Du pilote à 6 000 utilisateurs : gagner la confiance pour déployer vos agents d’IA à l’échelle de l’entreprise

À la mi‑2025, nous avons lancé notre Snowflake GTM AI Assistant auprès d’environ 6 000 utilisateurs au sein de notre organisation commerciale et marketing, notre premier déploiement d’entreprise à grande échelle de Snowflake Intelligence. À la fin de l’année, l’assistant avait déjà répondu à plus de 330 000 questions, aidant les utilisateurs à travailler plus vite et à prendre de meilleures décisions.

Au cours des derniers mois, nous avons publié plusieurs billets destinés aux développeurs sur les fondements techniques nécessaires pour créer un assistant d’IA d’entreprise : structurer les données de vente, activer la recherche de connaissances pour les contenus non structurés, tester le comportement des agents et affiner les instructions. Ces billets étaient utiles, mais les questions que nous recevions sans cesse n’étaient pas uniquement techniques :

• Quelle équipe avez-vous affectée au projet ?

• À quoi ressemblait le calendrier de développement ?

• Comment l’avez-vous déployé sans entamer la confiance ?

• Quelles tactiques de conduite du changement ont réellement fonctionné ?

• Quels résultats avez-vous observés après le lancement ?

Ce billet se concentre sur ces ingrédients non techniques : structure d’équipe, phases de lancement, stratégie de périmètre et manière dont nous sommes passés d’un MVP à une capacité d’entreprise digne de confiance.

Équipe de développement et phases de lancement

Fin février 2025, nous sommes partis d’un objectif ciblé : créer un assistant de connaissances basé sur la génération augmentée de récupération (RAG), afin que les équipes GTM puissent trouver les bons documents malgré la fragmentation des données, dispersées dans de multiples outils, pages web et lecteurs partagés. À ce moment-là, un data scientist était dédié au projet.

Fin mai 2025, nous avons décidé d’aller plus loin avec un assistant d’IA marketing et commercial complet, à l’aide de Snowflake Intelligence, non seulement pour indexer les contenus de connaissances, mais aussi pour intégrer les données structurées de vente et de marketing. Ce changement a relevé le niveau d’exigence en matière de qualité et de fiabilité. Nous avons donc fait passer l’équipe à trois ou quatre data scientists et ajouté un product manager dédié.

Dès le premier jour, nous avons traité la qualité et la confiance des utilisateurs comme P(-1). Les entretiens avec les utilisateurs et notre expérience de précédents projets d’IA ont mis une chose en évidence : la première impression conditionne l’adoption. Lorsque les premières expériences ne sont pas fiables, rétablir la confiance demande beaucoup plus d’efforts que de bien faire les choses dès le départ.

C’est pourquoi nous avons choisi une stratégie de déploiement par phases : commencer petit, valider la qualité et les workflows, puis élargir.

Voici, en un coup d’œil, à quoi ressemblaient nos phases de lancement :

Conseil : Un écueil fréquent que nous observons consiste à ouvrir trop vite l’usage d’un agent à grande échelle, avant qu’il n’atteigne systématiquement le niveau de qualité attendu. Prototyper des agents d’IA est simple ; lancer des agents fiables auprès de milliers d’utilisateurs, c’est la partie difficile. Donnez aux équipes le temps et l’espace nécessaires pour gagner la confiance dès le départ, vous en récolterez les fruits ensuite.

D’un MVP ciblé à des capacités élargies

Les environnements d’entreprise sont complexes. Rien que dans notre organisation commerciale et marketing, nous accompagnons plus de 15 profils distincts, chacun avec ses workflows et ses besoins :

• Account executives (AEs)

• Solution engineers (SEs)

• SDRs

• Product marketing managers

• Responsables partenaires/alliances

• Spécialistes Snowflake Professional Services

• Direction commerciale et marketing

• Campaign managers

• … et bien d’autres

Comme pour tout produit, nous avons évité le piège du « tout connecter et laisser les utilisateurs se débrouiller ». Nous avons plutôt commencé volontairement par un MVP plus ciblé, centré sur les profils auxquels nous pouvions apporter le plus de valeur, le plus rapidement.

En fonction de la taille de l’audience et de l’effort de développement par profil, nous avons concentré notre lancement GA sur les AEs, SEs et SDRs. Ces trois groupes représentaient environ 50 % de notre audience cible de 6 000 utilisateurs, ce qui nous a permis de maximiser l’impact initial tout en gardant un périmètre réaliste.

Après le lancement GA, nous avons élargi le périmètre de manière intentionnelle : nouveaux profils, nouvelles capacités, étape par étape, sans compromettre la fiabilité pour l’audience principale.

Voici un exemple illustrant l’évolution des capacités de notre agent au fil du temps :

• Périmètre GA : assistant de connaissances + données Salesforce clés, données d’utilisation du produit et données financières.
  

• Premier mois après la GA : corrections de bugs et couverture plus large et plus approfondie des mêmes sources.
  

• Vagues suivantes : nouvelles sources de données, comme les données marketing, les transcriptions d’appels et les e-mails, les données de partenariat, la prise en charge de la recherche web, et plus encore.

Lorsque nous avons lancé l’assistant IA à la mi-septembre 2025, il était alimenté par six vues sémantiques avec 48 tables et environ 1 400 colonnes. Après la GA, nous avons lancé plus de 40 nouvelles fonctionnalités/sources de données, faisant passer la couche de données à 10 vues sémantiques avec 64 tables et plus de 1 750 colonnes.

Conseil : Un périmètre trop large est l’une des raisons les plus fréquentes pour lesquelles les initiatives d’IA en entreprise s’enlisent. Commencez avec un périmètre dans lequel l’agent répond à moins de questions, mais y répond correctement. Il est plus facile d’élargir les capacités une fois la confiance établie que de relancer l’adoption après des échecs initiaux.

Activation des utilisateurs et conduite du changement

Déployer avec succès des solutions d’entreprise prend du temps, souvent un trimestre complet, voire plus. Comme lors de tout lancement de produit, les utilisateurs se répartissent naturellement le long de la courbe d’adoption : innovateurs, adopteurs précoces, majorité précoce et tardive, et retardataires.

La théorie de la diffusion des innovations d’Everett Rogers.

Pendant les phases de pilote et de bêta, l’engagement vient généralement des utilisateurs situés en haut de cette courbe, ceux qui ont envie de tester de nouveaux outils. Une fois la GA atteinte et la solution mise à l’échelle auprès de milliers d’utilisateurs, la réalité change. Les adopteurs tardifs entrent en jeu, les attentes augmentent et la frustration peut apparaître si l’adoption par les utilisateurs ne progresse pas assez vite.

C’est là que beaucoup d’initiatives d’IA pourtant solides s’enlisent, non pas parce que la technologie ne fonctionne pas, mais parce que les utilisateurs ne se les approprient jamais pleinement.

Faire en sorte que les utilisateurs l’essaient vraiment !

Intégrer un assistant IA à un workflow quotidien suppose un changement d’habitude majeur. La plupart des utilisateurs ne changeront pas d’outil sauf si votre solution est nettement meilleure : 10 fois plus rapide, 10 fois plus simple, ou si elle leur permet de faire quelque chose qui leur était tout simplement impossible auparavant. La parité de fonctionnalité avec les outils existants suffit rarement, surtout pour les adopteurs tardifs.

Cela dit, même le meilleur produit ne peut pas convaincre les utilisateurs s’ils ne l’essaient jamais au départ.

Alors, comment faire pour que les utilisateurs essaient votre assistant IA et reviennent régulièrement ?

Validez d’abord la qualité et optimisez la rétention

Notre approche était volontairement progressive et séquencée, en phase avec nos étapes de lancement :

Pendant la phase pilote, nous nous sommes concentrés exclusivement sur la qualité et la confiance. Notre objectif principal était de valider la justesse, la fiabilité et l’utilité de base. Rappel : la qualité est P(-1).

En bêta, une fois la qualité démontrée, nous avons réorienté nos efforts vers la maturité fonctionnelle et la rétention. La question est alors devenue : cet agent résout-il suffisamment de vrais problèmes pour donner aux utilisateurs envie de revenir semaine après semaine ?

Les résultats nous ont confortés :

• >92 % de NPS parmi les utilisateurs bêta
  

• >70 % de taux de rétention des utilisateurs actifs hebdomadaires (weekly active users, WAU)

Ces indicateurs nous ont montré que notre produit méritait de passer à l’échelle.

Créer de l’élan et de l’enthousiasme dans l’organisation

Lors de la phase de GA, notre question principale est devenue simple : les utilisateurs connaissent-ils le GTM AI Assistant, et l’essaient-ils vraiment ?

Pour stimuler l’adoption, nous avons travaillé main dans la main avec notre équipe de sales enablement et nous nous sommes assurés que les fondamentaux étaient en place :

• Une page produit interne dédiée
  

• Des guides utilisateur clairs et une documentation pratique
  

• De courtes vidéos dans lesquelles les utilisateurs les plus avancés partagent leurs bonnes pratiques
  

• Un canal Slack dédié aux retours et aux demandes de fonctionnalités
  
  

À partir de là, nous avons activement créé de l’élan :

• Des e-mails de lancement et des démonstrations en direct avec chaque équipe
  

• Des mentions régulières par les sales executives, et même par notre CEO, lors des réunions all-hands et des réunions d’équipe
  

• Des rapports d’adoption hebdomadaires partagés avec la direction commerciale, afin qu’elle puisse encourager la participation au sein de ses équipes
  

Cette combinaison d’enablement, de visibilité et de soutien du leadership s’est révélée stratégique.

Résultat : une adoption durable à grande échelle

Grâce à une activation rigoureuse et à une conduite du changement structurée, nous avons fortement accéléré l’adoption de l’assistant d’IA marketing et commercial au cours des 3 mois qui ont suivi la GA.

Tous ces efforts ont porté leurs fruits. Dans les deux premières semaines après la GA, environ 25 % des utilisateurs concernés par le lancement avaient essayé l’agent au moins une fois. À la fin de l’année, ce chiffre atteignait près de 77 % au total et plus de 90 % pour nos principaux personas (AEs, SEs et SDRs).

Pour nous, cela a confirmé une leçon clé : faire passer l’IA d’entreprise à l’échelle n’est pas seulement un défi technique, c’est aussi un enjeu d’activation produit et de conduite du changement.

Penser produit après le lancement

Le changement fonctionne dans les deux sens.

Transformer les processus marketing et commerciaux avec des agents d’IA d’entreprise est un changement majeur, pas seulement pour les utilisateurs, mais aussi pour les équipes data qui construisent ces agents.

Historiquement, les équipes data ont l’habitude de travailler sur des projets relativement cadrés : créer des pipelines de données, assurer l’entraînement de modèles ou lancer des tableaux de bord, souvent avec une évolution limitée après lancement. Une fois déployés, ces actifs ne nécessitent généralement qu’une maintenance incrémentale.

Les agents d’IA sont fondamentalement différents.

Un assistant d’IA d’entreprise est un produit vivant. Il interagit en continu avec les utilisateurs, s’adapte aux nouvelles données, évolue avec les workflows et doit suivre le rythme rapide de l’innovation des plateformes et des modèles. Cela impose d’adopter une approche produit, une conception au niveau du système et une collaboration d’équipe durable dans le temps.

Adapter l’équipe après la GA

Après un lancement GA réussi, nous avons dû faire évoluer notre manière de travailler en équipe.

Presque immédiatement, nous avons constaté :

• Une forte hausse des demandes de fonctionnalités entrantes de la part des utilisateurs
  

• Des attentes accrues en matière de réactivité et de fiabilité
  

• Un besoin croissant de concilier itération rapide et maintien de la confiance
  

• Des changements continus de la plateforme d’IA sous-jacente, qui nous ont obligés à repenser certaines décisions de conception antérieures
  

En parallèle, la qualité ne pouvait pas baisser. Il fallait corriger les bugs rapidement, prévenir les régressions et livrer des améliorations sans déstabiliser l’expérience à laquelle les utilisateurs faisaient confiance.

Faire évoluer le produit impliquait de faire évoluer notre modèle opérationnel.

Nos investissements après le lancement

Pour éviter d’être submergés et maintenir la dynamique, nous avons investi très tôt dans les domaines suivants :

• Un mode de travail agile : nous sommes passés à un développement par sprints, avec un framework clair de collecte, de triage et de priorisation pour arbitrer entre bugs, demandes de fonctionnalités et améliorations à plus long terme.
  

• Élargir l’équipe avec des compétences complémentaires : au-delà de la data science, nous avons ajouté des capacités d’ingénierie analytique e backend, alignées sur les besoins de la feuille de route et la complexité du système.
  

• Tests automatisés et CI/CD : peu après la GA, nous avons investi dans des frameworks de tests automatisés et des pipelines CI/CD afin d’accélérer les déploiements tout en maintenant un niveau de qualité élevé.
  

• Du temps dédié à la santé et à l’évolution de la plateforme : cChaque sprint intégrait une capacité explicite pour le refactoring, l’évolution de l’architecture et les mises à niveau de la plateforme, afin d’éviter une dette technique à long terme.
  

Le point clé à retenir

Lancer un agent d’IA d’entreprise n’est pas la ligne d’arrivée, c’est le point de départ.

Pour réussir sur le long terme, il faut traiter les agents d’IA comme des produits, pas comme des projets : avec des responsables clairement identifiés, de l’itération, de la rigueur opérationnelle et un investissement continu. Les équipes qui adoptent ce changement sont bien mieux placées pour faire évoluer leurs agents de manière responsable, s’adapter au changement et continuer à créer de la valeur à mesure que les attentes des utilisateurs et les capacités de l’IA évoluent.

Impact et retour sur investissement

À ce stade, vous vous demandez peut-être : quels ont été les résultats concrets, et l’investissement en valait-il la peine ?

Entrons dans le détail.

Fin 2025, le GTM AI Assistant répondait à plus de 35 000 questions par semaine pour plus de 2 500 utilisateurs actifs hebdomadaires, contre environ 10 000 questions hebdomadaires lors du lancement initial.

Cette croissance ne s’expliquait pas uniquement par l’adoption.

Dans les trois mois qui ont suivi la GA, à mesure que nous élargissions les capacités de l’assistant et que les utilisateurs commençaient à l’intégrer à leurs workflows quotidiens, l’intensité d’utilisation a fortement augmenté. Le nombre moyen de questions par utilisateur actif hebdomadaire est passé de 8,5 à 14, signe d’une confiance accrue et d’une intégration plus profonde dans le travail réel.

Des gains de productivité à l’échelle de l’entreprise

Les gains de temps variaient selon le cas d’usage :

• Quelques minutes pour une simple recherche de connaissances ou de données
  

• Des heures pour les analyses plus complexes qui, autrement, nécessiteraient du SQL personnalisé ou l’aide d’un analyste
  

Même avec une hypothèse prudente de 5 minutes gagnées par question, l’impact se cumule rapidement. À notre échelle, cela représentait l’équivalent de la productivité annuelle de plus de 65 employés à temps plein dans une organisation de 6 000 personnes.

Et il s’agit d’une estimation basse. 

Démontrer le ROI à grande échelle

Fin 2025, nous avons mené une analyse détaillée pour comprendre à la fois la structure des coûts et le retour sur investissement du GTM AI Assistant.

L’analyse a montré que le coût par utilisateur actif était comparable à celui des outils de productivité d’entreprise standard, sur une base par utilisateur. Rapporté aux gains de productivité obtenus, l’assistant a généré un retour sur investissement supérieur à 5x, avant même tout effort dédié d’optimisation des coûts.

Point important, cette estimation ne reflète que les gains de productivité directs. Elle exclut les bénéfices secondaires, comme la réduction de la charge des analystes, l’accélération des cycles de vente et l’amélioration de la qualité des décisions au sein des équipes commerciales et marketing. Autrement dit, l’équation économique était déjà convaincante bien avant que la solution n’atteigne sa pleine maturité ou son efficacité opérationnelle.

Dernières réflexions

L’IA transforme en profondeur les entreprises et les équipes marketing et commerciales.

L’ère des démonstrations isolées et des expérimentations à petite échelle touche à sa fin. L’IA en entreprise produit désormais un impact réel et mesurable à grande échelle. Mais pour obtenir cet impact, il ne suffit pas d’avoir de bons modèles ou des prompts bien pensés : il faut le bon état d’esprit, une exécution rigoureuse et une attention soutenue à la conduite du changement.

Comme nous l’avons expliqué dans cet article, réussir la mise à l’échelle des agents d’IA en entreprise implique de :

• Considérer la qualité et la confiance comme non négociables
  

• Lancer de façon maîtrisée et élargir le périmètre avec intention
  

• Investir dans l’activation et l’adoption, pas seulement dans la technologie
  

• Faire évoluer les équipes data vers une responsabilité produit à long terme
  

Les entreprises qui réussiront dans les prochains mois ne feront pas que gagner en productivité : elles transformeront en profondeur la façon dont leurs équipes travaillent et prendront une avance concurrentielle significative.

Le mouvement est déjà lancé. Les entreprises qui agissent dès maintenant définiront la prochaine génération de l’exécution marketing et commerciale.