Comment qualifier un prospect B2B avec l’IA : les critères, la méthode et les pièges

Lead, prospect, prospect qualifié

Les mots varient d’une équipe à l’autre. Pour une petite entreprise, trois niveaux suffisent :

La qualification fait passer une liste du premier niveau au troisième. Elle se fait en deux temps : à froid, avant le contact, avec des données publiques ; à chaud, pendant le premier échange, avec les réponses du prospect. Ce sont deux exercices différents, et l’IA n’y joue pas le même rôle.

Les critères de qualification à froid

Sans conversation, on ne connaît ni le budget ni l’interlocuteur. On connaît en revanche beaucoup de faits publics. En France, ils viennent du répertoire SIRENE de l’INSEE (activité, adresse, taille, date de création, état actif ou fermé), du BODACC (immatriculations, ventes de fonds, procédures collectives, radiations), des données des marchés publics et du site de l’entreprise.

Le dernier critère d’exclusion n’est pas un choix commercial : une entreprise peut demander à l’INSEE que ses données ne servent pas à la prospection (article R123-232-1 du code de commerce). Elle doit sortir de votre fichier, quelle que soit sa note.

Qualifier un fichier de prospects existant

Si vous partez d’un fichier déjà constitué, la qualification commence par un nettoyage : retirer les doublons (même SIRET), vérifier que chaque établissement est toujours actif dans SIRENE, écarter les diffusions partielles, puis noter la source et la date de chaque coordonnée. Notre modèle de fichier de prospection prévoit ces colonnes. Un fichier dont on ne sait plus d’où viennent les adresses ne se qualifie pas : il se refait.

Qualifier à chaud : BANT et ses variantes

Au premier échange, les méthodes classiques prennent le relais. La plus connue, BANT, vérifie quatre points :

• Budget : le prospect peut-il payer votre offre ?
• Autorité : votre interlocuteur décide-t-il, ou qui décide ?
• Besoin : le problème que vous résolvez existe-t-il chez lui ?
• Délai : quand compte-t-il agir ?

D’autres grilles (CHAMP, MEDDIC) réordonnent ou détaillent ces questions pour des ventes plus longues. Pour une TPE qui vend à d’autres TPE, BANT suffit souvent, et le dirigeant est presque toujours le décideur. Aucune de ces réponses ne figure dans une base de données : une IA qui prétend les déduire d’une fiche d’entreprise devine.

Ce que l’IA apporte, et ce qu’elle ne doit pas faire

Un modèle de langage est très bon pour lire et résumer : transformer une fiche (code NAF, taille, signaux datés, site) en deux phrases qui disent pourquoi appeler cette entreprise maintenant, et proposer une première phrase d’accroche liée à ce fait. Il est aussi utile pour traduire vos critères : « des restaurants récents, pas les chaînes » devient un code NAF, une ancienneté et une taille.

Il est moins fiable pour noter. Interrogé deux fois sur la même fiche, un modèle peut donner deux notes différentes ; il peut aussi accorder trop de poids à un détail du texte. Pour comparer des centaines d’entreprises, une note calculée par des règles fixes est plus juste : même fiche, même note, et chaque point s’explique.

C’est le choix fait dans Findingbase. Le score de 0 à 100 est calculé sur nos serveurs, sans modèle de langage : adéquation à votre cible (secteur, zone, taille, ancienneté), signaux publics pondérés selon leur fraîcheur (une radiation ramène la note à zéro, une procédure collective la pénalise), et un bonus de contactabilité (site vérifié, e-mail, téléphone). L’IA intervient après : elle explique la note et rédige l’accroche. Avec Findingbase AI Agent, vous pouvez demander « Pourquoi ce score ? » ou « Lesquels ont un signal récent ? » : il répond à partir des données de la fiche, et dit quand une information manque.

La méthode, pas à pas

1. Écrivez vos critères en une phrase, à partir de vos meilleurs clients ou, si vous démarrez, d’une hypothèse : « les plombiers de Gironde de 1 à 9 salariés, créés depuis moins de deux ans ». Notre méthode pour trouver ses premiers leads aide à la formuler.
2. Fixez les exclusions d’abord : fermées, radiées, diffusions partielles, entreprises déjà clientes.
3. Donnez un poids à chaque critère, puis tenez-vous-y quelques semaines. Un critère qui ne change jamais l’ordre de la liste est à retirer.
4. Calculez, puis faites expliquer : pour les vingt premières fiches, lisez l’explication et vérifiez-la sur la fiche. Une note que vous ne comprenez pas ne vous aidera pas au téléphone.
5. Contactez par paquets de dix ou vingt, en commençant par les signaux les plus récents.
6. Ajustez après les retours : si les rendez-vous viennent tous des entreprises récentes, augmentez le poids de l’ancienneté ; si une zone ne répond jamais, retirez-la.

Pour ce plombier girondin, le point de départ est public : la page plombiers en Gironde donne le nombre d’établissements et leur répartition par taille.

Les pièges les plus fréquents

• Le score opaque. Une note sans explication ne sert ni à prioriser ni à préparer un appel. Exigez de savoir d’où vient chaque point.
• Trop de critères. Au-delà de six ou sept, les poids se compensent et tout le monde finit au milieu du classement.
• Des données périmées. Un fichier de plus d’un an contient des entreprises fermées et des contacts partis. Le référentiel de la CNIL retient d’ailleurs trois ans de conservation pour un prospect sans contact de sa part.
• Confondre taille et besoin. Une grande entreprise n’est pas un meilleur prospect si votre offre est pensée pour les petites.
• Laisser l’IA deviner. Un chiffre d’affaires, un nombre de salariés exact ou un besoin « probable » inventé par un modèle fausse toute la liste. Si la donnée n’est pas publiée, elle est inconnue.
• Oublier les règles de contact. Un prospect bien qualifié reste soumis aux règles de la prospection : offre liée à son métier, expéditeur identifié, droit d’opposition (les règles en détail).