Deux fiches CRM portent presque le même nom : Atlas Conseil et Atlas Consulting.
La ville est identique. Un ancien domaine web redirige vers le nouveau. Deux contacts ont le même nom de famille. Une note commerciale évoque « le groupe Atlas ».
Pour une IA chargée de nettoyer le CRM, les signaux semblent converger. Elle propose une fusion. Le commercial accepte trop vite.
Le lendemain, l’équipe découvre que les deux fiches appartenaient à des sociétés distinctes. Les historiques ont été mélangés, un consentement marketing a été attribué au mauvais contact et le montant d’une opportunité apparaît désormais sur le mauvais compte.
Le problème n’est pas que l’IA a « mal rangé une fiche ». Elle a transformé une ressemblance en identité.
Détecter un doublon et décider d’une fusion sont deux tâches différentes
Une IA peut repérer des ressemblances plus vite qu’un humain :
- noms proches ;
- domaines web similaires ;
- adresses voisines ;
- numéros de téléphone partagés ;
- contacts présents dans plusieurs fiches ;
- historiques qui semblent se recouper.
C’est utile pour faire remonter des cas suspects. Ce n’est pas suffisant pour fusionner.
Une fusion CRM modifie la structure de référence. Elle peut déplacer des activités, rattacher des opportunités, modifier le propriétaire d’un compte ou déclencher des automatisations. L’erreur devient alors plus difficile à détecter qu’un simple doublon visible.
France Num rappelle que des données incomplètes, dupliquées ou obsolètes peuvent fausser la décision, dégrader les campagnes et limiter l’usage de l’IA.[1] Le même dossier distingue notamment l’unicité, l’exactitude, la cohérence et l’actualité : quatre critères qui peuvent se contredire dans un cas de fusion.[1]
Deux fiches proches peuvent violer l’unicité. Mais les réunir sans preuve peut dégrader leur exactitude.
Le bon réflexe : chercher des preuves, pas un score magique
Un score de similarité à 92 % paraît précis. Pourtant, il ne dit pas ce que représentent les 8 % restants.
Or ces 8 % peuvent contenir l’information décisive :
- deux numéros SIREN différents ;
- deux pays d’immatriculation ;
- deux contrats actifs ;
- une ancienne filiale vendue ;
- une marque commerciale partagée par plusieurs sociétés ;
- un contact qui travaille pour deux entités du même groupe.
Le score doit donc ouvrir une enquête courte, pas fermer la décision.
Pour chaque suspicion, l’IA devrait séparer trois catégories :
1. Les éléments qui rapprochent
Nom, domaine, téléphone, adresse, dirigeants ou contacts communs.
2. Les éléments qui contredisent
Identifiants légaux distincts, contrats incompatibles, pays différents, propriétaires de compte différents ou historiques simultanés.
3. Les éléments manquants
Source du changement de nom, date de la dernière vérification, lien capitalistique ou confirmation du commercial responsable.
Cette présentation est plus utile qu’un simple bouton « fusionner ». Elle montre pourquoi le cas est suspect et ce qui empêche encore de conclure.
Les données personnelles ajoutent une obligation de prudence
Un CRM contient souvent des données personnelles : nom, email professionnel nominatif, téléphone direct, historique d’échanges ou préférences de contact.
Le principe d’exactitude du RGPD prévoit que les données personnelles soient exactes et, si nécessaire, tenues à jour. Il demande aussi que des mesures raisonnables permettent de rectifier ou d’effacer sans tarder les données inexactes.[2]
Une fusion erronée peut donc créer une donnée inexacte là où l’entreprise cherchait justement à améliorer la qualité du CRM.
Cela ne signifie pas qu’une fusion est interdite. Cela signifie qu’elle doit être justifiée, traçable et réversible, avec une attention particulière lorsque les fiches contiennent des personnes différentes.
Un workflow sûr tient en cinq étapes
1. Détecter sans modifier
L’IA identifie les doublons potentiels, mais n’écrit rien dans le CRM.
2. Afficher la comparaison
Une vue côte à côte présente les champs identiques, différents, anciens et non vérifiés. Chaque donnée importante conserve sa source et sa date.
3. Bloquer en présence d’une contradiction forte
Deux identifiants légaux distincts, deux contrats actifs ou deux consentements incompatibles doivent empêcher toute fusion automatique.
4. Faire valider par la bonne personne
Le responsable du compte ou l’équipe opérations confirme : fusion, maintien séparé ou demande d’information complémentaire.
5. Conserver une trace et un retour arrière
Le système enregistre la proposition, les preuves examinées, la décision humaine et les données déplacées. Une sauvegarde permet de restaurer les deux fiches si une erreur apparaît ensuite.
Ce que Pulse pourrait préparer
Dans ce scénario, Pulse ne fusionnerait pas les fiches à la place de l’équipe.
Il préparerait une carte de décision comprenant :
- le niveau de suspicion ;
- les ressemblances détectées ;
- les contradictions visibles ;
- les informations manquantes ;
- les conséquences probables d’une fusion ;
- l’identité de la personne qui doit valider.
Si une donnée essentielle manque, le dossier resterait en attente. Si une contradiction forte apparaît, Pulse recommanderait de conserver les fiches séparées. La décision et l’écriture dans le CRM resteraient humaines.
Le test simple avant d’automatiser
Prenez vingt paires de doublons déjà résolues par votre équipe.
Demandez au système de les classer sans autoriser aucune modification. Vérifiez ensuite :
- combien de vrais doublons il retrouve ;
- combien de sociétés distinctes il confond ;
- quelles contradictions il sait afficher ;
- combien de cas restent correctement « indéterminés » ;
- si un humain peut comprendre et contester chaque proposition.
Un bon système n’est pas celui qui fusionne le plus. C’est celui qui sait signaler une ressemblance, exposer ses limites et attendre quand les preuves ne suffisent pas.
La valeur de l’IA se trouve alors au bon endroit : réduire le travail de recherche sans automatiser une décision irréversible.
Évaluer votre processus CRM avec le Diagnostic Pulse
Sources
[1] https://www.francenum.gouv.fr/guides-et-conseils/pilotage-de-lentreprise/gestion-traitement-et-analyse-des-donnees/la-qualite-des — La qualité des données : un levier stratégique pour l’entreprise [2] https://cnil.fr/fr/reglement-europeen-protection-donnees/chapitre2 — RGPD — Article 5 : principes relatifs au traitement