Prospection trop manuelle
Les équipes commerciales perdaient du temps à chercher l'information, vérifier les coordonnées, relancer au bon moment et reconstituer le contexte avant chaque prise de contact.
Cas anonymisé, données réelles
Cas d'Usage : Un Concierge IA pour 1700 Salons de Beaute
Ce cas d'usage repose sur un déploiement réel mené pour un acteur majeur de la beauté professionnelle. Les noms, marques et éléments sensibles sont volontairement anonymisés. Ce qui compte ici, c'est la mécanique métier, le passage d'une prospection dispersée à un CRM IA pilotable, et les résultats opérationnels obtenus sur un réseau de plus de 1700 salons.
agent IA beauteIA salon coiffureCRM IA beaute
1700+
salons couverts par le réseau ciblé
1645
fiches actives consolidées après nettoyage qualité
9
agents autonomes orchestrés autour du CRM
indicateur
1700+
salons couverts par le réseau ciblé
indicateur
1645
fiches actives consolidées après nettoyage qualité
indicateur
9
agents autonomes orchestrés autour du CRM
indicateur
3783
logs de scoring exploitables pour prioriser le pipe
Contexte du secteur
La beauté professionnelle est un marché dense, local et fragmenté
Le point de départ était clair. Un acteur majeur de la beauté professionnelle devait piloter un réseau de plus de 1700 salons, répartis sur des territoires variés, avec des réalités commerciales très différentes selon les villes, les équipes et la maturité digitale des établissements. Sur ce type de marché, la donnée ne se comporte pas comme dans un SaaS centralisé. Les contacts sont dispersés, les informations se périment vite, les signaux utiles sont locaux, et la décision commerciale se joue souvent sur des détails qui n'apparaissent pas dans un CRM générique.
Le secteur cumule trois difficultés structurelles. D'abord, la fragmentation. Une grande partie du marché repose sur des établissements indépendants ou semi-structurés, avec des rythmes, des interlocuteurs et des priorités propres à chaque point de vente. Ensuite, la pression sur la personnalisation. Un message standardisé fonctionne mal, parce que l'enjeu n'est pas seulement de contacter un salon, mais de montrer qu'on comprend sa place dans son environnement, son niveau de gamme, son potentiel et ses besoins. Enfin, la vitesse. Quand le réseau grandit, le volume de fiches explose plus vite que la capacité humaine à les qualifier proprement.
C'est précisément là qu'un agent IA beaute devient pertinent. Pas comme gadget conversationnel. Pas comme chatbot posé sur un site. Comme couche opératoire capable de consolider la donnée, de hiérarchiser les priorités, de structurer les actions et de redonner un rythme soutenable à la prospection. L'objectif du projet n'était pas de produire un tableau de bord supplémentaire. L'objectif était d'installer un concierge IA salon, capable d'agir à l'échelle du réseau tout en conservant une logique métier fine.
Le mandat était donc simple à formuler, mais exigeant à exécuter. Construire un CRM IA beaute capable de transformer une base fragmentée en machine commerciale pilotable. Faire en sorte que les équipes ne passent plus leurs journées à chercher, nettoyer et deviner, mais à décider, valider et conclure.
Le challenge
Trop de données, pas assez de contexte exploitable
Le problème réel n'était pas l'absence de prospects. Le problème était la distance entre la donnée brute et l'action commerciale utile. Les audits internes montraient environ 8 minutes de friction avant la première action réellement productive dans le CRM. Ils montraient aussi 65 pour cent de fiches non enrichies, soit 1070 établissements en attente, et seulement 2,4 pour cent d'emails directement exploitables au démarrage. À cette échelle, la prospection manuelle devient mécaniquement chaotique.
CRM éclaté et peu fiable
La donnée existait, mais elle restait partiellement enrichie, inégalement qualifiée et difficile à transformer en actions concrètes pour le terrain.
Personnalisation impossible à grande échelle
Sans scoring fiable, sans historique centralisé et sans préparation automatisée des séquences, chaque message était un effort isolé, impossible à industrialiser proprement.
Pourquoi le CRM classique ne suffisait pas
Un CRM horizontal sait stocker des fiches. Il sait rarement distinguer ce qui fait la valeur d'une relation dans un marché de terrain comme celui de la coiffure et de la beauté professionnelle. Ici, chaque fiche devait porter beaucoup plus qu'un nom et un téléphone. Il fallait un niveau de qualification, un historique de contact, des signaux de compatibilité, une logique de priorité, une lecture des zones géographiques et une capacité à guider la prochaine action sans demander à l'utilisateur de reconstituer lui-même le contexte.
Le risque principal était double. D'un côté, l'équipe commerciale pouvait s'épuiser à manipuler un stock de données insuffisamment préparées. De l'autre, le réseau pouvait donner une illusion de volume sans créer une cadence commerciale réelle. Dans ce genre de configuration, le chaos ne se voit pas seulement dans les bugs. Il se voit dans les relances oubliées, les fiches froides jamais reprises, les canaux sous-utilisés et l'absence de priorisation robuste.
Les signaux faibles qui bloquaient la performance
- Première action commerciale trop lente, environ 8 minutes avant d'avoir un contexte exploitable.
- 1070 fiches en attente d'enrichissement au moment du diagnostic, soit un backlog qui bloquait le scoring et l'outreach.
- Dépendance excessive à l'email alors que seulement 2,4 pour cent des adresses étaient directement exploitables au départ.
- Taux de réponse non piloté de manière fiable, faute de statuts normalisés et d'historique centralisé par canal.
Solution déployée
Un concierge IA salon, branché sur un CRM unifié et 9 agents autonomes
La réponse apportée n'a pas été un simple relooking d'interface. Le dispositif a été conçu comme une chaîne opératoire complète. Un frontend Next.js pour la supervision, une base Supabase pour la structure de donnée, et une couche d'agents IA capables de découvrir, enrichir, scorer, prioriser et préparer les actions d'outreach dans le bon ordre. Autrement dit, un système où l'intelligence ne se limite pas à rédiger du texte, mais organise réellement le travail commercial.
Cartographier le réseau
Centraliser les salons, leurs contacts, leurs statuts, leur provenance et leur niveau de complétude dans une base unique, exploitable commercialement.
Enrichir automatiquement
Ajouter les données opérationnelles utiles, téléphone, email, site, ville, qualité de fiche, puis corriger les incohérences sans dépendre d'une ressaisie permanente.
Scorer les leads
Attribuer un score métier à chaque salon selon sa complétude, son potentiel, sa compatibilité et ses signaux d'engagement, pour prioriser ce qui mérite vraiment une action.
Préparer l'outreach
Structurer les séquences de contact, planifier les relances, historiser les réponses et rendre le taux de réponse mesurable canal par canal.
Piloter dans un seul CRM
Donner aux équipes une vue claire sur le pipe, les prochaines actions, les leads chauds, les dossiers en préparation et les arbitrages à faire chaque jour.
Ce que faisaient concrètement les 9 agents
Le coeur du système reposait sur une spécialisation claire. Chaque agent avait un rôle métier précis, avec une cadence définie, un périmètre stable et une sortie exploitable par le CRM. Cette logique évite le faux multi-agent où tout le monde fait un peu de tout. Ici, chacun préparait l'étape suivante.
1
Découverte de nouveaux établissements
2
Actualisation quotidienne du réseau
3
Enrichissement des fiches
4
Scoring et priorisation
5
Préparation des actions d'outreach
6
Suivi des relances et des réponses
7
Matching commercial selon les critères métier
8
Contrôle qualité de la donnée
9
Reporting opérationnel pour la supervision humaine
Le coeur métier de la solution
Le CRM est devenu le poste de commande. Une fiche salon ne servait plus seulement à stocker de l'information, elle devenait une unité d'action. Score, statut, contact, séquence, relance, compatibilité, historique, tout était réuni au même endroit.
Le lead scoring était branché à la réalité du terrain. Il combinait la complétude des fiches, les signaux d'engagement et la logique de priorité commerciale. Résultat, l'équipe ne travaillait plus sur une liste alphabétique, mais sur une file de décision.
L'outreach n'était plus un angle mort. Les statuts envoyés, répondus, sans réponse ou planifiés étaient tracés dans la donnée. Le reply rate devenait calculable par canal, et surtout exploitable dans le pilotage quotidien.
Résultats
Des métriques réelles, enfin exploitables commercialement
Le premier résultat, c'est la lisibilité retrouvée. Le dispositif permettait de piloter un réseau de plus de 1700 salons avec une base consolidée de 1645 fiches actives à date du contrôle qualité. Il s'appuyait sur 3783 logs de scoring déjà exploitables et sur 9 agents autonomes spécialisés. Ce sont des métriques concrètes, pas des promesses marketing.
1700+
salons couverts par le réseau ciblé
1645
fiches actives consolidées après nettoyage qualité
9
agents autonomes orchestrés autour du CRM
3783
logs de scoring exploitables pour prioriser le pipe
Ce qui a changé dans l'opérationnel
Avant le déploiement, l'équipe faisait face à un paradoxe classique. Le réseau existait, la donnée existait, le besoin commercial existait, mais le temps utile était mangé par la reconstitution du contexte. Le diagnostic interne mesurait environ 8 minutes avant la première action vraiment utile. Dans un environnement de prospection, cela tue la cadence.
Avec le concierge IA, le temps n'est plus absorbé par la recherche d'information. Il est déplacé vers la validation et la décision. Les fiches sont enrichies en continu, les priorités remontent automatiquement, les relances sont historisées, les signaux de réponse sont traçables et les prochaines actions deviennent visibles dès l'ouverture du CRM. Le gain de temps ne se résume donc pas à un chiffre isolé. Il se traduit par une transformation de la charge cognitive quotidienne.
Le second changement fort concerne le taux de réponse. Au démarrage, le vrai problème n'était pas un mauvais pourcentage affiché à l'écran. C'était l'incapacité à mesurer ce pourcentage proprement. Une fois les statuts unifiés et l'historique structuré, le taux de réponse est devenu un indicateur pilotable par canal. C'est un basculement décisif, parce qu'on passe d'une prospection intuitive à une prospection instrumentée.
Avant / après, en lecture business
avant
1070 fiches en attente, soit 65 pour cent du stock encore non enrichi au diagnostic.
après
Backlog traité par une mécanique quotidienne d'enrichissement et de priorisation, au lieu d'une reprise manuelle opportuniste.
avant
Seulement 2,4 pour cent d'emails directement exploitables au démarrage.
après
Stratégie multicanale assumée, avec pilotage des relances et du taux de réponse par canal.
avant
Première action commerciale trop lente, autour de 8 minutes de friction.
après
Contexte, score, historique et prochaines actions réunis dans une seule interface.
avant
Le volume de salons existait, mais il restait difficile à convertir en pipe concret.
après
1700+ salons pilotables, 1645 fiches actives consolidées, 3783 logs de scoring pour guider l'exécution.
Stack technique
Une stack sobre, robuste et pensée pour la donnée métier
Le projet s'appuyait sur une architecture volontairement pragmatique. Pas de surcouche inutile. Pas de complexité gratuite. Un frontend Next.js pour l'expérience opérateur, Supabase pour la donnée transactionnelle et temps réel, puis une couche d'agents IA branchée sur le CRM pour automatiser ce qui devait l'être.
Next.js
Interface de supervision, pages métier, vues CRM, tableaux de bord et composants de pilotage. L'objectif n'était pas d'impressionner visuellement, mais de faire remonter les priorités sans friction.
Supabase
Base PostgreSQL, historique des actions, statuts, scoring, contacts, outreach et synchronisation temps réel. C'est la colonne vertébrale du CRM IA beaute.
Agents IA
Découverte, enrichissement, scoring, préparation des relances, contrôle qualité, reporting. Les agents ne remplaçaient pas le CRM, ils le rendaient opérant à grande échelle.
Lessons learned
Ce que ce cas nous rappelle sur l'IA en environnement commercial réel
Le volume brut ne vaut rien sans enrichissement
Un réseau de plus de 1700 salons impressionne sur le papier. Dans les faits, tant que les fiches restent incomplètes, l'équipe ne pilote pas un réseau, elle gère une pile de prospects froids.
Un CRM vertical doit coller au terrain
Dans la beauté professionnelle, le nom du salon ne suffit pas. Il faut aussi l'historique de contact, le niveau de qualification, la compatibilité commerciale, la localisation et la réalité opérationnelle de la fiche.
L'email seul ne peut pas porter la stratégie
Le diagnostic initial montrait seulement 2,4 pour cent d'emails exploitables. La bonne réponse n'était pas d'espérer plus d'emails, mais d'orchestrer une prospection réellement multicanale.
Le scoring n'a d'intérêt que s'il déclenche une action
Un score affiché dans un coin du CRM n'aide personne. Un score qui reordonne la file de travail, suggère une relance et prépare un message devient un levier business.
L'humain reste au centre, mais plus au milieu de tout
Les agents préparent, surveillent, qualifient et structurent. Les équipes humaines valident, arbitrent et concluent. C'est cette répartition qui rend le dispositif soutenable.
CTA
Vous gérez un réseau fragmenté et votre CRM ne suit plus le rythme
Si vous pilotez des points de vente, des franchisés, des partenaires terrain ou un réseau commercial dispersé, le sujet n'est peut-être pas de produire plus de leads. Le sujet est souvent de transformer la donnée existante en système d'action. C'est exactement ce qu'un concierge IA bien conçu peut faire.
Parlons de votre cas. Nous pouvons vous montrer comment structurer un CRM IA autour de vos priorités métier, sans exposer vos données et sans copier un modèle générique qui ne comprend pas votre terrain.