Les professionnels de la vente sont fréquemment confrontés à un dilemme difficile lors des appels de prospection sortante : continuer à engager un client potentiel ou mettre fin à la conversation pour poursuivre une autre piste. Cette décision de filtrage est cruciale, notamment dans des environnements où les commerciaux gèrent de nombreux prospects mais sont limités par le temps et le risque élevé de refus. Malgré son importance, la recherche sur la façon dont ces décisions sont prises, leur optimalité et les moyens de l’améliorer a été peu développée. Une étude récente comble cette lacune en examinant la prise de décision dans le cadre de ventes sortantes à haut volume, caractérisées par un grand nombre de prospects, des délais serrés et de fortes probabilités d’échec de l’appel. L’étude applique un cadre de « stopping » optimal — une stratégie mathématique qui identifie le moment idéal pour arrêter une activité afin de maximiser la récompense. Les chercheurs ont créé un agent décisionnel basé sur un modèle de langage génératif, appelé « agent d’arrêt », conçu pour apprendre quand mettre fin à un appel de vente en imitant une politique d’arrêt optimale dérivée de données historiques de ventes. Cet outil d’IA analyse des données textuelles complexes issues des appels, utilisant des entrées en langage naturel pour décider du moment où se désengager. Il est compatible avec des modèles de langage grands publics comme avec des modèles propriétaires, démontrant sa flexibilité. Testé sur des appels sortants d'une grande société de télécommunications européenne, l’agent d’arrêt a réduit de 54 % le temps consacré aux appels infructueux, une amélioration notable en termes d’efficacité, tout en conservant presque tous les ventes fructueuses malgré la diminution de la durée des appels.

Le temps ainsi libéré peut être réinvesti dans de nouveaux appels, augmentant le volume de ventes attendu jusqu’à 37 %. Une analyse complémentaire a montré que les commerciaux se concentraient principalement sur quelques signes linguistiques évidents de désintérêt, négligeant des indices plus subtils, ce qui conduisait à une mauvaise prédiction des risques d’échec de l’appel et révélait des biais cognitifs limitant la prise de décision en temps réel dans l’idéal. Ces résultats soulignent la valeur d’outils pilotés par l’IA, comme l’agent d’arrêt, pour surmonter ces contraintes cognitives humaines, améliorant la gestion du temps et l’efficacité commerciale. Sur un marché aujourd’hui hautement concurrentiel, l’optimisation des contacts de vente et du temps des agents est essentielle, et les systèmes d’IA offrent une solution prometteuse. Au-delà des ventes, cette recherche met en lumière le potentiel plus large de l’IA à améliorer la prise de décision rapide dans des situations complexes et dynamiques. Les études futures pourraient adapter cette approche à d’autres contextes conversationnels tels que le support client, le télémarketing ou la négociation, contribuant à accroître l’efficacité opérationnelle dans différents secteurs. Dans l’ensemble, cette étude constitue une avancée significative dans l’application de l’IA pour optimiser la prise de décision humaine en vente, permettant aux entreprises de réduire le temps perdu et d’élever significativement leurs performances en décidant intelligemment quand mettre fin à des interactions peu fructueuses. La synergie entre expertise humaine et assistance décisionnelle de l’IA promet des impacts transformateurs sur la gestion et la stratégie des forces de vente.