L’IA agentique rend la qualité des données CRM plus critique

Le marketing étend l’autorité de l’IA alors que la confiance dans les données qui guident ces systèmes reste faible. Le « State of CRM Data Report 2026 » de Validity indique que 45 % des répondants utilisent déjà une IA agentique capable d’agir sans validation humaine, tandis que deux tiers des organisations ont augmenté, au cours de l’année écoulée, le nombre de décisions marketing déléguées à des agents autonomes. Dans le même temps, seuls 21 % estiment que leurs données CRM sont très bien préparées pour les outils d’IA qu’ils utilisent ou prévoient d’utiliser.

Validity a un intérêt commercial dans cet argument, car l’entreprise vend des produits de qualité des données et bénéficie des investissements des organisations dans l’amélioration des données CRM. Ses conclusions soulèvent néanmoins une question claire de management. L’IA agentique, c’est-à-dire des systèmes capables d’agir de manière autonome, peut transformer des décisions issues du CRM en exécution avant qu’une personne ne les examine. Les responsables marketing, RevOps, IT et data doivent déterminer quel niveau d’autorité leurs données et leurs contrôles actuels peuvent réellement soutenir.

L’écart de préparation existe malgré une prise de conscience généralisée

Près de 91 % des marketeurs déclarent que la préparation des données est essentielle à l’adoption de l’IA, selon le « State of CRM Data Report 2026 » de Validity. Pourtant, seuls 26 % des répondants ont indiqué que plus des trois quarts de leurs données CRM sont exactes et complètes, et près de la moitié ont déclaré que leur organisation rencontre des difficultés liées à la qualité des données CRM. L’enquête met en évidence un écart entre l’importance que les répondants accordent à la préparation des données et l’état qu’ils décrivent pour leurs données CRM.

La prise de conscience et la préparation exigent des réponses de management différentes. Les dirigeants qui reconnaissent l’importance de la qualité des données ont encore besoin de processus pour maintenir les dossiers clients et de campagne, d’équipes chargées de ces dossiers et de contrôles pour les systèmes d’IA qui les utilisent. Déléguer une décision à l’IA est un choix de management distinct de l’amélioration des données sous-jacentes. Les deux peuvent évoluer à des rythmes différents.

Cela change la manière dont les dirigeants doivent évaluer l’investissement CRM autour de l’IA. Les choix de modèles et d’outils ne représentent qu’une partie du système opérationnel lorsque l’IA utilise des informations sur les clients, les campagnes, le pipeline et les revenus dont l’exactitude est déjà mise en doute par les répondants. L’attribution et le reporting dépendent également de ces données. La confiance dans l’analyse dépend en partie de la confiance dans les informations qui la sous-tendent.

L’IA autonome transforme des données contestables en problème de contrôle

Le changement clé réside dans l’autorité attachée à un résultat piloté par les données. Avec une validation humaine, une personne peut examiner un rapport inexact avant d’agir. Un système autonome peut transformer directement un résultat en action. Selon le déploiement, cela peut signifier l’envoi d’une campagne, le scoring d’un lead, la personnalisation d’une offre ou la réallocation d’un budget.

L’augmentation de la prise de décision autonome rapportée par Validity rend cette distinction concrète. Les chiffres d’ouverture montrent que l’autonomie est déjà utilisée et que la délégation s’est accrue au cours de l’année précédente. Pour les dirigeants, la question du contrôle change lorsqu’une recommandation peut passer directement dans un workflow. Les conséquences dépendent de la qualité des données d’entrée et des garde-fous entourant l’action.

Validity indique que 62 % des répondants ont déclaré qu’une mauvaise qualité des données CRM a probablement ou certainement coûté des revenus à leur organisation à travers des problèmes tels que des renouvellements manqués, des prévisions inexactes, des opportunités perdues et des campagnes mal ciblées. Près de 69 % ont également déclaré qu’un chiffre de revenus, de pipeline ou de performance qu’eux-mêmes ou leur équipe avaient présenté avait été contesté ou révisé parce que les données sous-jacentes étaient erronées. Parmi les membres de la direction générale, les vice-présidents seniors/vice-présidents, les responsables de département et les directeurs, Validity indique que ce chiffre monte à près de 75 %.

Ces résultats n’établissent pas que l’IA autonome a causé les problèmes de revenus signalés ou les chiffres contestés. Ils montrent deux conditions dans les organisations interrogées : une autorité décisionnelle automatisée en expansion et des problèmes déclarés concernant les données métier. Ensemble, elles posent une question de gouvernance. Les dirigeants doivent faire correspondre l’autorité d’un système avec le niveau de confiance dans ses données d’entrée et les contrôles disponibles pour détecter les erreurs.

Validity rapporte également un lien plus direct entre les recommandations de l’IA et les préoccupations liées aux données. Environ 19 % des répondants ont déclaré avoir fréquemment présenté ou appliqué une recommandation générée par l’IA qu’ils ont ensuite soupçonnée d’être erronée en raison de la mauvaise qualité des données sous-jacentes. 43 % supplémentaires ont déclaré que cela se produisait occasionnellement. Il s’agit de soupçons d’erreur exprimés par les répondants ; ce ne sont ni des erreurs vérifiées indépendamment ni des preuves que l’IA a causé une perte financière.

Le problème opérationnel est celui de la propagation. Un workflow qui exige une validation donne à une personne la possibilité de remettre en question le résultat avant son exécution. Avec une exécution autonome, ce point de contrôle peut intervenir plus tard ou ailleurs. Les dirigeants doivent décider quelles actions exigent une validation, quel niveau de confiance dans les données autorise l’automatisation et quelles exceptions doivent arrêter ou rediriger une action.

Une plus grande autonomie peut malgré tout produire suffisamment de bénéfices pour justifier des erreurs ou des contrôles supplémentaires. Les résultats de l’enquête de Validity n’établissent pas le rendement économique net d’une délégation accrue. Ils identifient les éléments dont les dirigeants ont besoin pour prendre cette décision : le niveau de préparation des données déclaré, l’autorité accordée à l’IA et la capacité de l’organisation à détecter et contenir les erreurs. Cet arbitrage est une décision métier qui nécessite une responsabilité explicite.

L’incertitude de mesure complique le raisonnement économique

Validity indique que seuls 28 % des répondants ont une très grande confiance dans la capacité de leur CRM à fournir une vision exacte de la performance des campagnes et de l’impact sur les revenus. Ce constat s’ajoute aux conséquences sur les revenus rapportées en raison de la mauvaise qualité des données CRM. Les dirigeants peuvent donc être confrontés à de l’incertitude à la fois dans les données opérationnelles d’entrée et dans les enregistrements utilisés pour mesurer les résultats économiques.

Cela limite les conclusions simples sur le ROI dans un sens comme dans l’autre. Un historique client contesté peut contribuer à un renouvellement manqué, et un enregistrement de campagne peu fiable peut compliquer l’attribution, mais le seul fait que des préoccupations soient signalées ne permet pas d’établir une perte financière agrégée causée par la qualité du CRM. Le même standard s’applique à l’IA autonome. L’exposition à des recommandations contestables ne permet pas de déterminer si la délégation produit un rendement global positif ou négatif.

La conception de la mesure devient une partie de la décision de contrôle. Lorsque les données de revenus et de campagnes sont incertaines, la performance observée après un déploiement d’IA peut combiner de véritables changements opérationnels et des erreurs de mesure. Les équipes ont besoin d’un niveau de confiance suffisant dans les informations CRM pour distinguer ces effets. Sinon, les mêmes données incertaines peuvent à la fois orienter les décisions automatisées et l’évaluation de ces décisions.

La responsabilité des données fait partie de la préparation à l’IA

La qualité technique des données s’inscrit dans un système organisationnel de responsabilité. Validity indique que seuls 41 % des répondants ont déclaré que leur organisation dispose d’une équipe ou d’un responsable dédié à la gouvernance des données. Les répondants ont également cité le mauvais alignement entre le marketing, les ventes et le RevOps, ainsi que l’absence de responsabilité interne claire, comme des obstacles empêchant les données CRM de soutenir de manière fiable le marketing. La gouvernance signifie ici l’attribution de la responsabilité des définitions de données, des attentes en matière de qualité, des accès et de la remédiation lorsque les données deviennent peu fiables.

La confiance entre fonctions reste également limitée. Validity indique que seuls 39 % des membres de la direction générale, des vice-présidents seniors/vice-présidents, des responsables de département et des directeurs ont déclaré que le marketing et l’IT ou le RevOps collaborent très bien pour maintenir des données exploitables pour les campagnes. Parmi les managers seniors et les contributeurs individuels, ce chiffre était de 27 %. Les déploiements d’IA qui dépendent de données métier partagées peuvent exiger une coordination entre des équipes dont les répondants signalent des niveaux de confiance différents dans cette collaboration.

Les résultats par niveau hiérarchique apportent également un autre signal, sans toutefois en expliquer la cause. Validity rapporte les différences suivantes parmi les répondants ayant déclaré avoir appliqué une recommandation de l’IA qu’ils ont ensuite soupçonnée d’être erronée en raison de mauvaises données :

Les collaborateurs les plus seniors peuvent être davantage exposés aux recommandations de l’IA, disposer d’une plus grande autorité pour agir, avoir une perception différente des problèmes de données ou présenter d’autres caractéristiques propres à leur sous-groupe. Les chiffres seuls ne permettent pas de distinguer entre ces explications.

L’exigence de management est plus claire que la cause de cette différence entre sous-groupes. Lorsqu’un système autonome agit sur la base d’informations CRM, les dirigeants ont besoin d’une responsabilité attribuée pour la qualité des données d’entrée, d’une autorité sur les actions que le système peut entreprendre et d’un processus de réponse lorsqu’un résultat contestable atteint l’entreprise. Ces responsabilités peuvent s’étendre au marketing, aux ventes, au RevOps, à l’IT et aux équipes data. Une responsabilité explicite devient d’autant plus importante que les systèmes autonomes reçoivent une autorité plus large.

Le nettoyage du CRM améliore les données disponibles pour l’organisation. La responsabilité des définitions, des exceptions et des décisions automatisées doit également être attribuée, tandis que la gouvernance définit des processus plutôt que de garantir l’exactitude de chaque donnée. La tâche opérationnelle consiste à relier la responsabilité des données à l’autorité de l’IA afin que l’organisation sache qui peut modifier une donnée d’entrée, qui peut approuver un usage automatisé et qui gère les défaillances.

L’autorité de l’IA doit suivre les conséquences de la décision

Les dirigeants peuvent transformer ces conclusions en test de déploiement pour chaque catégorie de décision marketing. Ils peuvent évaluer le niveau de confiance dans les données sous-jacentes, la manière dont une mauvaise recommandation serait détectée, le contrôle appliqué avant une action coûteuse ou difficile à inverser, et l’équipe responsable de la remédiation. Une action à faible impact peut justifier un niveau d’autonomie différent de celui d’une décision affectant de manière significative les revenus, le traitement des clients ou le budget.

Cela fait de l’autorité un choix opérationnel précis. La qualité des données, les contrôles d’erreur et la responsabilité déterminent le niveau de risque que l’organisation peut observer et gérer lorsque l’IA agit. Les décisions aux conséquences plus importantes peuvent exiger des validations plus strictes lorsque les données de support sont incertaines. La tâche des dirigeants consiste à fixer délibérément cette limite et à attribuer une responsabilité claire lorsque le système la franchit.

Points clés à retenir pour les décideurs

• L’autorité de l’IA dépasse la préparation des données : Seuls 21 % des répondants estiment que leurs données CRM sont très bien préparées pour l’IA, alors même que les organisations délèguent davantage de décisions marketing à des agents autonomes. Les dirigeants doivent aligner l’autorité de l’IA sur le niveau de confiance dans les données qui soutiennent chaque décision.
• L’autonomie augmente le coût de contrôles insuffisants : L’IA agentique peut transformer directement des données CRM contestables en actions sans validation humaine. Les décisions aux conséquences plus importantes nécessitent des contrôles plus solides en matière de validation, de revue et de gestion des exceptions.
• Des données CRM incertaines compliquent le ROI de l’IA : Seuls 28 % des répondants ont une très grande confiance dans le fait que leur CRM reflète avec exactitude la performance des campagnes et l’impact sur les revenus. Les dirigeants ont besoin de systèmes de mesure fiables pour distinguer les changements de performance liés à l’IA des erreurs présentes dans les données sous-jacentes.
• La responsabilité des données fait partie de la préparation à l’IA : Seuls 41 % des répondants déclarent disposer d’une équipe ou d’un responsable dédié à la gouvernance des données. Les organisations doivent attribuer clairement la responsabilité de la qualité des données, de l’autorité décisionnelle de l’IA, des exceptions et de la remédiation entre les équipes marketing, RevOps, IT et data.
• Faire correspondre l’autorité de l’IA aux conséquences métier : Les décisions autonomes ne doivent pas recevoir par défaut le même niveau d’autorité. Les dirigeants doivent prendre en compte le niveau de confiance dans les données, la détection des erreurs, la réversibilité et l’impact métier potentiel pour déterminer quelles actions exigent une validation humaine.