Sinimex a présenté un coach AI pour les ventes aux entreprises avec vérification documentaire

Synimex a présenté un prototype d'un entraîneur IA pour les ventes B2B qui enseigne aux gestionnaires à mener des négociations, gérer les objections et éviter d'exagérer les caractéristiques du produit. Le système est déjà en test : après un changement d'architecture, il est devenu nettement plus stable, et l'équipe s'attend à ce que l'entraînement régulier augmente les demandes de devis commerciaux d'au moins 15%.

De l'Échec au Simulateur

L'idée est née d'un problème typique des ventes B2B. Un novice peut mener avec assurance la première partie d'une réunion, mais se perd lorsque le client commence à poser des questions gênantes sur le produit, la documentation et les avantages du passage. Dans les ventes aux consommateurs, une telle erreur peut encore être surmontée, mais dans le segment corporatif, chaque réunion échouée est un lead perdu, du temps d'équipe et de l'argent.

Pour les entreprises ayant de longs cycles de vente, un tel échec est particulièrement douloureux et coûteux. C'est pourquoi Synimex a décidé de construire non pas simplement un chatbot, mais un simulateur de négociations. L'entraîneur doit guider le gestionnaire à travers tout le cycle de conversation, de la salutation à la fixation des prochaines étapes, présenter des objections réalistes et fournir des commentaires après la conversation.

Pour la formation, ils ont utilisé deux types de données principaux : des scénarios de visite avec objectifs et objections typiques, ainsi que la documentation produit en PDF, afin que l'agent puisse s'appuyer non sur des « sensations » mais sur des faits.

Architecture Sous Contrôle

L'équipe a testé trois approches. Ils ont rejeté le schéma d'un seul agent en raison du débordement de contexte : dans une longue conversation, le modèle commençait à perdre le fil et suivait moins bien les instructions. Une approche multi-agent classique non plus n'a pas fonctionné : elle est flexible, mais trop similaire à une boîte noire, où il est difficile de comprendre pourquoi un agent a remis la tâche à un autre et à quel stade l'erreur s'est produite. En fin de compte, ils ont choisi le prompting séquentiel — une chaîne d'étapes étroites avec sortie JSON contrôlée et des prompts séparés pour chaque étape de la conversation.

• sélection du prompt par phase de conversation
• génération de plusieurs variantes de réponse
• sélection de la meilleure réponse par un agent séparé
• envoi de la réponse finale au gestionnaire

La première version du système a échoué : seulement 2 dialogues sur 8 ont été considérés comme réussis. Après cela, ils ont ajouté au schéma un deuxième agent "éditeur", qui sélectionne la meilleure option de réponse parmi plusieurs générées. Ce pipeline à deux étages a allégé le prompt principal et a donné au modèle plus de variabilité sans perte de contrôle. À la deuxième itération, le résultat est passé à 7 dialogues réussis sur 8, et les réponses elles-mêmes sonnaient plus naturellement. Ce fut le point tournant du projet.

Vérification des Fabrications

L'étape suivante était de compliquer la simulation. L'entraîneur a maintenant des niveaux de difficulté : au niveau facile, le client virtuel est plus accommodant, au niveau moyen exige des arguments, et au niveau difficile commence à vérifier attentivement chaque affirmation du gestionnaire. C'est ici que RAG a été ajouté au système afin que l'agent puisse vérifier avec la documentation et attraper les promesses non fondées.

Sinon, l'entraîneur croirait n'importe quelle promesse du gestionnaire ou discuterait sans s'appuyer sur des faits. Le scénario se présente ainsi : le gestionnaire fait une déclaration sur le produit, le système met en évidence la thèse spécifique, par recherche vectorielle trouve un fragment pertinent de la documentation, puis transmet l'affirmation et le texte trouvé au modèle pour un verdict. Si le gestionnaire, par exemple, dit que la version cloud du produit peut gérer 500 utilisateurs simultanés, mais que la documentation ne contient que des données d'un test avec deux, l'agent n'est pas d'accord automatiquement et signale doucement la divergence.

Selon l'équipe, chaque prompt a été réécrit en moyenne environ 12 fois pour obtenir un tel comportement.

Ce Que Cela Signifie

Le projet de Synimex montre que les agents IA corporatifs passent de plus en plus des « chatbots intelligents » aux entraîneurs appliqués avec une logique vérifiable. Si un tel format confirme les prévisions de croissance des offres et de conversion en pilotes, l'IA pourrait jouer le rôle d'un entraîneur permanent dans les ventes B2B, disponible à tout moment et s'appuyant sur des documents plutôt que sur l'improvisation. Pour les départements de ventes internes, ce n'est plus une expérience pour l'expérience elle-même, mais un outil potentiel de mise à l'échelle de la formation.