Pourquoi l’IA agentique exige des données CRM plus fiables

Les équipes marketing accordent un pouvoir de décision à l’IA alors que la confiance dans les données CRM qui sous-tendent ces décisions reste limitée. Le « State of CRM Data Report 2026 » de Validity a révélé que près de 91 % des marketeurs considèrent la préparation des données comme essentielle à l’adoption de l’IA, tandis que seuls 21 % estiment que leurs données CRM sont très bien préparées pour les outils d’IA qu’ils utilisent ou prévoient d’utiliser. Validity vend des produits de qualité des données et en tire un bénéfice commercial lorsque les entreprises investissent dans l’amélioration des données CRM. Ses conclusions soulèvent néanmoins une question de management claire : dans quelle mesure les données disponibles peuvent-elles soutenir une autorité automatisée ?

L’autorité de l’IA progresse plus vite que la préparation des données

Validity a constaté que 45 % des répondants utilisent déjà une IA agentique capable d’agir sans validation humaine, tandis que deux tiers des organisations ont augmenté le nombre de décisions marketing déléguées à des agents autonomes au cours de l’année écoulée. Ici, l’IA agentique désigne des systèmes autorisés à entreprendre des actions plutôt qu’à simplement générer des informations qu’une personne examinera. À mesure que cette autorité s’accroît, les erreurs dans les informations utilisées par ces systèmes ont des conséquences plus importantes.

Les données CRM sous-jacentes restent incertaines. Seuls 26 % des répondants ont déclaré que plus des trois quarts de leurs données CRM sont exactes et complètes, et près de la moitié ont indiqué que leur organisation rencontre des difficultés en matière de qualité des données CRM. Ces chiffres montrent un écart entre l’autorité déléguée et la confiance des répondants dans les enregistrements qui étayent les décisions. Pour les dirigeants, la préparation à l’IA inclut donc la fiabilité des données utilisées pour déclencher une action.

Cela crée une norme opérationnelle plus stricte. Les workflows soumis à une validation humaine offrent la possibilité de remettre en question un résultat avant son exécution, même si cette validation ne garantit pas qu’une erreur sera détectée. Les workflows autonomes peuvent s’exécuter avant qu’une telle validation n’ait lieu. La qualité des données devient donc une composante du système de contrôle des décisions automatisées.

Les mauvaises données CRM mènent plus rapidement à l’action

Un agent IA peut utiliser des enregistrements CRM pour prendre et exécuter une décision sans validation humaine préalable. Si un enregistrement incorrect affecte, par exemple, le score d’un lead, ce score peut déterminer ce qui arrive à ce lead avant que quelqu’un n’examine l’enregistrement sous-jacent. Le défaut s’est rapproché de l’exécution. Cela modifie l’exigence de contrôle.

Une erreur de reporting peut toujours influencer une mauvaise décision humaine. L’action automatisée ajoute de la rapidité et peut supprimer un point de validation lorsque le système est autorisé à agir de manière indépendante. Les dirigeants ont donc besoin de contrôles sur le comportement de l’IA et sur les données métier qui lui sont fournies. Le contrôle approprié dépend de la conséquence de l’action autorisée.

Cela modifie également l’endroit où les contrôles des données comptent. Un agent peut agir directement à partir des enregistrements CRM, ce qui fait de la validation, de la responsabilité et de la supervision des éléments de la gouvernance des décisions. L’enquête de Validity montre une utilisation croissante de l’IA autonome parallèlement à des problèmes signalés de qualité CRM. Ces conclusions établissent des conditions concomitantes ; elles ne démontrent pas que l’IA autonome a causé une perte financière précise.

Le problème apparaît dans les décisions métier

Près de 69 % des répondants ont déclaré qu’un chiffre de revenus, de pipeline ou de performance qu’eux-mêmes ou leur équipe avaient présenté avait été contesté ou retiré parce que les données sous-jacentes étaient erronées. Des enregistrements peu fiables arrivent donc jusqu’aux discussions où les personnes évaluent la performance de l’entreprise. Lorsqu’un chiffre doit être retiré, les dirigeants peuvent aussi devoir reconsidérer les décisions prises sur cette base.

Les recommandations de l’IA montrent un schéma connexe dans les réponses des participants. Environ 19 % ont déclaré avoir fréquemment présenté ou suivi 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 indiqué que cela se produisait occasionnellement. Ces chiffres mesurent les soupçons des répondants concernant de mauvaises recommandations et leurs causes ; ils ne vérifient pas de manière indépendante que les données sous-jacentes ont causé chaque erreur.

Le niveau hiérarchique n’élimine pas cette exposition. Près de 78 % des membres de la direction générale et 92 % des vice-présidents seniors/vice-présidents ont déclaré avoir agi sur la base d’une recommandation de l’IA qu’ils ont ensuite soupçonnée d’être erronée, contre 41 % des contributeurs individuels. Parmi les membres de la direction générale, les vice-présidents seniors/vice-présidents, les responsables de département et les directeurs, près de 75 % ont également indiqué qu’un chiffre de revenus, de pipeline ou de performance qu’eux-mêmes ou leur équipe avaient présenté avait été contesté ou retiré parce que les données sous-jacentes étaient erronées. Tels que rapportés par Validity, ces chiffres montrent que des données d’entrée discutables peuvent parvenir à des personnes disposant d’un pouvoir de décision important.

La supervision humaine dépend donc en partie de la confiance dans les données d’entrée. Un relecteur senior peut contester une recommandation qui semble peu plausible, mais les résultats de l’enquête montrent que l’ancienneté en elle-même n’empêche pas les répondants d’agir sur des recommandations qu’ils remettent ensuite en question. Les dirigeants doivent savoir quelles informations une décision automatisée utilise et quels contrôles s’y appliquent. Les actions aux conséquences plus importantes justifient un niveau de confiance plus élevé.

Les organisations soupçonnent un coût sur le chiffre d’affaires qu’elles ne peuvent pas mesurer avec assurance

Validity a constaté que 62 % des répondants pensent que de mauvaises données CRM coûtent probablement ou certainement du chiffre d’affaires à leur organisation à travers des problèmes tels que des renouvellements manqués, des prévisions inexactes, des opportunités perdues et des campagnes mal ciblées. Pourtant, seuls 28 % sont très confiants dans le fait que leur CRM fournit une vue exacte de la performance des campagnes et de l’impact sur le chiffre d’affaires. Il s’agit de résultats d’enquête sponsorisés par un fournisseur, et Validity a un intérêt commercial à renforcer la demande en qualité des données CRM. Ces chiffres mettent en évidence une distinction utile entre le risque économique perçu et la confiance dans sa mesure.

Le premier chiffre reflète la conviction des répondants que de mauvaises données CRM coûtent du chiffre d’affaires, mais il ne quantifie pas le montant perdu. Le second montre une confiance limitée dans la mesure, via le CRM, de la performance des campagnes et de l’impact sur le chiffre d’affaires. Les dirigeants qui évaluent un investissement dans l’amélioration des données doivent donc distinguer les preuves d’un risque perçu des estimations de son ampleur financière.

Cette distinction compte pour les décisions de ROI. La direction peut souhaiter disposer d’un argumentaire économique précis pour un investissement dans la qualité des données tout en ayant une confiance limitée dans le système utilisé pour mesurer l’impact sur le chiffre d’affaires. Un business case défendable peut reconnaître cette contrainte. Les contrôles peuvent être justifiés par la conséquence et la fréquence des problèmes de données observés sans leur attribuer une valeur de chiffre d’affaires non étayée.

La préparation à l’IA exige une responsabilité claire

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 identifié le mauvais alignement entre le marketing, les ventes et les RevOps, ainsi que l’absence de responsabilité interne claire, comme des obstacles empêchant les données CRM de soutenir de manière fiable le marketing. À mesure que l’IA gagne en autorité, quelqu’un doit être responsable des informations utilisées par les workflows automatisés. Cette responsabilité couvre les règles de qualité des données, la remédiation et les exceptions.

La collaboration transverse est également limitée selon l’évaluation même des répondants. 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 les RevOps collaborent très bien pour maintenir des données exploitables pour les campagnes. Parmi les managers seniors et les contributeurs individuels, ce chiffre tombe à 27 %. Les deux groupes voient donc une marge importante pour renforcer la coordination autour des données de campagne.

Les décisions automatisées peuvent traverser plusieurs frontières organisationnelles. Le marketing peut définir l’intention de campagne, les ventes peuvent dépendre des enregistrements de leads et de comptes, les RevOps peuvent détenir certaines parties du processus de revenus, et l’IT peut contrôler les systèmes sous-jacents. Un workflow d’IA peut consommer des informations produites par l’ensemble de ces fonctions. Une responsabilité claire permet d’établir qui définit les règles de qualité, gère la remédiation et décide si les données sont adaptées à une action automatisée donnée.

Les répondants ont également identifié une approche privilégiée pour accroître la confiance. Lorsqu’on leur a demandé ce qui augmenterait le plus la confiance dans les données CRM pour la stratégie, le reporting et l’IA, 39 % ont choisi une supervision automatisée continue qui détecte et corrige les problèmes en temps réel. Une plateforme unifiée arrivait en deuxième position, suivie de la validation ou de l’enrichissement des données par des tiers. La supervision continue exige toujours que des personnes définissent ce que sont des données acceptables, décident quand une correction automatisée est appropriée et attribuent la responsabilité des exceptions.

Pour les 59 % de répondants qui n’ont pas déclaré disposer d’une équipe ou d’un responsable dédié à la gouvernance des données, la responsabilité est l’enjeu managérial immédiat. Une plus grande autorité autonome rend plus important encore de savoir qui doit prévenir, détecter et résoudre les problèmes dans les données d’entrée du CRM. Les outils peuvent exécuter à grande échelle des contrôles définis. Les dirigeants doivent toujours fixer les règles et en attribuer la responsabilité.

Points clés

Faire correspondre l’autorité de l’IA au niveau de préparation des données : Le pouvoir de décision de l’IA s’étend plus vite que la confiance dans les données CRM. Les organisations qui confient des actions autonomes à l’IA ont besoin de contrôles des données adaptés à la conséquence de chaque action.
Contrôler les données CRM avant l’action automatisée : L’IA agentique raccourcit le chemin entre un enregistrement CRM défectueux et une décision métier. Les responsables des données peuvent réduire cette exposition grâce à la validation, à la supervision et à des règles claires pour les actions automatisées à fortes conséquences.
Traiter les décisions d’IA douteuses comme un risque opérationnel : Des répondants de tous niveaux hiérarchiques ont déclaré avoir agi sur la base de recommandations de l’IA qu’ils ont ensuite soupçonnées d’être erronées. Les responsables de décision ont besoin de visibilité sur les données qui sous-tendent les recommandations automatisées et sur les contrôles qui encadrent leur usage.
Construire les business cases de ROI autour de risques de données mesurables : La plupart des répondants pensent que de mauvaises données CRM coûtent du chiffre d’affaires, alors qu’ils sont relativement peu nombreux à avoir une forte confiance dans la mesure de l’impact sur le chiffre d’affaires via leur CRM. Les dossiers d’investissement doivent s’appuyer sur les problèmes de données observés et leurs conséquences sans attribuer d’estimations de chiffre d’affaires non étayées.
Attribuer une responsabilité claire pour la qualité des données de l’IA : Seuls 41 % des répondants ont signalé une équipe ou un responsable dédié à la gouvernance des données. Le marketing, les ventes, les RevOps et l’IT ont besoin d’une responsabilité nominative pour les règles de qualité, la supervision continue, la remédiation et les exceptions dans les données utilisées par l’IA.