L'agent Plurio apporte 38% de clients en plus à la néobanque Finom, avec des dépenses publicitaires en baisse de 8%

Finom, néobanque européenne dédiée aux petites entreprises, a communiqué les résultats de cinq mois d'utilisation de l'agent IA Plurio, qui pilote sa publicité. Sur cette période, le nombre de nouveaux clients a augmenté de 38%, tandis que les dépenses publicitaires ont diminué de 8%. Sur l'un des réseaux sociaux, dont il n'est pas d'usage de citer le nom en Russie, le flux de clients issu de la publicité de performance a doublé et le coût d'acquisition client (CAC) a chuté de 57%. Selon l'auteur de l'analyse, la dynamique est similaire sur Google et sur les autres canaux.

Il faut d'emblée une réserve : ce cas client a été publié sur le site de l'éditeur Plurio lui-même, et c'est la chaîne Telegram « Дизраптор » qui le relaie. Ces chiffres n'ont fait l'objet d'aucune vérification indépendante, et la source ne donne ni les valeurs initiales du CAC, ni les volumes de budget, ni la méthode d'attribution.

Pourquoi la publicité de

Finom ne pouvait pas être évaluée en temps réel

Finom figure parmi les trois plus grandes néobanques d'Europe axées sur les petites entreprises. L'équipe compte environ 600 personnes, et lors de son dernier tour de table, l'entreprise a levé 115 millions d'euros. La banque a été fondée par les mêmes personnes que Modulbank. Sa publicité était déjà massive : plus de 500 créatifs tournaient simultanément dans plusieurs pays et en plusieurs langues.

La principale difficulté tenait à la structure de l'entonnoir. L'utilisateur clique sur une bannière et s'inscrit, puis passe des semaines à franchir le KYC, ouvre un compte et l'active. La conversion réelle « clic — client actif » n'apparaissait donc qu'avec un à deux mois de retard. Le budget était dépensé aujourd'hui, mais on ne pouvait savoir que des semaines plus tard si le lead avait été rentable.

En un tel laps de temps, les créatifs ont le temps de s'user. Résultat : le coût par lead grimpait lentement sur des centaines d'annonces à la fois, et le repérer à la main était irréaliste. Cette particularité était jusqu'ici considérée comme un coût inévitable du marketing bancaire.

Comment l'agent contourne le décalage de conversion

Plurio a reçu les données de l'entrepôt de données, du CRM et des comptes publicitaires, ainsi que le contexte métier et les règles d'achat média de chaque pays. La logique de décision repose sur deux modes.

Si un créatif a déjà généré des comptes ouverts, l'agent calcule le CAC réel et le compare à la valeur cible du pays. Il décide ensuite de déployer l'annonce, de réduire son budget ou de l'arrêter. S'il y a encore peu de comptes et qu'il est trop tôt pour juger, l'agent examine le coût d'inscription et la prévision de la part des inscriptions qui aboutiront à un compte réel. Cela évite de couper un créatif correct à cause de « métriques de Schrödinger » : les clients qu'il a générés sont encore en chemin, mais n'apparaissent pas dans les rapports.

L'agent détecte l'usure à partir de deux signaux simultanés : la fréquence d'affichage augmente et le coût par client augmente. Si les deux indicateurs progressent, le créatif est arrêté. Un seul signal ne suffit pas, ce qui réduit le risque de faux positifs.

L'humain reste dans la boucle

L'équipe de Finom n'a pas disparu du processus. L'agent établit une liste de recommandations du type « ceci à déployer, ceci à couper ». Les collaborateurs l'approuvent, et ce n'est qu'ensuite que l'agent se connecte aux comptes publicitaires pour appliquer les modifications. Pour une fintech soumise à de fortes exigences de conformité et à des règles qui varient selon les pays, ce schéma paraît raisonnable : la décision budgétaire revient à un humain, et l'agent assure la routine sur des centaines d'annonces.

La source ne dit rien du volet technique : on ne sait pas quel modèle sous-tend Plurio, combien de tokens ou de ressources de calcul consomme un cycle d'analyse, à quelle fréquence l'agent est relancé, ni combien coûte le système lui-même. On ne dispose pas non plus du pourcentage de recommandations rejetées par les humains. Sans ces éléments, l'économie de la solution ne peut pas être calculée, et une partie de l'effet a pu venir non de l'agent, mais de la saisonnalité ou de changements dans le produit et dans l'entonnoir.

Ce que l'on peut retenir de ce cas

L'enseignement pratique dépasse la publicité dans la fintech. Le plus précieux ici est que le problème du retard de rétroaction n'a pas été résolu par un nouveau modèle, mais par une formulation soignée : d'abord les données réelles, à défaut une prévision fondée sur une métrique intermédiaire, et des règles d'arrêt liées à deux signaux indépendants. Ce cadre convient à tout processus dont le résultat n'apparaît qu'au bout de plusieurs semaines : abonnements, ventes B2B, assurance, crédit.

Les équipes qui souhaitent reproduire l'approche ont besoin de trois éléments : un entrepôt unique où les clics sont reliés aux événements du CRM ; des CAC cibles clairement définis par marché ; une procédure de validation dans laquelle un humain approuve les actions de l'agent. Sans le premier, l'agent n'aura rien à calculer ; sans le troisième, il risque de couper discrètement et en masse des annonces qui fonctionnent.