Le bug du ciblage par ressemblance : pourquoi les outils GTM à base d’IA vous orientent vers les mauvais acheteurs

La plupart des outils GTM à base d’IA embarquent le même bug. Ce n’est pas un problème de qualité des données, même si des données médiocres l’aggravent. C’est un problème de modèle de ciblage, et il porte un nom précis : le bug du ciblage par ressemblance (« lookalike »).

Voici comment il se manifeste concrètement : vous collez l’adresse de votre site dans un outil d’ICP à base d’IA. Il analyse vos clients existants (ou la description que vous en faites), lance une recherche de similarité vectorielle dans une base d’entreprises, puis renvoie une liste de « clients idéaux ». Ces entreprises ressemblent à vos clients - même secteur, taille comparable, stack technique similaire. Certaines sont vos concurrents.

Nous l’avons constaté nous-mêmes en testant Explee (AutoGTM). Nous avons soumis notre propre entreprise à son moteur d’ICP. Parmi les résultats figuraient des entreprises qui étaient nos concurrents directs. Il a aussi renvoyé une installation nucléaire étiquetée comme société immobilière.

Ce n’est pas une erreur de données. C’est le résultat attendu d’un ciblage par ressemblance appliqué à la mauvaise question.

Comment fonctionne le ciblage par ressemblance (et pourquoi il paraît logique)

Le ciblage par ressemblance part d’une idée de bon sens : si vous savez qui sont vos clients, vous pouvez trouver d’autres entreprises qui leur ressemblent.

Techniquement, il repose sur des modèles d’embedding. On prend votre liste de clients, on génère une représentation vectorielle de chacune de ces entreprises (secteur, taille, signaux de croissance, stack technique, intitulés de poste), puis on lance une recherche de similarité sur une vaste base d’entreprises. Le résultat : une liste classée d’entreprises similaires à vos clients.

C’est exactement le principe des audiences similaires de Meta, d’où cette impression de déjà-vu. Pour la publicité payante sur les réseaux sociaux, cela fonctionne plutôt bien. Pour la prospection B2B, cela pose un problème structurel.

Le problème : le ciblage par ressemblance trouve des sosies de vos clients, pas des entreprises prêtes à acheter

La recherche de similarité répond à la question : « Quelles entreprises ressemblent à nos clients ? »

Elle ne répond pas à celle-ci : « Quelles entreprises ont, en ce moment, le problème précis que notre produit résout ? »

Ce sont deux questions différentes. Une entreprise qui ressemble à vos clients peut :

• utiliser déjà un concurrent (et se montrer franchement hostile à votre prospection) ;

• avoir la bonne taille et le bon secteur, sans le déclencheur précis qui crée l’urgence ;

• être votre concurrent direct (qui a, par définition, le même profil que vos meilleurs clients) ;

• avoir déjà résolu le problème en interne ;

• évoluer sur un marché où votre grille tarifaire n’est pas adaptée.

Le ciblage par ressemblance est optimisé pour la proximité démographique. Or le comportement d’achat dépend de la situation, pas du profil démographique. L’entreprise qui a besoin de toute urgence de ce que vous vendez aujourd’hui n’est souvent pas celle qui ressemble le plus à votre meilleur client - c’est celle qui vient de vivre l’événement déclencheur que votre meilleur client avait vécu avant d’acheter chez vous.

Ce que nous avons constaté : le moteur d’ICP renvoie des concurrents

Pendant notre étude de la concurrence, nous avons soumis l’adresse du site de notre propre entreprise à la recherche d’ICP d’Explee.

Parmi les résultats figuraient des entreprises de notre secteur - des concurrents directs qui développent des agents commerciaux IA. En surface, ils nous ressemblent : taille comparable, même catégorie de secteur, audience similaire. Un modèle de pure similarité n’a aucun moyen de les exclure. Du point de vue des données, ce sont des correspondances idéales.

Nous avons aussi vu, dans la base, une installation nucléaire classée comme société immobilière. Cela révèle un second problème : dans les grandes bases constituées par scraping, la qualité des données sous-jacentes reste inégale, même à très grande échelle (d’après sa documentation, la base d’Explee couvre 105 millions d’entreprises). Les entreprises mal classées se glissent dans les résultats des recherches de similarité, car le modèle ne sait pas que l’étiquette est fausse.

Ces deux résultats - des concurrents présentés comme des acheteurs, des entreprises mal classées - sont des conséquences prévisibles de l’approche par ressemblance. Ce ne sont pas des bugs d’implémentation. Ce sont des bugs de méthode.

Ce qui change avec le persona acheteur

Rainmaker n’utilise pas la similarité vectorielle pour trouver des prospects.

À la place, il construit un persona acheteur : un modèle structuré de ceux qui achètent vraiment chez vous, défini par leurs problèmes, leurs déclencheurs d’achat et leurs critères d’exclusion. Non pas « des entreprises qui ressemblent à vos clients », mais « des entreprises qui ont le problème que vous résolvez et une raison précise de le résoudre maintenant ».

Ce que chaque approche modélise :

Quand un prospect est trouvé à partir d’un persona acheteur, Rainmaker vous montre son raisonnement : pourquoi cette entreprise correspond au persona, quel déclencheur a été détecté, quels critères d’exclusion ont été vérifiés. Cette explication est gratuite et s’affiche avant que vous validiez le lot.

Si le raisonnement vous paraît faux, vous rejetez le prospect et le persona s’affine. Cette boucle de rétroaction n’existe pas dans le ciblage par ressemblance, puisqu’il n’y a aucun raisonnement à corriger - seulement un score de similarité.

Ce que cela change concrètement

Les mauvais acheteurs ne vous font pas seulement perdre du temps. Ils dégradent activement votre prospection.

Un cold email envoyé à des entreprises similaires mais hors cible vous coûte de deux façons :

1. Des taux de réponse faibles (ces entreprises ne sont pas en phase d’achat)
2. Des plaintes pour spam (les destinataires qui ne sont pas intéressés, ou qui reconnaissent un envoi de masse, le signalent comme spam)

Les plaintes pour spam abîment la réputation de votre domaine d’envoi. Une fois un certain seuil franchi - en général un taux de plainte de 0,1 % chez Gmail -, la délivrabilité chute sur toute votre liste, y compris auprès des acheteurs qui vous auraient répondu.

Bien cibler ne sert pas qu’à mieux convertir. Cela protège l’infrastructure dont dépend toute votre prospection.

Rainmaker modélise qui achète, pour que la prospection ne vise que des entreprises avec lesquelles il existe une vraie raison d’engager la conversation. C’est ce qui permet de garder une liste courte, un ciblage précis et un domaine en bonne santé.