Ce que 2025 a appris aux multinationales sur Salesforce Account Engagement: de la promesse de l’IA à la réalité opérationnelle

Pourquoi 2025 n’a pas été une année de rupture, mais une année de séparation

Pour de nombreuses multinationales, 2025 était annoncée à l’avance comme l’année où l’IA dans le marketing automation atteindrait définitivement sa maturité. Non plus comme une expérimentation ou un proof of concept, mais comme une composante structurelle de la prise de décision commerciale. Salesforce Marketing Cloud Account Engagement était alors considéré comme le point de convergence logique, car les processus Marketing et Sales peuvent s’y réunir autour du même contexte client et account. L’attente était que l’IA accélère cette collaboration existante en interprétant les signaux plus rapidement, en définissant les priorités avec davantage de précision et en rendant le suivi plus cohérent.

La pratique a toutefois évolué de manière moins uniforme. 2025 n’a pas apporté une accélération universelle, mais a surtout rendu visible quelles organisations disposaient déjà d’un socle suffisamment mature et lesquelles dépendaient encore fortement d’accords implicites, d’interprétations locales et de modèles de données historiquement développés. Dans les environnements matures, l’IA a approfondi les processus existants et rendu la prise de décision plus cohérente. Dans d’autres environnements, la même technologie a au contraire révélé les domaines dans lesquels l’ownership, la qualité des données et les structures décisionnelles n’étaient pas organisés de manière suffisamment explicite.

L’IA n’accélère que ce qui a déjà été rendu explicitement maîtrisable

Cette séparation n’a pas seulement influencé l’output technique, mais surtout la confiance. Les organisations disposant de définitions claires et d’une gouvernance solide pouvaient utiliser l’IA comme prolongement de leur modèle opérationnel, car les équipes savaient quelle signification attribuer aux signaux et qui portait la responsabilité de l’étape suivante. Les organisations dépourvues de ce socle percevaient beaucoup plus rapidement la même technologie comme imprévisible ou difficile à expliquer. Ainsi, 2025 a été moins une année d’adoption qu’un test de maturité de la manière dont le marketing automation était intégré à l’organisation.

L’IA fonctionnait techniquement, mais n’était pas ancrée dans l’organisation

Sur le plan technique, les composants d’IA au sein de Salesforce Marketing Cloud Account Engagement ont produit dans de nombreux environnements des outputs utilisables. Le predictive scoring, les indicateurs d’engagement et la priorisation automatisée pouvaient révéler des schémas et appliquer de manière cohérente la même logique à des inputs comparables. Le facteur limitant ne résidait donc pas uniquement dans la technologie elle-même. Le problème plus important apparaissait lorsque les organisations devaient traduire ces outputs en choix opérationnels touchant différentes équipes, différents marchés et différentes responsabilités.

De nombreuses organisations partaient implicitement du principe qu’un score se traduisait directement en action. Un score plus élevé semblait automatiquement signifier que Marketing devait accélérer, que Sales devait reprendre le lead plus tôt ou qu’un prospect pouvait être envoyé vers une prochaine étape d’un journey. Mais tant qu’il n’était pas explicitement défini qui prend une telle décision, quelles exceptions s’appliquent et quand une évaluation humaine reste nécessaire, la discussion passait de la technologie au mandat. L’IA produisait alors bien un signal, mais pas un cadre décisionnel partagé dans lequel ce signal pouvait être appliqué sans nouvel alignement.

Dans les organisations internationales, cette différence est devenue particulièrement visible. Les définitions de la qualité des leads, de la priorité, de la sales readiness et du transfert variaient selon les régions ou les business units, tandis que l’output central de l’IA supposait précisément que les mêmes signaux avaient partout la même signification. Un ralentissement apparaissait ainsi exactement au moment où une accélération était attendue. Les équipes devaient encore interpréter, discuter des exceptions et reconstruire les accords locaux avant que l’output puisse être utilisé opérationnellement.

Lorsque la prise de décision était en revanche explicitement organisée, un schéma nettement différent apparaissait. L’IA fonctionnait alors comme une référence commune et non comme une autorité autonome remplaçant les responsabilités existantes. Les discussions passaient de « que signifie ce score? » à « quelle action crée le plus de valeur dans le cadre que nous avons convenu? ». Cette différence ne provenait pas d’une fonctionnalité supplémentaire, mais de l’ancrage organisationnel: la même technologie ne prenait véritablement sens que parce que les decision rights, les définitions et l’escalade avaient été établis à l’avance.

Les modèles de données ont déterminé dans la pratique les limites de l’IA

Dans de nombreuses multinationales, les modèles de données s’étaient développés historiquement et avaient été principalement conçus pour l’exécution des campagnes, le reporting et les besoins de processus locaux. Les structures de contacts différaient selon les régions, les statuts des leads étaient interprétés localement et les relations entre accounts n’étaient pas toujours enregistrées de la même manière. Tant que ces données étaient principalement utilisées pour la segmentation ou l’activation, de telles différences pouvaient souvent être absorbées au niveau opérationnel. Dès que l’IA a commencé à utiliser les mêmes données pour la priorisation et le routing, les conséquences de définitions incohérentes sont devenues beaucoup plus directement visibles.

L’IA peut reconnaître des schémas, mais ne constitue pas un mécanisme de correction automatique pour un modèle de données ambigu. Lorsque deux marchés interprètent différemment le même champ, un modèle peut traiter cette incohérence sans comprendre que deux réalités organisationnelles différentes se trouvent derrière elle. Le résultat peut être techniquement plausible tout en restant difficile à reproduire ou indésirable du point de vue de la gouvernance. C’est précisément pourquoi 2025 a montré qu’un modèle de données suffisant pour les campagnes n’est pas automatiquement adapté à une prise de décision qui exige rapidité, cohérence et responsabilité.

Une distinction utile est ainsi apparue pour évaluer les modèles de données. Tous les environnements n’ont pas besoin de rechercher une uniformité totale, mais dès que les données sont directement utilisées pour influencer des choix automatisés, les définitions doivent être suffisamment stables pour permettre d’expliquer les résultats. Cela n’exige pas un modèle identique pour chaque marché, mais bien des limites claires entre la variation locale et les données qui doivent conserver la même signification à l’échelle enterprise. Dans la pratique, les différences suivantes sont devenues particulièrement déterminantes:

• Données de campagne: peuvent autoriser une variation locale tant que la segmentation, l’activation et le reporting restent sans ambiguïté dans le contexte concerné.
• Données décisionnelles: exigent des définitions explicites, une interprétation cohérente et une reproductibilité suffisante pour pouvoir justifier les résultats.
• Données de priorisation: acquièrent davantage d’impact organisationnel dès que l’IA les utilise pour déterminer quels prospects, accounts ou actions reçoivent la priorité.
• Données de routing: doivent être suffisamment univoques entre les marchés lorsque la même logique dirige des leads ou des accounts vers différentes équipes et différents marchés.

Cette distinction a montré que l’IA n’introduit pas nécessairement une nouvelle complexité, mais opérationnalise une complexité déjà existante. Ce qui pouvait auparavant être absorbé par une interprétation manuelle devient une composante d’une chaîne automatisée dans laquelle chaque définition a des conséquences sur l’étape suivante. La qualité des données passe ainsi d’une problématique principalement technique à une condition de gouvernance. Une organisation doit savoir non seulement si un champ est renseigné, mais également si sa signification est suffisamment stable pour servir de base à des décisions.

La gouvernance est passée de la compliance à une structure décisionnelle

Jusqu’en 2024 inclus, la gouvernance dans le marketing automation était souvent abordée principalement à partir des contraintes juridiques, du consent et de la gestion des accès. En 2025, il est devenu clair que cette perspective est trop limitée dès que l’IA influence directement le timing, le transfert et la priorisation. La gouvernance ne concerne alors plus uniquement ce qu’une organisation est juridiquement autorisée à faire, mais également qui peut prendre une décision, quel système ou quelle équipe est directrice et comment les exceptions sont contrôlées lorsque la logique automatisée s’écarte des attentes.

La question centrale est ainsi passée de l’autorisation à la responsabilité. Sans accords explicites sur l’ownership et le mandat, une certaine réticence apparaît, car Marketing, Sales, IT et Compliance considèrent chacun le même résultat produit par l’IA à partir d’une perception différente du risque. Marketing voit une possibilité d’accélération, Sales peut voir un signal insuffisamment qualifié et Compliance examine les conditions dans lesquelles une action particulière peut être réalisée. Lorsque ces perspectives ne sont réunies qu’après la production de l’output, l’IA devient une nouvelle source d’alignement plutôt qu’un accélérateur.

Cette évolution a des conséquences directes pour les opérations. Les organisations doivent déterminer à l’avance qui peut overruler les signaux de l’IA, à quel moment un score est suffisant pour activer l’étape suivante et quelles décisions exigent toujours un contrôle humain. Il doit également être clair qui est responsable lorsqu’une décision automatisée est techniquement correctement exécutée, mais produit un résultat commercialement ou organisationnellement incorrect. La gouvernance ne devient donc pas un frein à l’innovation, mais une condition pour utiliser l’automatisation à l’échelle sans contrôles ad hoc permanents.

Les organisations qui ont intégré la gouvernance dans leur architecture et leur modèle opérationnel pouvaient agir plus rapidement parce que les principales questions décisionnelles ne devaient pas être renégociées à chaque fois. Les équipes travaillaient dans des limites connues à l’avance et savaient quand une escalade était nécessaire. Les organisations qui continuaient à traiter la gouvernance principalement comme un contrôle a posteriori ont au contraire vu apparaître des retards supplémentaires. La technologie pouvait agir plus vite que l’organisation ne pouvait justifier ses décisions, ce qui entraînait malgré tout l’ajout de contrôles humains en dehors du processus conçu.

L’IA a rendu visibles les tensions existantes entre Marketing et Sales

La promesse de Salesforce Marketing Cloud Account Engagement repose en grande partie sur l’alignement entre Marketing et Sales. En 2025, il est devenu clair que l’IA ne crée pas cet alignement à elle seule. Lorsque les définitions de la qualité des leads, du timing, de l’intention d’achat et du transfert sont insuffisamment alignées en amont, les scores d’IA renforcent justement les différences d’interprétation existantes. Marketing peut lire un score élevé comme une intention d’achat claire, tandis que Sales considère le même score comme une qualification insuffisante pour y consacrer de la capacité.

Sans définitions partagées, il ne se crée donc pas d’accélération, mais une discussion sur la signification du même output. À première vue, le problème semble technique, car les équipes regardent un score, un modèle ou une plateforme, mais sa cause réside dans un accord organisationnel qui n’a jamais été rendu univoque. L’IA ne fait que rendre cette ambiguïté plus systématiquement visible. Chaque nouveau score confronte à nouveau les équipes à la même définition manquante, transformant la plateforme en loupe sur des tensions auparavant dissimulées.

Dans les organisations où les définitions avaient en revanche été explicitement alignées, l’IA fonctionnait beaucoup plus efficacement comme cadre de référence commun. Marketing et Sales n’avaient pas à réinterpréter chaque résultat, car il avait été convenu à l’avance ce qu’un signal signifiait et quelle étape suivante lui correspondait. La collaboration pouvait ainsi s’accélérer sans qu’une équipe doive prendre entièrement le contrôle. La différence ne résidait donc pas principalement dans le tooling, mais dans l’alignement avant que l’IA n’acquière un poids opérationnel dans le processus.

Le rôle de l’IA constitue un choix explicite de gouvernance

Les expériences de 2025 montrent que les organisations ne peuvent pas se contenter d’hypothèses implicites sur le rôle de l’IA. Elles doivent déterminer explicitement si l’IA se limite à signaler, peut agir de manière autonome dans des limites définies à l’avance ou fournit exclusivement un output informatif interprété par des humains. Ce positionnement détermine le niveau de rapidité possible, le niveau de contrôle qui reste nécessaire et l’endroit où se situe la responsabilité lorsqu’un processus automatisé produit un résultat inattendu.

Cette distinction est pertinente parce que la même fonctionnalité d’IA peut recevoir une signification de gouvernance totalement différente selon les organisations. Un engagement score uniquement visible dans un dashboard exige une autre gouvernance qu’un score qui influence automatiquement le lead routing, l’entrée dans un journey ou la priorité Sales. Plus l’IA se rapproche de l’action réelle, plus l’autorité décisionnelle doit également être explicitement définie. Un cadre opérationnel pour l’automatisation apparaît ainsi sans que l’ownership ne devienne diffus.

Rôle décisionnel de l’IA dans Salesforce Marketing Cloud Account Engagement

Ce choix détermine comment la rapidité, le contrôle et la responsabilité sont organisés au sein de l’organisation. Sans positionnement explicite, un modèle hybride apparaît facilement dans lequel l’IA influence de fait le traitement des clients, alors que formellement personne n’est owner de cette décision. Les organisations enterprise doivent donc documenter non seulement quelles fonctionnalités d’IA sont actives, mais également quel mandat leur est associé et comment les résultats sont contrôlés lorsque le risque ou l’impact commercial augmente.

La logique des journeys a fonctionné comme stress test de la prise de décision

Les journeys automatisés rendent explicites les choix implicites. Chaque étape suppose qu’il est clair quand un prospect progresse, quand le transfert a lieu, quand un parcours s’arrête et quelle route alternative est choisie lorsque les circonstances évoluent. En théorie, il s’agit d’une force du marketing automation, car la même logique peut être appliquée de manière cohérente. Dans la pratique, 2025 a montré que les journeys deviennent précisément un stress test pour les organisations dans lesquelles les définitions et les decision rights ne sont pas suffisamment stables.

Lorsque ces choix ne sont pas définis à l’avance, les journeys restent dépendants de corrections manuelles. Les équipes interviennent après coup lorsqu’un prospect progresse selon la configuration alors qu’il ne devrait pas poursuivre selon la réalité commerciale locale. Une situation particulière apparaît ainsi: l’automatisation est techniquement présente, mais sa fiabilité dépend de personnes qui doivent continuellement identifier et corriger les exceptions. Cela fragilise à la fois la capacité à passer à l’échelle et la confiance dans un déploiement plus large de l’IA.

Le contexte international amplifie ce problème. Dès que les définitions diffèrent selon la région, la business unit ou l’équipe, le même journey peut fonctionner correctement sur le plan technique tout en produisant un comportement incohérent sur le fond. Les prospects avancent alors dans des étapes comparables selon des règles qui ne possèdent pas partout la même signification. La configuration est reproductible, mais la logique business qui la sous-tend ne l’est pas. Cette différence montre précisément pourquoi la conception des journeys n’est pas seulement une question d’exécution, mais également une traduction directe de choix organisationnels.

Dans les organisations où la logique des journeys avait en revanche été conçue explicitement, les journeys fonctionnaient comme prolongement de la prise de décision et non comme son remplacement. L’IA pouvait optimiser à l’intérieur de cette structure parce que l’entrée, le transfert, la priorité et les exceptions reposaient sur des définitions partagées. L’automatisation devenait ainsi plus prévisible et les équipes avaient moins besoin d’apporter des corrections a posteriori. La valeur ne résidait pas dans une complexité plus élevée des journeys, mais dans un cadre plus clair au sein duquel l’automatisation pouvait agir de manière fiable.

Les intégrations ont déterminé si l’IA apprenait réellement

L’efficacité de l’IA au sein de Salesforce Marketing Cloud Account Engagement s’est révélée fortement dépendante des feedback loops provenant du CRM et des processus Sales. Dans de nombreux environnements, le flux aller était techniquement bien organisé: les données marketing alimentaient les scores, les segments et la priorisation. Le flux retour était beaucoup moins cohérent. Lorsque les rejets, le suivi Sales, le développement des opportunities et les résultats commerciaux ne reviennent pas structurellement dans l’environnement où l’IA est utilisée, le modèle continue à fonctionner avec une vision incomplète de ce qui s’est réellement produit après la prédiction.

L’IA fonctionne de manière optimale dans un écosystème où prédiction, action et résultat sont reliés. Sans ce cycle, une couche analytique apparaît qui peut reconnaître des schémas, mais qui apprend insuffisamment des résultats business des décisions antérieures. Cette différence est devenue particulièrement visible en 2025 dans les organisations où les feedback loops n’étaient que partiellement organisés. Les modèles généraient des signaux utiles, tandis que la qualité du retour variait fortement selon les équipes ou les régions.

Les modèles pouvaient ainsi continuer à optimiser des schémas techniques plutôt que des résultats commerciaux entièrement enregistrés. Les rejets n’étaient pas toujours enregistrés de manière cohérente, le suivi se déroulait en partie en dehors des systèmes et les différences locales restaient implicites. Il en résultait une apparence de cohérence: la même logique de modèle fonctionnait partout, mais les informations servant de base à l’amélioration n’étaient pas aussi complètes dans tous les marchés. Pour les multinationales, cela rend les résultats difficiles à comparer et explique pourquoi un modèle peut sembler fonctionner de manière plus convaincante sur un marché que sur un autre.

Sans feedback loop fermé, l’IA n’est pas un système d’apprentissage, mais un modèle de calcul

La leçon de 2025 est donc que l’intégration ne consiste pas uniquement à rendre les données disponibles pour Marketing. Le cycle complet entre prédiction, action, réponse Sales et résultat doit être suffisamment fermé pour permettre d’apprendre des résultats précédents. Ce n’est qu’à cette condition que l’IA peut s’améliorer structurellement au lieu d’appliquer simplement les mêmes hypothèses plus rapidement. L’intégration devient ainsi une composante de l’architecture décisionnelle et non simplement une connexion technique entre des systèmes distincts.

2025 comme filtre de maturité

Avec le recul, 2025 peut être considéré comme un filtre de maturité. Non pas entre les organisations disposant de beaucoup ou de peu de technologie, mais entre les organisations possédant des structures décisionnelles explicites et celles qui étaient principalement organisées de manière réactive. L’IA a surtout accéléré ce qui était déjà suffisamment organisé et rendu la complexité existante plus visible là où les définitions, la gouvernance ou les intégrations n’étaient pas suffisamment matures. La différence n’est donc pas apparue au moment de l’achat ou de l’activation de la technologie, mais dans la manière dont l’organisation pouvait intégrer cette technologie à sa prise de décision quotidienne.

Pour les organisations disposant de définitions claires, de feedback loops fiables et d’une gouvernance explicite, davantage d’espace pour passer à l’échelle est apparu. Les équipes pouvaient plus souvent faire confiance aux mêmes signaux et consacraient moins de temps à reconstruire leur signification ou leur ownership. Pour les organisations dépourvues de ce socle, la même évolution a au contraire entraîné davantage d’incertitude. L’interprétation manuelle, qui pouvait auparavant masquer de nombreuses incohérences, devenait moins viable dès que l’IA rendait systématiquement visibles ces différences.

Cette évolution a agi simultanément à plusieurs niveaux et explique pourquoi l’impact de l’IA ne peut pas être évalué uniquement à travers la performance des modèles ou les KPI des campagnes. Les conséquences organisationnelles sont au moins aussi importantes, car elles déterminent si l’environnement devient plus rapide et plus prévisible à long terme. Un modèle peut être techniquement plus performant alors que les opérations quotidiennes nécessitent davantage d’alignement ou que les équipes ont moins confiance dans les résultats automatisés. La maturité doit donc être évaluée simultanément à plusieurs niveaux:

• Opérationnel: les équipes deviennent davantage dépendantes de l’alignement lorsque les définitions, les exceptions et les responsabilités ne sont pas suffisamment explicites.
• Tactique: la priorisation et le transfert ralentissent lorsque Marketing, Sales et les marchés locaux interprètent différemment les mêmes signaux.
• Stratégique: la confiance dans l’automatisation diminue lorsque le management et les équipes ne peuvent pas reconstruire pourquoi certains résultats ou traitements clients se sont produits.

2025 a ainsi rendu visible non seulement ce qui fonctionnait, mais surtout les conditions structurelles qui faisaient défaut. Cela ne fait pas de cette année une occasion manquée pour l’IA, mais une frontière utile entre expérimentation et application mature. Les organisations ont acquis une vision plus précise des composants qui doivent d’abord être stabilisés avant qu’une automatisation plus poussée puisse réellement produire des économies d’échelle. Ce diagnostic constitue précisément la base des choix qui deviennent nécessaires à l’approche de 2026.

Ce que cela signifie à l’approche de 2026

La principale évolution à l’approche de 2026 ne réside donc pas dans l’ajout de toujours plus de fonctionnalités d’IA, mais dans la manière dont les organisations structurent la prise de décision. La technologie est disponible et peut créer de la valeur, mais uniquement lorsqu’il est clair dans quelles conditions cette valeur peut être exploitée de manière fiable. Pour les multinationales, cela signifie que les définitions de données, la gouvernance, les feedback loops et les decision rights ne peuvent plus être considérés comme des thèmes d’optimisation distincts. Ensemble, ils forment le cadre organisationnel au sein duquel l’IA peut réellement fonctionner à l’échelle.

L’accent passe ainsi de l’expansion à la structuration. Les organisations doivent rendre explicites les hypothèses existantes avant d’accorder davantage de responsabilités aux nouvelles automatisations. Quelles données sont directrices lorsque les sources se contredisent? Quelles décisions l’IA peut-elle influencer de manière autonome et où une évaluation humaine reste-t-elle nécessaire? Quels résultats commerciaux doivent être renvoyés afin d’améliorer les modèles et la logique de priorisation? Et quelle gouvernance doit déjà être présente dans l’architecture avant qu’un nouveau use case soit activé?

Cela ne signifie pas que les organisations enterprise doivent ralentir leurs ambitions en matière d’IA. Cela signifie que l’automatisation supplémentaire doit être liée à un modèle décisionnel dont la maturité peut être démontrée. À mesure que l’impact d’un choix automatisé augmente, l’ownership, l’explicabilité et l’escalade doivent être organisés avec un niveau de clarté proportionnel. Une organisation évite ainsi que la rapidité soit achetée au prix d’une nouvelle dépendance envers les contrôles manuels ou que des exceptions locales érodent progressivement le modèle central.

Les organisations qui franchissent cette étape créent un environnement dans lequel l’IA n’est pas considérée comme un accélérateur autonome, mais comme une composante d’une architecture commerciale et organisationnelle plus large. Cela apporte davantage de prévisibilité parce que les équipes savent à l’avance quelle signification est attribuée aux signaux et qui est responsable du résultat. La croissance future devient également plus maîtrisable: de nouveaux marchés, journeys et automatisations peuvent être ajoutés sans devoir réinventer à chaque extension les accords fondamentaux concernant les données et la prise de décision.

2025 comme point de référence nécessaire pour le marketing enterprise

Ce que 2025 a principalement appris aux multinationales, c’est que l’IA dans Salesforce Marketing Cloud Account Engagement ne constitue pas un raccourci vers un meilleur marketing. La technologie agit comme une loupe sur les structures, les définitions et les responsabilités existantes. Lorsque le socle est clair, l’IA peut exploiter les schémas plus rapidement et soutenir la prise de décision de manière plus cohérente. Lorsque ce socle manque, les mêmes ambiguïtés deviennent au contraire plus fréquentes et plus systématiquement visibles, car l’automatisation laisse moins de place aux corrections humaines silencieuses.

L’évolution la plus importante est donc organisationnelle et liée à la gouvernance, et non exclusivement technologique. Les organisations qui prennent cette leçon au sérieux ne traitent plus l’IA comme une couche d’optimisation séparée, mais comme une composante de leur modèle opérationnel. Elles définissent quelles décisions peuvent être automatisées, comment les données sont interprétées, quel feedback est nécessaire et où le contrôle humain reste directeur. Il en résulte un environnement dans lequel la rapidité ne doit pas se faire au détriment de l’explicabilité et où la gouvernance n’est pas ajoutée uniquement après qu’un résultat divergent s’est déjà produit.

Pour les organisations qui ne franchissent pas cette étape, l’IA reste une source de discussion et d’incertitude. Non pas parce que la plateforme est nécessairement insuffisante, mais parce que le contexte dans lequel la technologie est appliquée n’a pas été conçu avec une reproductibilité suffisante. Chaque nouveau score, journey ou règle de priorisation peut alors susciter à nouveau une discussion sur la signification, la responsabilité et les exceptions. Une automatisation plus poussée reste ainsi techniquement possible, mais devient organisationnellement de plus en plus difficile à considérer comme fiable et, à terme, également plus difficile à faire passer à l’échelle sur plusieurs équipes et marchés.

2025 a ainsi créé un point de référence utile pour la prochaine phase du marketing enterprise. La ligne de séparation pertinente ne se situe pas entre les organisations qui utilisent l’IA et celles qui ne l’utilisent pas, mais entre les organisations capables de gérer l’IA dans des cadres clairs et celles qui réagissent principalement à ses résultats. Les organisations qui investissent à l’approche de 2026 dans des structures décisionnelles explicites, des définitions cohérentes et des feedback loops fermés construisent ainsi non seulement un meilleur socle pour l’IA, mais également pour un environnement Marketing Cloud qui reste capable de passer à l’échelle, explicable et maîtrisable.