Résumé du webinaire : Créer un coach GTM IA avec Lovable & ElevenLabs

La plupart des équipes d’accompagnement commercial ont déjà mis en place un programme de simulations. Mais il est difficile d’en créer un que les commerciaux terminent réellement. Et plus difficile encore de le concevoir autour des conversations spécifiques que votre équipe mène au quotidien. 

Lors de l’atelier en direct : créer un coach GTM IA avec Lovable et ElevenLabs, Morgan Jacobson (GTM Enablement chez Lovable) et Remy Khoung (GTM Enablement chez ElevenLabs) ont expliqué comment ils ont relevé ce défi en créant un coach GTM IA.

Ils ont partagé les coulisses de son déploiement auprès de leurs équipes chez Lovable et ElevenLabs, ainsi que les principaux enseignements pratiques tirés de sa création. 

Les limites des simulations commerciales 

Remy et Morgan se heurtaient régulièrement aux limites suivantes avec leurs simulations commerciales : 

1. La qualité des partenaires d’entraînement varie ; les sessions peuvent donc parfois devenir une simple répétition plutôt qu’une véritable conversation avec un acheteur
2. Aucune évaluation objective n’était disponible avant que le commercial ne se retrouve face à un client
3. Les sessions en direct étaient difficiles à coordonner entre les fuseaux horaires
4. Les simulations entre pairs obligent les commerciaux à risquer de paraître mal préparés devant ceux qui les évaluent

Un commercial qui cherche à maîtriser l’image qu’il renvoie à son responsable porte son attention sur la salle plutôt que sur la compétence à acquérir.

Retirer le public de l’exercice permet une véritable répétition.

Pour répondre à certains de ces défis, ils ont décidé de créer un coach GTM IA toujours disponible, entraîné sur les meilleures conversations avec des acheteurs. 

Comment ils ont créé un coach GTM IA 

ElevenAgents constituait l’agent sous-jacent, tandis que Lovable assurait le front-end. 

L’agent
Le prompt système était l’élément clé de l’agent. Le scénario, les règles définissant ce que l’acheteur révèle ou non, ainsi que la grille d’évaluation faisaient tous partie des instructions. Le choix du modèle, de la langue et de la voix constituait la configuration qui s’y ajoutait.

Le front-end
Lovable gérait tout ce avec quoi le commercial interagit : le studio de simulation, l’import de transcriptions, la grille d’évaluation en direct, les parcours de certification et l’attribution d’exercices avec suivi de leur réalisation.

Trois choix derrière le persona acheteur

Trois choix ont façonné cette création.

1. Révélation progressive. L’acheteur IA ne révèle pas spontanément d’informations : le commercial doit les obtenir grâce à un point de vue ou à une question pertinente. Cela évite aussi qu’un commercial réussisse l’exercice avec trois questions génériques.
2. Évaluation structurée. À la fin, l’agent sort de son rôle et évalue le commercial selon des critères définis. Dans la démonstration présentée, il s’agissait de l’exactitude technique, de la crédibilité auprès de l’acheteur et de la capacité du commercial à adapter son argumentaire à son niveau.
3. Mode apprentissage. Lorsqu’un commercial est bloqué, il le signale ; l’agent met en pause, enseigne la compétence à l’aide d’un exemple concret de question ou d’un témoignage client, puis l’exercice reprend. Les usages répétés deviennent ainsi rassurants plutôt qu’exposants.

Démo 1 : le studio de simulation Lovable

Scénario : Un commercial mène un appel de découverte face à une acheteuse IA nommée Sarah, dont l’équipe peine à assurer la cohérence des messages et met trop de temps à former les nouveaux commerciaux. 

Ce qui a été présenté :

• Le commercial ouvre l’échange avec un ordre du jour, partage son point de vue sur la difficulté de montée en compétence, puis dépasse le problème exprimé pour aborder son impact métier ; l’acheteuse révèle alors une opportunité perdue
• Une grille d’évaluation qui se remplit en direct pendant l’appel, puis une grille complète à la fin, toutes deux configurées en langage naturel selon la méthodologie de l’entreprise
• Des scénarios générés en donnant directement des instructions à l’agent Lovable, ou en orientant Claude via MCP vers une bibliothèque d’appels historiques afin de créer des répliques des situations les plus fréquentes

Pourquoi c’est important : La qualité de la simulation et celle de l’interface sont deux problématiques distinctes, et la plupart des programmes ne résolvent que la première.

Démo 2 : configurer l’agent ElevenAgents 

Scénario : La couche agent sous l’interface, présentée à travers la configuration d’une création dans ElevenAgents.

Ce qui a été présenté :

• Le prompt système : le scénario, les règles de révélation et la grille d’évaluation, le tout sous forme d’instructions rédigées en anglais clair
• Un premier message qui donne le ton et lance le scénario dès que l’agent répond
• La sélection parmi plus de 70 langues : un même agent peut en gérer plusieurs, ou un agent peut être dédié à chaque langue
• La sélection parmi plus de 10 000 voix, certaines étant plus performantes dans certaines langues
• Une base de connaissances facultative pour les documents d’ICP et de persona

Pourquoi c’est important : Une simulation ne fonctionne que si l’agent offre de bonnes performances. Cela dépend de la qualité de la voix, d’une faible latence et de la gestion des tours de parole, réunies dans une même stack. 

Bonnes pratiques pour créer un coach de simulation IA

Rédigez la grille d’évaluation avant le prompt. Définissez les critères que les commerciaux doivent satisfaire, puis créez l’agent pour les évaluer. Procéder dans l’autre sens produit une grille que les commerciaux jugent générique, le moyen le plus rapide de les perdre. Dans le déploiement présenté, cinq critères ont été définis en premier, puis l’agent a été créé en fonction de ceux-ci.

Tirez les scénarios de véritables appels. Plutôt que d’inventer des scénarios, orientez Claude via MCP vers une bibliothèque d’appels commerciaux historiques, demandez-lui de résumer les plus fréquents, puis créez des répliques de ceux-ci. 

Privilégiez des réponses courtes dans le prompt. Deux à quatre phrases. Au-delà, l’agent a davantage tendance à hésiter. 

Adaptez le modèle à la complexité de la conversation. Un modèle léger et rapide pour les simulations simples, un modèle plus capable lorsque la conversation le nécessite réellement, en tenant compte de la latence et du coût. 

Ajustez les prompts aux objections régionales. Le déploiement dans plusieurs régions a été la partie facile. La difficulté est venue de l’ajustement des prompts, car un acheteur d’entreprise américain ne formule pas ses objections comme un acheteur en EMEA, en Inde ou au Japon. Ces conventions doivent être établies avec les commerciaux locaux et intégrées aux instructions.

Considérez l’adoption comme une conduite du changement. Alignement de la direction, diffusion portée par les VP, grille d’évaluation crédible et exercices compétitifs. La création prend un après-midi, mais embarquer les commerciaux expérimentés demande davantage de temps. 

Regarder la session complète

Regarder le webinaire complet ici.