Le scoring manuel repose sur l'intuition et des heuristiques fragiles. Le problème est inhérent à la méthode : biais cognitifs (les commerciaux sur-qualifient les leads qui leur ressemblent), non-scalabilité (à partir de 500 leads/semaine, la qualification manuelle devient un goulot d'étranglement), et absence d'apprentissage (les critères ne sont jamais mis à jour en fonction des résultats réels).

Selon Forrester Research, les entreprises qui utilisent le scoring prédictif convertissent 2,7 fois plus de leads que celles qui s'appuient sur le scoring manuel ou l'intuition commerciale. En 2026, l'IA score en 0,3 seconde là où un commercial prend 8 à 15 minutes.

1. Fit ICP (20 %) — alignement avec l'Ideal Customer Profile : secteur, taille, modèle de revenus, géographie, maturité digitale. Critère le plus discriminant — un lead à 0/20 ne peut pas compenser avec des signaux d'intention élevés.

2. Poste et autorité décisionnelle (15 %) — décideur, prescripteur ou utilisateur ? Le modèle croise le titre LinkedIn avec la structure organisationnelle pour estimer le poids réel dans la décision d'achat.

3. Signal d'intention d'achat (15 %) — visite de pages concurrentes via Bombora, offre d'emploi pour un rôle similaire à notre solution, téléchargement de contenu lié au problème résolu. Selon Gartner, 77 % du parcours B2B se fait sans contact commercial.

4. Budget estimé (10 %) — CA (données INSEE/SIRENE), levée de fonds récente, taille des équipes commerciales, technologies payantes détectées via BuiltWith ou Wappalyzer.

5. Urgence et timing (8 %) — nouveau poste du décideur (les 90 premiers jours sont la meilleure fenêtre), fin de contrat avec un concurrent, trigger événementiel (fusion, expansion, lancement produit).

6. Maturité technologique (8 %) — stack détecté : une entreprise qui migre d'un outil concurrent est plus facile à convaincre qu'une entreprise sans CRM.

7. Historique d'engagement (7 %) — ouvertures d'emails, clics, visites du site, participation à un webinaire. Un lead qui a visité la page tarifs 3 fois cette semaine est chaud.

8. Compatibilité géographique (5 %) — zones géographiques servies, compatibilité légale (RGPD), fuseau horaire pour les appels.

9. Contexte concurrentiel (5 %) — utilise-t-il déjà un concurrent direct ? Phase d'évaluation ou contrat long terme ? La technographie combinée aux signaux d'intention estime la probabilité de switch.

10. Signaux négatifs (−5 % à −15 %) — opt-out passé, litige connu, secteur exclu de l'ICP, contact injoignable depuis 6 mois. Aussi importants que les positifs.

11. Alignement produit (4 %) — publications LinkedIn sur le sujet, job descriptions mentionnant le problème. Évalué par un LLM qui analyse le contenu public disponible.

12. Disponibilité et joignabilité (3 %) — email pro vérifié (validation SMTP), numéro direct disponible, profil LinkedIn actif (dernière activité < 30 jours).

Phase de bootstrapping (J0–J30) : le modèle démarre avec les pondérations par défaut Lead-Gene, calibrées sur 120 clients. Suffisant pour produire des résultats dès la première semaine. Phase d'apprentissage actif (J30–J90) : chaque deal gagné ou perdu est injecté comme signal. Après 30 jours, précision +20 à 30 %. Après 90 jours, +35 à 50 %.

Selon McKinsey, les organisations qui utilisent le scoring prédictif avec boucle de feedback réduisent leur cycle de vente de 28 % en moyenne sur 12 mois. Le modèle est un outil d'aide à la décision — l'équipe commerciale conserve toujours la possibilité de surcharger un score. Conformité RGPD : le scoring B2B ne constitue pas une 'décision automatisée' au sens de l'article 22 tant qu'un humain valide les critères de ciblage.