Close
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
We couldn't find anything for that query...

À l’ère du GTM agentique, les scénarios de vente se déploieront comme des logiciels.

Les ingénieurs go-to-market de Clay ont adapté la façon dont les développeurs relisent et déploient le code. Ils ont appelé cette approche GTM CI/CD pour mener en toute sécurité des boucles d’apprentissage où les agents améliorent leurs propres flux de travail.

Écrit par :
Author
Fadeke Adegbuyi
Date
Oct 21, 2026
Cet article a été traduit de l’anglais par une IA.

Le go-to-market a connu deux ères et entre dans une troisième.

Pendant des décennies, vendre était un travail manuel. Nous avons parlé à des commerciaux à la retraite qui notaient chaque vente au stylo-plume ou envoyaient leurs rapports hebdomadaires par courrier à leur responsable. Au fil des décennies, les fax ont cédé la place aux e-mails et les annuaires imprimés aux bases de données. Pourtant, les commerciaux faisaient encore une grande partie du travail à la main, un appel (ou une fiche) à la fois. Rien, pendant tout ce temps, n’approchait le niveau d’automatisation que l’intelligence artificielle a introduit ces dernières années.

À l’heure actuelle, les agents IA ont pris en charge une grande partie du travail commercial au quotidien. Ils peuvent notamment parcourir les actualités de recrutement et de financement d’un Compte avant un appel, puis rédiger un e-mail qui ressemble à celui de la personne commerciale qui l’envoie. Les équipes GTM réalisent aussi une part croissante de leur travail depuis le terminal, avec des outils comme Claude Code, Codex et Grok Bot : en deux mois après son lancement, les appels à la CLI et à l’API de Clay sont passés à un million par jour. Guidés par des instructions en langage courant, les agents sont de plus en plus performants et créent des workflows complexes dans Clay à partir d’une ou deux phrases. Mais pour l’instant, ils attendent surtout qu’on leur dise quoi faire.

Chez Clay, notre vision est de créer un moteur de revenus qui apprend par lui-même. À l’ère du GTM agentique qui s’annonce, les agents prédiront de plus en plus la prochaine Action la plus pertinente pour développer ton activité et t’aideront à la mener à bien. En s’appuyant sur une mine de données quantitatives et sur le contexte qualitatif de ton activité, ils te proposeront des GTM Play et feront croître ton chiffre d’affaires.

Mais avant que les équipes puissent faire confiance aux agents pour agir de leur propre chef, les GTM Play doivent commencer à être déployés comme des logiciels. Les ingénieurs logiciels utilisent le CI/CD, abréviation d’Intégration continue et de déploiement continu, pour modifier le code en toute sécurité. Ils apportent des changements par petites étapes, testent chacun d’eux avant sa mise en production et gardent une trace à laquelle ils peuvent revenir en cas de problème. Les équipes GTM ne pouvaient pas travailler ainsi auparavant, car un play commercial n’avait ni code à versionner, ni environnement de test, ni journaux. Clay et l’IA leur ont apporté ces trois éléments, et GTM s’inspire désormais du génie logiciel. Ces six derniers mois, nos ingénieurs GTM ont intégré le CI/CD au processus commercial de Clay. Ils appellent ça le GTM CI/CD. 

À quoi ressemble le CI/CD GTM chez Clay

La plupart des équipes GTM déploient encore leurs actions à l’ancienne. Le GTM a surtout fonctionné en Waterfall : une action est créée une fois, lancée auprès de tout le monde, puis réexaminée un trimestre plus tard. Une personne en ingénierie GTM peut modifier un workflow en production sans validation ni historique détaillé des changements. Le premier signe d’un problème peut n’être repéré que des semaines plus tard par une personne de l’équipe commerciale. Ajouter un agent à ce dispositif ne fait qu’aggraver le problème : une mauvaise modification faite par un agent peut être rapidement reproduite auprès de milliers de Prospect avant que quelqu’un ne mette fin à l’action.

Selon Evan Peters, notre Head of Revenue Platform, RevOps a besoin d’outils similaires à ceux qu’utilisent les développeurs pour faire tourner des Pipeline CI/CD : un contrôle de version pour le cerveau GTM, des environnements de préproduction et de production, et de l’observabilité pour voir ce qui s’est réellement passé. Les workflows de Clay fournissent désormais tous ces éléments. Chaque exécution est consignée, jusqu’aux entrées et sorties de chaque étape. Un instantané est pris avant chaque modification pour pouvoir revenir en arrière, et un agent peut accéder à tout cela via la CLI et l’API.

Avant d’intégrer au produit des capacités agentiques auto-améliorantes, nous les testons en interne. Avec les journaux, les instantanés et l’accès à la CLI en place, chaque boucle d’apprentissage que nous expérimentons suit les mêmes étapes :

  • Un agent propose une nouvelle modification à partir d’un résultat précédent.
  • Une vraie personne le vérifie et l’approuve.
  • L’agent effectue la modification
  • Le système enregistre les résultats de la modification
  • La prochaine exécution s’appuiera sur des éléments plus solides.

Une boucle Outbound qui apprend des retours des commerciaux 

Il y a six mois, nos SDR passaient environ sept minutes à rédiger un message à un Prospect. Ça comprend le temps passé à faire des allers-retours entre Salesforce, Terra (notre outil interne pour les commerciaux), Claude et un outil de séquençage. Le brouillon était un e-mail noté « B- », et le processus ne nous a pas appris grand-chose.

Il y a quatre mois, notre équipe Ops GTM a créé un générateur de messages pour aider à résoudre ce problème. Il s’agit d’un workflow Clay qui sert à Enrichir un contact et à générer une séquence de quatre e-mails lorsqu’un Signal arrive sur un Compte. Ça a aidé. Le générateur de messages a ramené le processus à environ cinq minutes. Mais les SDR retouchaient et réécrivaient encore les e-mails, et personne ne savait vraiment ce qui fonctionnait (et ce qui ne fonctionnait pas).

Alors, Rana Banankhah et Luca Prando ont créé le workflow CI/CD GTM suivant :

  1. Chaque message généré par l’IA est associé dans Snowflake à l’e-mail réellement envoyé par le commercial. Ainsi, l’équipe peut voir la différence entre les deux (version originale et version révisée), ainsi que le taux de réponse de chaque version.
  2. Les commerciaux expliquent la raison de chaque modification dans un formulaire de feedback sur Slack, ce qui veut dire que nos SDR étiquettent des données chaque fois qu’ils donnent leur avis.
  3. Un agent IA classe les modifications et les retours selon différentes hypothèses. Les éléments recueillis chaque semaine s’ajoutent aux précédents, et la confiance de l’équipe dans une hypothèse se renforce au fil du temps.
  4. Deux prompts sont lancés dans le générateur : un prompt de production (la version stable) et un prompt d’expérimentation (une branche qui teste des hypothèses précises), chaque contact étant affecté au hasard à l’un des deux.
  5. Après une semaine de tests A/B, un agent propose des modifications sous forme de pull requests, que l’équipe growth examine dans Terra. 
  6. Lorsqu’une modification est approuvée et fusionnée, Clay CLI pousse la modification vers le workflow de production. Clay reste la source de vérité du workflow, et Terra conserve l’historique complet de chaque hypothèse, de chaque correctif tenté et indique si le correctif a tenu.

La première version de cette boucle a rendu les e-mails moins bons. Elle classait les modifications selon leur fréquence plutôt que leur impact : une modification précise et à forte valeur apportée par un commercial à une accroche ne devenait donc jamais une hypothèse, car rien d’autre ne lui ressemblait. 

Pour régler ça, il fallait trois choses : 

  1. Mettre par écrit ce qui fait un bon texte
  2. Donner une mémoire au processus, qui se transmet de semaine en semaine, au lieu de repartir de zéro.
  3. Créer un espace de revue où l’équipe de croissance pouvait rapidement exercer son jugement

La rédaction ne prend désormais qu’une minute par Prospect, et Terra est le seul outil que les commerciaux aient à utiliser. Chaque message passe par cette boucle d’auto-apprentissage, ce qui permet au générateur de s’améliorer à chaque envoi. 

Des workflows qui repèrent et corrigent leurs propres erreurs

Gunner Park, ingénieur GTM de Clay déployé auprès des équipes, a repris le même cadre GTM CI/CD et l’a appliqué à tous les flux de travail, pas seulement aux textes Outbound. Il appelle le résultat des « flux de travail autoréparateurs ». Un agent lit ce qu’a fait un flux de travail, propose une correction et une personne l’approuve avant que quoi que ce soit ne change.

Ça marche parce que Clay enregistre chaque exécution de flux de travail, jusque dans les entrées et les sorties de chaque étape, et crée un instantané avant chaque modification pour pouvoir annuler n’importe quel changement. Un agent peut accéder à tout ça via la CLI et l’API.  Ajoute un agent qui lit ces enregistrements, avec une étape de revue, et tu as une boucle.

Voici comment ça marche :

  1. Un workflow s’exécute dans Clay, et ses données d’exécution sont transmises à un agent chargé de l’audit, soit lorsqu’un commercial signale un problème dans Slack, soit lorsqu’un réviseur passe en revue les exécutions de la journée pendant la nuit.
  2. L’agent propose une correction en modifiant les prompts ou les règles, et cite les éléments qui l’étayent. Une revue nocturne d’un workflow de Routage des leads a révélé que 47 des 159 Lead avaient été affectés à un segment qui ne correspondait pas à la taille de leur entreprise.
  3. Une personne examine la correction, avec plus d’attention pour les changements importants. Une correction qui affecte un Compte nécessite une approbation sur Slack, et une correction qui affecte chaque exécution nécessite une pull request.
  4. La fusion de la pull request déploie le correctif. Seul le Pipeline de déploiement peut écrire dans Clay, et il publie une nouvelle version du workflow, donc personne ne modifie manuellement le workflow en production.

Terra, un outil pour les commerciaux qui apprend de leur façon de travailler en vrai

Terra est notre outil interne pour les équipes commerciales, et c’est l’expérience la moins aboutie des trois. Aujourd’hui, il leur présente des Signal et des Action déjà rédigés, qu’elles modifient dès qu’elles ne sont pas d’accord, avant que quoi que ce soit ne soit envoyé. Terra ne tient pas encore compte de ces modifications.

L’idée, c’est de changer ça avec une séquence « apportez votre propre workflow » :

  1. Les commerciaux bossent comme ils veulent, dans l’interface Terra ou via un agent de programmation connecté au MCP de Terra.
  2. Une couche de journalisation consigne ces interactions : les outils que les commerciaux utilisent, ce qu’ils demandent au-delà de ce qu’on leur fournit, les moments où ils s’écartent du processus de vente et ceux où ce processus semble les frustrer.
  3. Le système met en corrélation les écarts et les résultats. Si une personne de l’équipe commerciale qui vend à une banque demande régulièrement un ensemble précis de Signal et que ça fonctionne, cette approche est enregistrée dans la mémoire pour la prochaine personne de l’équipe commerciale qui vendra à une banque.
  4. Au fil du temps, ces traces, ainsi que les appels Gong, alimentent un modèle qui suggère quelles tâches les agents pourraient prendre en charge à la place des commerciaux aujourd'hui. 
  5. Ces agents retournent dans Terra, et les résultats alimentent le cycle suivant.

Les premières données de cette expérience circulent déjà, et quelques commerciaux la testent. L’idée, c’est qu’une bonne partie de la boucle soit opérationnelle en interne d’ici la fin du trimestre.

Des expérimentations à un système GTM auto-apprenant

Avec le temps, les expérimentations internes qui fonctionnent seront intégrées à Clay pour tous les clients. Comme Clay regorge d’informations sur toi, tes clients et chaque stratégie qui a réussi ou échoué, il comprend mieux ton TAM que quiconque. L’avenir de notre produit reposera sur des boucles d’auto-apprentissage qui mettront en œuvre la prochaine stratégie pour décrocher ton prochain grand Compte, en tirant les leçons de ce qui a fonctionné ou non par le passé.

Ça comprend trois domaines : 

  • Le meilleur message à envoyer ensuite. Lorsqu’un nouveau Lead Inbound arrive, Clay choisit le produit, le cas d’usage et la preuve à mentionner dans sa réponse, en fonction de ce qui a le plus de chances de faire progresser ce Lead dans le Pipeline.
  • La meilleure action à mener ensuite. Quand un Signal indique qu’il faut donner la priorité à un Compte, plusieurs façons de réagir s’offrent à vous : un appel, une campagne publicitaire, une invitation à un webinaire ou un cadeau envoyé par courrier. Clay passe en revue toutes les actions que vous menez et attribue à chaque Prospect celle qui a le plus de chances de le convertir.
  • La meilleure stratégie à adopter ensuite. Clay passe en revue toutes les tactiques que vous avez mises en place et toutes les ventes que vous avez conclues, puis vous indique deux choses : quelles tactiques vous devriez mettre en œuvre mais ne mettez pas en œuvre, et en quoi les clients qui achètent vraiment diffèrent de l’ICP décrit dans vos documents internes.

Le GTM agentique ne consistera probablement pas à demander à un agent de « générer 100 M$ de nouveau Pipeline sans faire la moindre erreur » puis à s’en aller. Les gens feront toujours partie du processus. L’ère agentique ne signifie pas non plus qu’il y aura moins de GTME. McKinsey estime que de nouveaux rôles, comme celui de responsable d’agents, vont émerger à mesure que les agents prennent en charge une plus grande partie du processus de vente. Une analyse a révélé que les offres d’emploi en GTM Engineering ont augmenté de 205 % en glissement annuel l’an dernier. Nous avons lancé une bourse d’un million de dollars pour former la prochaine génération de GTME, qui aidera les entreprises à générer des revenus et contribuera à la croissance de l’économie dans son ensemble.

Mais le travail évolue pour toutes les personnes qui travaillent à la mise sur le marché. Un profil d’ingénieur GTM consacre encore une partie de sa semaine à la construction, à peaufiner des prompts individuels et à vérifier les résultats d’un workflow avant sa mise en ligne. Dans un avenir proche, une plus grande partie de ce temps sera consacrée à piloter les agents qui se chargent de construire et à affiner leurs propositions grâce à son expertise. Même un système qui apprend doit encore savoir ce qui constitue un « bon » résultat. Pour l’instant, ce jugement vient des personnes qui ont mené ces actions et échangé en face à face avec les clients.

More Articles