (a-t-il rencontré une limite ?)
• Profil firmographique (taille d'entreprise, secteur — souvent obtenu via enrichissement)

À l'inverse, certains signaux sont anti-prédictifs : un grand nombre de pages d'aide visitées, par exemple, indique souvent une frustration plus qu'un engagement.

Le modèle pratique : score sur 100

Si vous n'avez pas encore d'équipe data, démarrez avec un score pondéré simple. Ce n'est pas du « vrai » machine learning, mais ça fait 80 % du job pour 5 % de l'effort.

Score d'activation =
  (sessions_7j × 10)           # max 30 points
+ (features_distinctes × 5)    # max 25 points
+ (assets_crees × 2)           # max 20 points
+ (paywall_hits × 7)           # max 21 points
+ (invitations_envoyees × 4)   # max 16 points

Catégorisation :

• 0-25 : touriste (priorité activation)
• 26-60 : passif (priorité élargissement d'usage)
• 61-100 : power user (priorité closing)

Une fois ce score en place, vous pouvez l'affiner avec un modèle ML entraîné sur vos cohortes historiques. Le ROI du passage scoring simple → ML est rarement > 20-30 % d'amélioration de la conversion ciblée — donc commencez simple.

Prompt IA pour générer un scoring custom

Si vous voulez un scoring adapté à votre produit, ce prompt donne un point de départ solide :

Prompt : Tu es un expert PLG. Voici la description de mon produit : [DESCRIPTION]. Voici les events que je trackerai dans mon analytics : [LISTE_EVENTS]. Voici mes cohortes historiques de conversion (% de conversion par segment) : [DATA]. Propose-moi un système de scoring sur 100 points avec : (1) la liste des 5-7 signaux les plus prédictifs, (2) leur pondération, (3) les seuils pour catégoriser les utilisateurs en "touriste", "passif" et "power user", (4) les events spécifiques à instrumenter en plus pour améliorer le scoring. Format : tableau Markdown.

Brique 2 — La segmentation comportementale dynamique

La segmentation classique (cohorte par date d'inscription, plan, secteur) est statique. La segmentation comportementale change en temps réel selon le comportement de l'utilisateur.

Les 6 segments dynamiques utiles

Un utilisateur peut basculer d'un segment à l'autre en quelques jours. C'est pour cela que la séquence d'activation doit être comportementale, pas calendaire.

L'architecture technique simplifiée

• Un event tracker (PostHog, Mixpanel, Amplitude, ou simple table SQL) collecte les events
• Un scheduler (cron, n8n, Make, Zapier) recalcule chaque jour le segment de chaque utilisateur
• Une table user_state stocke le segment courant + le segment précédent
• Un listener déclenche une action quand un utilisateur change de segment (notamment : passe en « power user en sursis »)

Brique 3 — Génération de nudges personnalisés avec un LLM

Une fois le segment connu, l'IA générative entre en scène pour personnaliser le contenu des messages. Les messages génériques convertissent autour de 1 à 2 %. Les messages personnalisés sur le comportement passent à 4-8 %.

Le prompt système pour un nudge in-app

Prompt système : Tu es un copywriter PLG senior pour [NOM_PRODUIT]. Ton style : direct, sans superlatifs, focalisé sur l'aversion à la perte plutôt que sur le gain. Tu écris en français [ou anglais selon contexte]. Tu ne mens jamais sur les chiffres et ne crées pas de fausse urgence. Tes messages font 2-3 phrases maximum.

Prompt utilisateur : Utilisateur : [PRENOM], segment actuel : [SEGMENT], depuis [JOURS] jours, a créé [N_ASSETS], a utilisé [N_FEATURES] features distinctes, dernier paywall rencontré : [PAYWALL_NAME] il y a [X] heures. Génère un nudge in-app contextuel pour proposer le plan Pro. Inclut : (1) une phrase qui reconnaît son comportement spécifique, (2) une phrase sur ce qu'il perd s'il reste en gratuit, (3) un CTA simple.

Le prompt pour un email comportemental

Prompt : Tu écris un email à un utilisateur de [PRODUIT]. Voici son comportement des 30 derniers jours : [DATA_USAGE]. Voici son segment : [SEGMENT]. Voici la raison du déclenchement de cet email : [TRIGGER]. Écris un email avec :

• Un objet de moins de 50 caractères, sans emoji, qui pique la curiosité
• Un corps de 80-120 mots maximum
• Une phrase d'ouverture qui montre que tu as vu son comportement réel (pas un générique)
• Un seul CTA, formulé comme une question ou un bénéfice mesurable
• Pas de superlatif, pas de "incroyable" ni "amazing"
• Une porte de sortie si l'utilisateur préfère attendre

Le prompt pour un teaser de paywall

Prompt : Génère le texte d'un paywall in-app pour [FEATURE]. Contexte : l'utilisateur vient d'essayer d'utiliser cette feature. Il est en plan gratuit depuis [X] jours. Son usage hebdomadaire : [USAGE]. Format :

• Titre : 6 mots max, formulation orientée perte ou capacité
• Sous-titre : 1 phrase qui décrit ce qui arrive s'il ne passe pas Pro
• Bouton CTA principal : 3 mots max
• Bouton secondaire (échappatoire) : "Continuer en gratuit (avec [limitation])"

Brique 4 — L'orchestration : qui, quoi, quand, où

L'orchestration décide quel canal (email, in-app, push, SMS, call humain) et quel timing pour chaque action. Sans cette couche, vous avez un système qui spam ou qui rate des fenêtres.

Les principes d'orchestration

• Une seule action par jour par utilisateur (sauf urgence absolue). Plus = perçu comme harcèlement.
• Plafond hebdomadaire : 3-4 touches max par semaine, tous canaux confondus.
• Délai minimal entre canaux : 4-6 h entre un email et un push, par exemple.
• Suppression sur conversion : dès qu'un utilisateur convertit, tout est coupé et bascule vers une séquence d'onboarding payant.
• Suppression sur opt-out : un seul clic doit suffire pour se désabonner d'une catégorie.

Le canal en fonction du segment

Le call humain ciblé : l'arme PLG-sales hybride

Pour les utilisateurs power users avec un potentiel ARR > 1 000 €/an, déclencher un call humain de 15 minutes au moment du paywall hit est extrêmement rentable. Cela combine :

• Le shift PLG (l'utilisateur a déjà adopté le produit)
• Le closing humain (un commercial peut lever les freins non monétaires : budget, légal, équipe)

Le trigger : segment = power user en sursis ET potentiel ARR estimé > seuil. L'action : envoyer un email « Vu votre usage, je vous propose 15 min pour parler du plan Pro adapté à vos besoins ». Conversion typique : 25-40 % des appels.

Le pipeline IA bout-en-bout

Voici la stack minimale pour mettre en œuvre tout ce qui précède :

1. Tracking : PostHog ou Amplitude (gratuit ou peu cher pour démarrer)
2. Data warehouse : BigQuery, Snowflake, ou simple Postgres répliqué
3. Scoring : un script Python quotidien qui calcule le score et met à jour la segmentation
4. Génération de contenu : Claude ou GPT via API, déclenchés à la demande
5. Orchestration : n8n, Make, Customer.io, ou Braze pour les volumes importants
6. Delivery : Postmark / SendGrid pour les emails, Intercom / Pendo pour l'in-app
7. Mesure : un dashboard Metabase ou Grafana qui suit les 8 KPI critiques

Stack-up minimal pour démarrer : PostHog + Postgres + n8n + Claude API + Intercom. Coût mensuel : 200-500 € pour les premiers 10 000 utilisateurs. ROI typique : multiplication par 2-3 du taux de conversion en 60-90 jours après mise en production.

Les prompts IA prêts à l'emploi (kit complet)

Voici 5 prompts à copier-coller pour démarrer immédiatement.

Prompt 1 — Analyser une cohorte freemium

Tu es analyste PLG. Voici les données de ma cohorte des 30 derniers jours : [TABLE_INSCRITS_USAGE_CONVERSION]. Identifie : (1) Le segment qui convertit le mieux et celui qui convertit le moins, (2) Les 3 patterns comportementaux qui précèdent la conversion, (3) Les 3 patterns qui précèdent l'abandon, (4) 5 recommandations actionnables pour augmenter la conversion sur les 30 prochains jours. Format : rapport structuré avec preuves chiffrées.

Prompt 2 — Diagnostiquer un utilisateur précis

Voici le comportement d'un utilisateur freemium : [DATA_USER]. Détermine : sa posture mentale (touriste / passif / power user en sursis), la prochaine action que je devrais déclencher, et le script précis à utiliser (email ou in-app, formulation complète).

Prompt 3 — Générer une séquence d'activation 30 jours

Génère une séquence d'activation de 30 jours pour [PRODUIT] vendu à [PRIX]/mois. Cible : [PERSONA]. Architecture : freemium hybride. Fournis pour chaque jour : trigger comportemental, canal, sujet/titre, corps complet du message, CTA. Format : tableau Markdown jour par jour.

Prompt 4 — Réécrire un paywall existant

Voici mon paywall actuel : [TEXTE_ACTUEL]. Voici le contexte : l'utilisateur a déjà créé [N] assets et utilise le produit depuis [JOURS] jours. Réécris ce paywall en (a) utilisant l'aversion à la perte plutôt que le gain, (b) reconnaissant l'usage spécifique de l'utilisateur, (c) offrant une échappatoire claire. Fournis 3 variantes A/B testables.

Prompt 5 — Identifier les power users à appeler

Voici la liste des power users freemium des 14 derniers jours : [LISTE]. Identifie ceux qui devraient recevoir un appel humain en priorité, sur les critères : (1) usage régulier 5j/7+, (2) potentiel ARR > 1000 €, (3) signal d'équipe (a invité 1+ collègue), (4) paywall hit récent. Classe par ordre de priorité avec justification.

Garde-fous éthiques de l'IA en conversion

L'IA permet d'industrialiser la personnalisation, mais elle peut aussi industrialiser la manipulation. Trois garde-fous à mettre en place :

Le test de la transparence

Si vous vous gêniez à expliquer à l'utilisateur comment le message qu'il reçoit a été généré (« on a vu que tu cliquais beaucoup sur X, donc on a écrit ce texte spécifiquement pour appuyer sur Y »), c'est probablement un dark pattern. Si vous pouvez l'expliquer sereinement, c'est du nudge légitime.

La limite de fréquence dure

Au-delà de 4 sollicitations par semaine, même un utilisateur engagé décroche. Mettez un plafond dur dans votre orchestration, et ne le dépassez jamais, même pour les power users en sursis.

Le respect de l'opt-out

Un seul clic doit suffire pour se désabonner. Pas de 6 cases à décocher, pas de double confirmation. Le coût immédiat (perdre un utilisateur de la liste) est largement compensé par la confiance préservée.

Synthèse : la roadmap d'implémentation en 90 jours

Au bout de 90 jours, l'objectif est de doubler le taux de conversion par rapport à la baseline. Les chapitres suivants détaillent le framework REVEAL qui structure ces 90 jours, et les KPI de mesure.