IA en référral : scoring, personnalisation, extraction des moments de bascule

L'IA ne remplace pas la relation humaine dans le référral — elle élimine la friction qui empêche d'industrialiser le programme. Ce chapitre décrit les trois usages opérationnels de l'IA dans un programme d'ambassadeurs mature : le scoring de propension (qui est prêt à recommander, et quand), la génération de messages personnalisés (le ask et le brouillon copier-coller), et l'extraction automatique des moments de bascule depuis les conversations clients.

1. Scoring de propension : qui est prêt à recommander ?

Tous les clients ne sont pas égaux face au référral. Un modèle de scoring permet de prioriser l'effort commercial sur les clients à forte propension. Variables d'entrée typiques :

Variables comportementales

• Score NPS : 9-10 = poids élevé, 7-8 = poids moyen, < 7 = exclu
• Usage produit : nombre de connexions, features avancées utilisées, profondeur d'adoption
• Ancienneté : > 6 mois = poids élevé (la confiance s'est installée), < 60 jours = poids faible
• Engagement support : tickets clos avec satisfaction haute = signal positif
• Engagement marketing : webinars suivis, contenus likés sur LinkedIn, événements participés
• Renouvellement contractuel : signature renouvellement récente = pic de propension

Variables relationnelles

• Taille du réseau LinkedIn du contact principal (proxy de sa capacité à recommander)
• Diversité du réseau (secteur, taille d'entreprise) — un contact très spécialisé recommande moins largement
• Activité publique (publication d'articles, intervention conférence) — corrèle avec la propension à parler du produit

Modèle de scoring

Un modèle simple en régression logistique (ou XGBoost sur historique 12 mois) suffit pour atteindre 70-80 % de précision sur les clients « probablement référral dans 90 jours ». Les features importantes émergent typiquement dans cet ordre :

1. Variation récente du NPS (passage à 9-10)
2. Profondeur d'usage produit
3. Engagement marketing dans le trimestre précédent
4. Ancienneté
5. Taille du réseau LinkedIn

Bascule pratique : un score de 0 à 100 par client, mis à jour hebdomadairement, permet à chaque CSM de connaître ses 10 cibles prioritaires de la semaine. Sans scoring, le CSM travaille au feeling et sous-exploite les fenêtres.

⚠️ Garde-fou IA : le scoring ne décide pas, il priorise. La décision finale d'effectuer le ask reste humaine, sur la base du contexte que seul le CSM connaît (humeur récente, événement non-tracké, signal hors système).

2. Génération de messages personnalisés : le prompt clé

L'autre usage opérationnel de l'IA : générer le brouillon copier-coller que le recommandant transférera. Plus le brouillon est personnalisé (au contact du recommandant, à son contexte), plus le taux de transfert effectif est élevé.

Prompt structuré pour générer un brouillon d'introduction

RÔLE : Tu es un assistant qui rédige des messages d'introduction
courts, naturels, à faible charge cognitive pour un recommandant qui
veut introduire son contact à un fournisseur qu'il utilise lui-même.

CONTEXTE :
- Recommandant : [Prénom Nom], [poste], [entreprise]
- Contact à recommander : [Prénom Nom], [poste], [entreprise]
- Relation entre les deux : [proche / collègue / ancien / réseau pro]
- Produit recommandé : [nom + bénéfice principal en une phrase]
- Résultat obtenu par le recommandant : [chiffre ou bénéfice mesurable]
- Problème supposé du contact : [problème identifié]
- Ton souhaité : [tutoiement / vouvoiement, registre formel / familier]

OBJECTIFS :
1. Message en moins de 80 mots
2. Cadrage altruiste (le recommandant aide le contact, ne vend pas)
3. Sortie facile pour le contact ("si ça te dit", "sans engagement")
4. Pas de superlatifs ("incroyable", "révolutionnaire") — sonne faux
5. Mention d'un fait concret (résultat chiffré ou usage précis)

LIVRE :
- Une version courte (50-60 mots)
- Une version moyenne (70-80 mots)
- Une variante "tutoiement décontracté" si applicable

Exemple de sortie attendue :

Version courte (tutoiement) : « Hello [Prénom], je crois me souvenir que tu m'avais parlé de [problème]. On utilise [Produit] depuis 8 mois et ça nous a fait gagner [résultat]. Je peux te mettre en contact avec [Prénom Vendeur] si tu veux en parler 20 min sans engagement. »

Pièges à éviter dans la génération IA

1. Sortie trop longue : par défaut les LLM produisent du verbeux → contraindre explicitement la longueur
2. Superlatifs vides : « solution incroyable », « game changer » → tuent la crédibilité, sonnent commercial
3. Personnalisation factice : « je sais que tu apprécies l'innovation » sans donnée → contre-productif
4. Tutoiement / vouvoiement incorrect : à inférer du contexte ou demander explicitement

Tactique avancée : utilisez l'IA pour générer 3 variantes par référral, présentées au recommandant qui choisit celle qui ressemble le plus à son ton naturel. La perception de contrôle augmente la propension à envoyer le message.

3. Extraction des moments de bascule depuis les conversations clients

Le levier le plus puissant de l'IA en référral : extraire automatiquement les moments où un client est en haute propension depuis vos flux conversationnels existants.

Sources exploitables

• Tickets support clos : sentiment final, formulation de gratitude
• Calls Customer Success transcrits (via Gong, Chorus, etc.)
• Emails entrants clients (sur boîtes CSM)
• Messages Slack dans les canaux partagés clients
• Posts LinkedIn du contact mentionnant votre produit
• Réponses NPS ouvertes (champ verbatim)

Pipeline IA d'extraction

Pour chaque source :

1. Classification de sentiment : ne traiter que les conversations à sentiment positif fort
2. Détection d'expression de valeur explicite : phrases du type « ça nous a vraiment aidés », « depuis qu'on utilise X », « grâce à votre équipe »
3. Extraction du résultat mentionné (chiffre, gain de temps, satisfaction)
4. Génération d'une alerte CSM : « Client X vient d'exprimer un moment de bascule — fenêtre 72h pour ask référral »

Prompt d'extraction (exemple sur transcript Gong)

RÔLE : Tu es un analyste qui détecte les moments où un client exprime
une satisfaction haute liée à un résultat mesurable.

INPUT : Transcript d'un call entre un CSM et un client.

OBJECTIF : Identifier les passages qui satisfont TOUTES les conditions :
1. Le client (pas le CSM) parle
2. Le ton est positif (gratitude, satisfaction, fierté)
3. Un résultat concret est mentionné (chiffre, métier, fait précis)
4. Le passage est antérieur à la fin du call de moins de 48h

OUTPUT (JSON) :
{
  "moment_detected": true|false,
  "quote": "citation exacte",
  "result_mentioned": "ce qui a été obtenu",
  "confidence": 0.0 à 1.0,
  "recommended_action": "ask_referral" | "watch" | "ignore"
}

Les passages détectés alimentent une file de tâches CSM : « 3 clients en fenêtre référral cette semaine ». L'effort manuel passe de « identifier qui demander » (très coûteux) à « envoyer le bon message dans la fenêtre » (peu coûteux).

⚠️ Garde-fou éthique : informez vos clients que les transcripts de leurs calls sont analysés (clause de consentement). Et ne pulvérisez jamais le moment de bascule en automatisant le ask — l'IA détecte, l'humain exécute.

4. Génération du tableau de bord ambassadeur côté client

Variante avancée : un dashboard personnalisé envoyé périodiquement à chaque ambassadeur, généré par IA :

RÔLE : Génère un email mensuel à un ambassadeur du programme référral.

CONTEXTE :
- Ambassadeur : [Prénom], [poste], niveau [Silver/Gold/Platinum]
- Recommandations faites : [X cette année, dont Y converties]
- Résultats clients recommandés : [résumé de ce qu'ont obtenu les contacts]
- Statut du niveau ambassadeur : [progression]

OBJECTIFS :
1. Tonalité chaleureuse, sans flagornerie
2. Informer sur les résultats des contacts recommandés (anonymisés si nécessaire)
3. Proposer une marche supérieure du ladder (case study, podcast, etc.)
4. Pas de relance ask référral dans cet email — c'est un email de gratitude

LIVRE : Email de 100-130 mots avec PS optionnel.

Cette mécanique entretient la boucle de fierté vue au chapitre 5, à l'échelle d'une centaine d'ambassadeurs sans surcharger l'équipe CS.

5. Mesure de la performance IA dans le programme

Trois métriques IA à surveiller :

Sans ces métriques, l'IA dérive vite : un scoring obsolète priorise mal, un brouillon mal calibré n'est jamais envoyé, une extraction trop sensible noie l'équipe d'alertes inutiles.

Synthèse opérationnelle

L'IA dans un programme référral mature :

1. Score la propension de chaque client en temps quasi-réel
2. Génère des brouillons d'introduction personnalisés à faible charge cognitive
3. Extrait les moments de bascule des conversations clients existantes
4. Entretient la boucle de fierté des ambassadeurs à l'échelle

Combiné aux chapitres précédents (psychologie, technique du ask, architecture business), vous tenez l'ensemble des leviers d'un programme niveau 3. Le chapitre suivant assemble tout cela en un framework opérationnel reproductible : REFER.

Prochaine étape : un framework pas-à-pas pour mettre en place un programme référral, du diagnostic initial à la mesure d'impact dans le P&L.