IA pour les ventes : cas d'usage, agents et socle de données

Selon l’étude 2026 State of Sales de Salesforce, neuf équipes commerciales sur dix utilisent des agents d’IA ou prévoient de le faire d’ici deux ans. Cependant, les données que ces agents traitent risquent de ne pas être prêtes pour assumer un rôle opérationnel plus étendu. Dans l’enquête 2025 de Validity menée auprès de 602 utilisateurs et parties prenantes de CRM, 76 % des répondants ont déclaré que moins de la moitié des données CRM de leur organisation était exacte et complète, tandis que 37 % ont signalé des pertes de revenus directement dues à une mauvaise qualité des données.

Pris ensemble, ces résultats révèlent un écart croissant entre les ambitions en matière d’IA et les informations disponibles pour les concrétiser. Des données CRM incomplètes peuvent avoir un impact limité lorsque les commerciaux et les managers complètent les workflows manuels avec leur propre connaissance pratique des comptes et du contexte des transactions. Cependant, à mesure que l’IA prend en charge une part accrue du travail commercial, elle ne peut pas s’appuyer sur ce savoir non documenté. Des lacunes dans le système peuvent alors influencer les comptes ciblés en priorité, la formulation des prises de contact, la qualification exacte d’une opportunité et les prévisions de revenus sur lesquelles les responsables peuvent compter.

L’IA peut aider les équipes commerciales à mieux analyser le contexte d’un compte ou d’une transaction, y compris les conversations, l’engagement, l’utilisation des produits et la progression commerciale. Elle peut également rédiger du contenu, mettre à jour les systèmes et coordonner les actions à chaque étape du processus d’affaires. La qualité de ces résultats dépend du caractère connecté, récent et gouverné des données sous-jacentes, ainsi que de la capacité du système à disposer de suffisamment de contexte métier pour les utiliser de manière appropriée.

Dans les ventes, l’IA désigne l’utilisation de l’IA prédictive, de l’IA générative et de systèmes agentiques pour interpréter les données commerciales, faciliter la prise de décision et exécuter les tâches au sein des workflows de vente.

• L’IA prédictive estime ce qui est susceptible de se produire : Elle identifie des tendances dans les données de comptes, d’activités et d’opportunités afin d’attribuer un score aux leads, d’estimer la probabilité de conversion, d’évaluer les risques liés aux transactions et d’effectuer les prévisions des revenus.
• L’IA générative transforme le contexte commercial en contenus valorisables : Elle produit des recherches sur les comptes, des messages prospectifs personnalisés, des synthèses de conversations, des propositions commerciales, des conseils de coaching et d’autres contenus en s’appuyant sur les informations et consignes fournies.
• L’IA agentique coordonne les tâches à plusieurs étapes : Elle extrait des informations, sélectionne les outils approuvés et poursuit une tâche commerciale dans le respect des autorisations et des limites opérationnelles fixées par l’application.

Ces capacités fonctionnent souvent en synergie. Un modèle prédictif peut identifier un compte présentant une forte probabilité de conversion, tandis qu’un système génératif prépare une synthèse documentaire et un premier message basés sur le secteur d’activité du compte, ses activités récentes et ses interactions passées. Un agent peut ensuite enregistrer la prise de contact approuvée, surveiller les réponses et coordonner la prochaine action autorisée.

Regardez Jonathan Karon, d’Anomalo, expliquer comment mettre en œuvre une qualité des données automatisée au sein de Snowflake :

La prospection commence par une décision d’allocation des ressources : déterminer quels comptes et acheteurs méritent l’attention immédiate d’un commercial. L’IA peut aider les équipes à prendre cette décision en exploitant un ensemble de signaux plus vaste et plus récent qu’une liste de leads gérée manuellement ou un modèle de notation statique.

Les modèles prédictifs analysent les schémas récurrents parmi les attributs des comptes, l’engagement marketing, l’activité produit, les interactions passées et l’historique des ventes. À mesure que de nouveaux signaux d’activité apparaissent, le score peut évoluer pour refléter le comportement actuel du compte.

L’IA peut intervenir à plusieurs étapes de la prospection et du démarchage :

• Notation des leads et des comptes : Évaluer la probabilité qu’un lead ou un compte se qualifie, se convertisse ou progresse sur une période donnée.
• Détection des signaux d’achat : Identifier les changements significatifs en matière d’engagement, d’activité produit, de caractéristiques organisationnelles ou d’autres données autorisées.
• Recherche sur les comptes : Rassembler et synthétiser les informations pertinentes à partir de dossiers internes et de sources externes autorisées.
• Analyse du groupe d’achat : Associer les contacts, les rôles et les interactions pour aider les commerciaux à identifier les personnes influençant l’achat.
• Préparation de la prospection : Rédiger des messages en tenant compte de la situation du compte, des interactions passées et de l’objectif visé.
• Recommandations de la meilleure action suivante : Classer les actions possibles selon l’avancement du compte, son activité récente et les règles commerciales applicables.

Chacune de ces applications dépend d’un contexte de compte à jour et connecté. Lorsque les signaux sont incomplets, obsolètes ou associés au mauvais compte, le workflow risque de prioriser un prospect non pertinent, de mal interpréter l’intérêt ou de recommander une action inadaptée. Les équipes doivent également définir les informations dont l’utilisation est autorisée pour la prospection.

Une fois l’opportunité active, le travail commercial génère un flux continu d’informations. Les acheteurs posent des questions, soumettent des objections, font intervenir des parties prenantes, révisent leurs exigences et prennent des engagements. Les commerciaux y répondent en fournissant des détails sur les produits, les tarifs, les échéanciers et les actions de suivi. Une grande partie de ce contexte émerge au cours de réunions et d’échanges de messages, et n’est généralement pas intégrée immédiatement dans le système de CRM.

L’IA peut transformer ces interactions en un historique d’opportunités plus complet et utilisable immédiatement :

• Préparation des réunions : Synthétiser les données relatives au compte, à l’opportunité, aux activités récentes, aux questions en suspens et aux engagements passés avant un échange.
• Assistance en temps réel : Récupérer les informations validées sur les produits, les tarifs, la sécurité ou la concurrence pendant la conversation.
• Résumés de conversations : Relever les sujets clés, les exigences des acheteurs, les objections, les décisions et les prochaines étapes à l’issue d’un appel ou d’une réunion.
• Récapitulatifs de suivi : Préparer des messages destinés aux clients récapitulant les points abordés et les engagements de chaque participant.
• Préparation des propositions et devis : Rassembler les éléments initiaux à partir d’informations validées sur le produit, la tarification et le compte.
• Mises à jour des opportunités : Suggérer des modifications des champs du CRM à partir d’éléments issus des interactions récentes.
• Coaching commercial : Dégager des tendances à travers les conversations pour permettre aux managers et aux commerciaux de les analyser ensemble.

Ensemble, ces fonctionnalités réduisent la perte de contexte d’une transaction entre les conversations, les systèmes et les personnes. Les informations issues d’une réunion permettent d’alimenter le suivi, de mettre à jour la fiche de l’opportunité, de préparer l’interaction suivante et d’offrir aux managers une vue plus récente de l’avancement de la transaction. Cette continuité s’avère particulièrement précieuse lors de cycles de vente complexes, où plusieurs parties prenantes interviennent et où des semaines peuvent s’écouler entre chaque interaction.

Un rapport de pipeline reflète ce qui a été enregistré pour chaque opportunité : sa valeur, son étape, sa probabilité, sa date de clôture prévue et sa catégorie de prévision. L’IA peut comparer ces champs avec un ensemble plus large d’éléments probants, notamment l’activité récente, la participation des parties prenantes, l’utilisation des produits, l’état des propositions, l’avancement des contrats et l’évolution historique d’opportunités similaires.

Les applications courantes incluent :

• Notation des opportunités : Estimer la probabilité qu'une affaire soit conclue ou atteigne un autre résultat défini.
• Détection des risques sur les affaires : Identifier les activités au point mort, les glissements de calendrier, l’absence de parties prenantes ou d’autres schémas associés à des résultats inférieurs aux prévisions.
• Estimation de la date de clôture : Prédire la date de clôture probable d’une opportunité en fonction de sa progression et des données actuelles.
• Inspection du pipeline : Faire ressortir les opportunités dont l’étape enregistrée ou la catégorie de prévision semble incohérente avec l’activité observée.
• Analyse de la couverture : Comparer le pipeline disponible avec les objectifs de chiffre d’affaires, les modèles de conversion et le temps restant sur la période commerciale.
• Planification de scénarios : Modéliser l’impact des variations de conversion, de calendrier des deals, de capacité ou de création de pipeline sur les revenus attendus.
• Prévision des revenus : Estimer les réservations ou les revenus futurs à l’aide du pipeline, des performances historiques et des données financières pertinentes.
• Explication des prévisions : Indiquer les opportunités et les signaux qui ont le plus contribué à la prédiction ou au changement.

L'exactitude des prévisions dépend de définitions métier cohérentes entre les ventes, la finance et les opérations de revenus. La valeur du pipeline, l’étape, la date de clôture et la catégorie de prévision peuvent sembler standardisées dans le CRM, mais les équipes les appliquent souvent différemment selon les régions, les produits ou les managers.

Les équipes ont donc besoin de définitions gouvernées pour les champs et les résultats utilisés dans les prévisions, ainsi que d’un historique des modifications de ces définitions. Les données d’entraînement, les résultats des modèles et les rapports de prévision doivent tous utiliser le même contexte sémantique afin que la prédiction soit évaluée par rapport au résultat métier qu’elle devait estimer à l’origine.

L’automatisation classique des ventes s’appuie sur des conditions prédéfinies pour déclencher des actions spécifiques. Un workflow peut par exemple attribuer un prospect en fonction du secteur géographique, ou créer une tâche lorsqu’une opportunité ne présente aucune activité récente. Ces systèmes s’avèrent efficaces pour les processus répétitifs, mais ils s’adaptent difficilement lorsque l’action appropriée dépend d’autres facteurs.

Les agents d’IA peuvent exécuter des tâches commerciales à travers plusieurs systèmes et étapes, en adaptant leurs actions au fur et à mesure que de nouvelles informations sur les comptes, les opportunités et les acheteurs deviennent disponibles. Lorsqu’une opportunité stagne, par exemple, la réponse adéquate dépend de ce qui s’est passé. L’acheteur attend peut-être une réponse sur la sécurité, un décideur a pu cesser de participer, la proposition a pu expirer ou la fiche CRM est tout simplement obsolète. Un agent peut s’appuyer sur ce contexte pour déterminer s’il doit récupérer des informations manquantes, préparer un suivi, mettre à jour l’opportunité ou transmettre le problème à la personne concernée.

Les agents commerciaux peuvent prendre en charge des tâches telles que :

• Qualification des prospects : Analyser un compte, l’évaluer par rapport à des critères approuvés et préparer les éléments justificatifs pour examen.
• Préparation des réunions : Rassembler l’historique du compte, l’activité récente, le statut de l’opportunité et les questions en suspens.
• Coordination du suivi : Préparer un récapitulatif, créer les tâches attribuées et mettre à jour les champs d’opportunité approuvés après une réunion.
• Maintenance du pipeline : Identifier les fiches incomplètes ou incohérentes et demander ou proposer des corrections.
• Inspection des deals : Examiner l’activité, l’engagement des parties prenantes, les engagements en cours et l’avancement commercial avant une revue de pipeline.
• Workflows de renouvellement et d’expansion : Surveiller les signaux des comptes, identifier les opportunités pertinentes et coordonner les actions de prospection approuvées.
• Workflows de la meilleure action suivante : Recommander ou exécuter une action autorisée en utilisant le contexte actuel du compte.
• Préparation de la revue des prévisions : Analyser les changements significatifs et rassembler les éléments dont les managers ont besoin pour les évaluer.

Les équipes commerciales peuvent utiliser ces fonctionnalités à différents niveaux d’autonomie. Un copilote assiste une tâche interactive de manière limitée : Un commercial peut par exemple lui demander de résumer un compte, puis examiner manuellement le résultat et décider de la suite à donner.

Un agent peut intervenir sur une plus grande partie du workflow, en utilisant des outils approuvés pour récupérer des informations, mettre à jour un système, créer une tâche ou transmettre un travail pour approbation. À mesure que le système prend en charge une part plus importante du travail, les équipes doivent définir ce qu’il est autorisé à faire sans révision et les cas où l’approbation humaine est requise.

Les enregistrements utilisés par l’IA dans les applications de vente doivent rester connectés et conserver une signification métier cohérente au fil des workflows. Les systèmes d'IA fiables et responsables dépendent également d'un encadrement clair de l'accès aux données, des affirmations adressées aux clients et des actions qu'un agent est autorisé à effectuer.

Comme le souligne Baris Gultekin, Vice-président Produit & IA de Snowflake, « les agents d'IA représentent un bond majeur par rapport à l'automatisation traditionnelle ou aux chatbots, mais pour les déployer à grande échelle, les entreprises ont besoin d'un écosystème d'information prêt pour l'IA. »

Connecter les données relatives aux comptes, aux activités et aux revenus

Les décisions commerciales s’appuient sur les enregistrements CRM, l’engagement marketing, l’activité commerciale, les comptes-rendus de réunion, l’utilisation des produits, les interactions de support, les devis, les contrats et les systèmes financiers. Chaque source capture une partie de la relation commerciale, souvent à l’aide d’identifiants et de fréquences de rafraîchissement différents.

L’historique connecté des comptes offre aux modèles et aux applications un moyen cohérent d’associer chaque activité au client, au contact, à l’opportunité ou au groupe d’achats adéquat. Sans cette connexion, une application risque de scorer un compte sans tenir compte d’un problème de support en cours, ou de résumer une opportunité sans avoir de visibilité sur la toute dernière proposition commerciale.

La résolution d’identité s’avère particulièrement importante lorsque plusieurs contacts interviennent dans l’achat. Le système doit pouvoir distinguer chaque personne tout en comprenant son lien avec le compte et l’opportunité concernés. Il doit également conserver l’historique des changements, comme la mutation d’un contact vers une autre entreprise ou la division d’une opportunité en plusieurs cycles d’achat.

La fraîcheur des données doit correspondre à la prise de décision. La planification annuelle des secteurs de vente peut, par exemple, utiliser des informations de compte rafraîchies périodiquement, tandis que l’assistance en direct sur une opportunité nécessite des interactions récentes, les tarifs actuels et le statut le plus récent de la transaction. Les équipes doivent surveiller les enregistrements manquants, les mises à jour retardées et les variations de couverture des sources, car chacun de ces facteurs peut modifier les résultats sans déclencher d’erreur explicite dans l’application.

Normaliser les définitions des ventes et des revenus

La terminologie requiert des définitions claires et cohérentes dans l’ensemble des applications et des équipes. Par exemple, la valeur d’une transaction peut désigner la valeur annuelle du contrat, la valeur totale du contrat ou le chiffre d’affaires prévu pour la période en cours. Les équipes chargées des ventes, de la finance et des opérations de revenus doivent s’accorder sur la signification de chaque terme afin que les modèles, les rapports et les agents utilisent la bonne définition pour la tâche à accomplir.

Le contexte sémantique rend ces distinctions explicites grâce à des métriques gouvernées, des vues, des métadonnées et des relations entre les comptes, les contacts, les opportunités, les produits et les événements de chiffre d’affaires. Il permet de préserver les critères de changement d’étape, les règles des catégories de prévision, les attributions de secteurs, les normes de qualification ainsi que la relation entre les réservations et le chiffre d’affaires comptabilisé.

Les définitions importantes doivent être confiées à un responsable désigné, chargé de valider les modifications et d’arbitrer les divergences entre les ventes, la finance, le marketing et les opérations de revenus. Lorsque les normes de qualification ou le processus de prévision changent, les équipes doivent également déterminer si les enregistrements historiques correspondent toujours au même résultat. Sinon, le modèle risque de traiter deux définitions opérationnelles comme s’il s’agissait d’une seule étiquette cohérente.

Ancrer les résultats générés dans des informations commerciales approuvées

Les applications de vente s’appuient à la fois sur le contexte spécifique du compte et sur les documents sources de l’entreprise. Le contexte du compte explique la situation de l’acheteur et l’historique de l’opportunité. Les documents sources approuvés par l’entreprise établissent ce qui peut être avancé sur ses produits, ses tarifs, ses pratiques de sécurité, ses exigences de mise en œuvre et ses conditions contractuelles.

Des informations approuvées s’avèrent particulièrement essentielles dans les contenus destinés aux clients. Lorsque les sources disponibles ne répondent pas à la question d’un acheteur, le résultat doit laisser le sujet en attente pour un commercial ou un expert métier, plutôt que de fournir une réponse plausible mais incertaine.

Les informations sources nécessitent un propriétaire, une version et une période de validité, le cas échéant. La recherche d’informations doit privilégier les documents récents tout en conservant suffisamment d’historique pour expliquer les engagements déjà pris au cours de la transaction.

Appliquer les contrôles d’accès et les autorisations d’utilisation

Les workflows de vente contiennent des données personnelles, des stratégies de compte, des enregistrements d’appels, des tarifs, des données d’utilisation des produits et des détails contractuels. Ces enregistrements restent soumis à des exigences d’accès et d’utilisation autorisée lorsqu’une application d’IA les extrait ou les combine dans un nouveau résultat.

Le contrôle d’accès basé sur les rôles (RBAC) limite les utilisateurs et les identités de service pouvant consulter les informations sensibles au niveau du client ou sur le plan commercial. La classification et le masquage protègent les champs sensibles, tandis que les autorisations basées sur le secteur géographique, l’équipe de compte ou la « deal room » peuvent restreindre davantage l’accès à une opportunité spécifique.

L’application doit également respecter la finalité et les conditions dans lesquelles les données ont été collectées. L’autorisation d’utiliser des informations pour le support client ou l’analyse des produits ne permet pas automatiquement à l’entreprise de les exploiter pour du ciblage commercial ou à d’autres fins. Les contrats, les exigences régionales en matière de confidentialité et les politiques internes peuvent restreindre la manière dont les données d’activité et les enregistrements d’appels sont analysés.

En France et dans l'UE, les données personnelles utilisées dans les workflows de vente (contacts, enregistrements d'appels, prospection commerciale) sont soumises au Réglement Général sur la Protection des Données (RGPD). La Commission Nationale de l'Informatique et des Libertés (CNIL) a publié des recommandations spécifiques sur la prospection commerciale et l'enregistrement d'appels, que les outils de vente basés sur l'IA doivent respecter. Cela inclut l'obligation de disposer d'une base légale valide pour le traitement des données (article 6 du RGPD) avant d'utiliser des données personnelles pour générer des messages de prospection ou analyser des appels.

Les enregistrements d’audit doivent indiquer les données auxquelles l’application a accédé, les politiques appliquées et la façon dont le résultat a intégré le workflow de vente. Cela devient particulièrement important lorsqu’une recommandation influe sur la priorité d’un compte, qu’un client reçoit une communication générée automatiquement ou qu’un agent modifie un système d’enregistrement.

Limiter les autorisations des agents et les actions destinées aux clients

Les workflows de vente basés sur des agents nécessitent des autorisations au niveau des actions, en plus des contrôles d’accès aux données.

Le workflow doit définir :

• Les comptes, opportunités et sources de données auxquels l’agent peut accéder
• Les champs du CRM qu’il peut proposer ou mettre à jour
• Les canaux de communication qu’il peut utiliser
• Si les messages sortants nécessitent l’approbation du représentant
• Les déclarations relatives aux produits, à la tarification ou aux contrats qu’il peut inclure
• Les modifications commerciales qui nécessitent l’approbation de la direction, des finances ou du service juridique
• À quel moment l’agent doit s’arrêter, demander des éclaircissements ou faire remonter la tâche

Les identités de service, les autorisations des outils, les seuils d’approbation et les conditions d’arrêt définissent le périmètre d’intervention de l’agent. L’application ne doit recevoir que les données et les outils nécessaires à la tâche assignée, plutôt qu’un accès étendu à la stack de vente. Les équipes ont également besoin de traces indiquant quelles informations l’agent a récupérées, quels outils il a appelés et quelles actions il a effectuées.

Ces contrôles préservent la responsabilité humaine dans les relations clients et les décisions commerciales importantes, tout en permettant à l’agent de prendre en charge une plus grande part de la recherche, de la coordination et de la tenue des dossiers qui s’y rapportent.

Évaluer les résultats par rapport aux performances commerciales

Une évaluation fiable commence par un jeu de données qui reflète le travail de vente auquel le système sera confronté, y compris les cas courants, les cas difficiles et les situations où la bonne réponse consiste à s’arrêter ou à faire remonter le problème. Les résultats attendus, les actions autorisées et les critères d’acceptation doivent être définis avant les tests, afin que le système soit évalué par rapport à une norme homogène plutôt qu’aux impressions des évaluateurs.

La méthode d’évaluation dépend ensuite de la capacité. Les modèles prédictifs nécessitent des mesures telles que la calibration, la qualité du classement et la performance sur les segments pertinents. Les systèmes génératifs nécessitent des tests portant sur l’exactitude factuelle, l’ancrage dans des sources approuvées, l’exhaustivité et le respect du langage requis. Les agents doivent également être évalués sur le cheminement qu’ils empruntent : s’ils sélectionnent les outils appropriés, utilisent les bonnes données, respectent leurs autorisations, se remettent des erreurs et satisfont aux conditions d’arrêt de la tâche.

Cependant, les résultats au niveau des composants ne suffisent pas lorsque plusieurs modèles, étapes de récupération et outils contribuent à un seul workflow. Les équipes doivent également effectuer des évaluations de bout en bout pour vérifier si le contexte est conservé d’une étape à l’autre et si une erreur précoce modifie une décision ou une action ultérieure.

Après le déploiement, les traces de production, les taux de correction, les remontées et les données de résultat permettent de déterminer si la performance évolue à mesure que les données de vente, les produits et les règles d’exploitation changent. Ces observations doivent être réintégrées dans l’ensemble d’évaluation afin que les tests continuent de représenter le travail effectué par le système.

Surveiller la qualité des données et les biais

Les données de vente reflètent à la fois le comportement des acheteurs et les décisions antérieures de l’entreprise. Les résultats historiques sont façonnés par les comptes qui ont été saisis dans le CRM, la manière dont les territoires ont été attribués, les leads qui ont été suivis et la régularité avec laquelle les représentants ont consigné leur activité. Un modèle entraîné sur ces enregistrements peut apprendre à la fois la manière dont l'organisation orientait son attention par le passé et les régularités de la demande client.

Une activité incomplète crée une autre distorsion. Un représentant performant qui ne consigne que les étapes majeures peut sembler faire avancer les transactions avec moins d’interactions qu’un représentant qui documente chaque appel et chaque message. Les comptes gérés via des canaux informels peuvent paraître moins engagés que ceux dont l’activité est capturée automatiquement.

Pour résoudre ces problèmes, il faut commencer par des données sources actuelles et gouvernées, ainsi que par des définitions de résultats documentées, mais cela nécessite également des tests actifs. Les équipes devraient comparer les performances par territoire, groupe de comptes, source d'acquisition et autres segments pertinents ; examiner si les données manquantes modifient la prédiction ; et analyser comment les recommandations du modèle influencent les données futures utilisées pour l'entraînement.

Lorsqu’un système produit des résultats inégaux, les équipes doivent examiner les enregistrements, les étiquettes, les règles de décision et les processus d’exploitation qui les ont générés. Une révision humaine à la fin du workflow ne corrigera pas un modèle de notation ou de priorisation qui détermine de manière répétée quels comptes reçoivent de l’attention en premier lieu.

Snowflake offre aux équipes des ventes, des opérations de revenus, des données et des finances un environnement partagé pour exploiter les données CRM, d'activité, de produits, d'assistance et de revenus, et déployer l'IA prédictive, générative et agentique sans créer une architecture de données distincte pour chaque workflow de vente.

Snowflake ML prend en charge les modèles prédictifs créés et exécutés sur des données gouvernées dans Snowflake. La classification peut prendre en charge des charges de travail telles que le scoring des leads, des comptes ou des opportunités en apprenant les régularités associées à des résultats historiques définis. Les fonctions de prévision peuvent prédire des valeurs numériques futures à partir de données de séries chronologiques, tandis que des capacités plus larges permettent de développer et d’exploiter des modèles personnalisés lorsque le workflow l’exige.

Étant donné que le modèle s’exécute là où résident déjà les données sous-jacentes, les équipes peuvent mettre à jour les scores et les prédictions à partir des données connectées du CRM, d’activité et de produits sans maintenir une copie de notation distincte. L’entreprise détermine toujours le résultat cible, les données d’entraînement, les critères d’évaluation et la manière dont la prédiction s’intègre au processus de vente.

Les fonctions Cortex AI appliquent des modèles linguistiques et multimodaux aux informations stockées dans Snowflake. Les équipes des ventes et des données peuvent utiliser ces fonctions pour résumer les transcriptions de réunions, classer les objections, extraire les exigences ou les mesures à prendre et analyser des ensembles de notes ou de documents via des workflows de données basés sur SQL. Ces résultats peuvent être joints à des données structurées de comptes et d’opportunités pour la création de rapports, le coaching ou des applications en aval.

Pour les workflows qui nécessitent d’examiner des informations et de se poursuivre sur plusieurs étapes, Cortex Agents peut combiner Cortex Analyst pour les données structurées, Cortex Search pour les informations non structurées et des outils personnalisés connectés à un processus métier approuvé. Une application de vente pourrait utiliser ces capacités pour examiner une opportunité, récupérer les interactions et les documents pertinents, préparer une recommandation et acheminer le travail qui en résulte vers un autre système.

L’accès à Cortex Agents est régi par le contrôle d’accès basé sur les rôles de Snowflake, y compris les privilèges sur l’agent et les objets utilisés par ses outils. Les rôles, les outils et les autorisations configurés pour l’application déterminent quelles informations l’agent peut récupérer et quelles actions il peut effectuer. Les enregistrements de surveillance de l’agent peuvent offrir une visibilité supplémentaire sur les requêtes et l’utilisation sous-jacente des outils.

Snowflake Horizon Catalog étend la gouvernance à l’ensemble des workloads de données et d’IA qui sous-tendent ces applications. La classification, le masquage, le contrôle d’accès basé sur les rôles et la traçabilité restent connectés aux données sous-jacentes des comptes, des conversations et des revenus, ce qui aide les entreprises à contrôler qui et quoi peut accéder aux informations de vente sensibles.

Ensemble, ces capacités permettent aux entreprises d’appliquer l’IA à travers les cas d’usage des ventes tout en maintenant la cohérence des données, des définitions métier et des politiques sous-jacentes à ces workflows.