L'IA de HubSpot, regroupée sous le nom Breeze, promet d'automatiser une bonne partie du travail marketing et commercial : enrichir les fiches, qualifier les prospects, déclencher les bonnes actions au bon moment. Dans les faits, elle fait exactement ce qu'on lui donne à faire, avec les données qu'on lui donne. Si le CRM est mal tenu, l'IA automatise surtout le désordre.
Ce guide propose un ordre de mise en place qui fonctionne : des données gouvernées, puis un scoring lisible, puis des workflows, et enfin des agents IA là où ils apportent vraiment quelque chose.
Breeze en 2026 : de quoi parle-t-on ?
Breeze désigne l'ensemble des fonctions d'IA de HubSpot. En 2026, la partie la plus structurante est l'Agent Hub, l'espace où l'on retrouve tous les agents et les workflows agentiques du compte :
- les agents conçus par HubSpot : le Data agent (enrichissement et entretien des données du CRM), le Prospecting agent, l'agent de progression des deals, le Customer agent ;
- l'agent builder, pour créer et personnaliser vos propres agents ;
- les workflows agentiques, qui intègrent des agents dans des processus en plusieurs étapes ;
- le contexte de l'entreprise et des « knowledge vaults », qui donnent aux agents les informations dont ils ont besoin.
Deux points à garder en tête avant de se lancer :
- Le coût se compte en crédits HubSpot. Les agents consomment des crédits à chaque action. Un agent mal cadré peut donc coûter cher pour un résultat médiocre.
- Une partie des fonctions est réservée aux offres Professional et Enterprise, notamment les workflows agentiques et plusieurs agents HubSpot. Vérifiez votre abonnement avant de construire un plan autour d'un agent précis.
Étape 1 : gouverner les données avant d'automatiser
Toutes les automatisations reposent sur les propriétés des fiches contacts, entreprises et transactions. Un scoring qui lit un champ « secteur » rempli à la main de dix façons différentes ne peut pas être fiable. Un agent qui enrichit ce même champ sans règle ajoute une onzième variante.
Les chantiers prioritaires :
- Faire l'inventaire des propriétés. Supprimez ou archivez celles qui ne servent plus, fusionnez les doublons (« Téléphone », « Tel », « Numéro »), documentez les autres.
- Préférer les listes déroulantes au texte libre pour tout ce qui sert à segmenter : secteur, taille d'entreprise, source, type de besoin.
- Rendre obligatoires les champs dont dépendent vos automatisations, au bon moment du cycle (formulaire, création de transaction, passage d'étape).
- Traiter les doublons régulièrement, et définir une règle claire de fusion.
- Nommer un responsable des données. Sans propriétaire, la qualité se dégrade en quelques mois.
Ce n'est qu'une fois cette base posée que l'enrichissement automatique, par le Data agent ou par un outil tiers, devient utile : il complète des champs bien définis au lieu d'en inventer.
Étape 2 : un lead scoring que l'équipe commerciale comprend
HubSpot propose un outil de scoring dédié (Marketing, puis Lead Scoring) sur les offres Marketing Hub et Sales Hub Professional ou Enterprise. Il distingue deux dimensions :
- le score d'adéquation (fit), calculé à partir des propriétés : région, taille d'entreprise, secteur, fonction ;
- le score d'engagement, calculé à partir des événements : pages vues, emails ouverts, formulaires, réunions.
On peut les combiner. Chaque score crée des propriétés exploitables partout dans HubSpot, ainsi que des seuils : une lettre de A à C pour l'adéquation, un chiffre de 1 à 3 pour l'engagement. Un contact « A1 » correspond à votre cible et se montre très actif.
Quelques réglages font la différence :
- La décroissance (« Decay scores ») réduit le score au fil du temps. Un prospect très actif il y a un an n'est pas un prospect chaud aujourd'hui.
- Les suggestions de règles par l'IA (« Discover AI rules ») repèrent les événements qui pèsent vraiment sur la conversion. Utiles comme point de départ, à valider avec l'équipe commerciale.
- Le test avant activation : testez le score sur quelques contacts connus et regardez la répartition prévue. Si 80 % de la base sort en A1, le score ne sert à rien.
Le plus important n'est pas technique : la définition d'un lead qualifié doit être écrite et validée avec les commerciaux. Le score n'est que la traduction de cette définition.
Étape 3 : des workflows au service du cycle de vente
Avec des données fiables et un score lisible, les workflows deviennent simples à écrire. Quelques exemples qui rapportent vite :
- Passage de seuil : quand un contact atteint le niveau « haut », il est attribué à un commercial en rotation, une notification part, une tâche de rappel est créée.
- Mise à jour du cycle de vie : l'étape (abonné, lead, MQL, SQL, client) évolue automatiquement selon les actions et le score, au lieu d'être modifiée à la main.
- Nurturing : les contacts intéressés mais pas encore prêts reçoivent une séquence de contenus adaptée à leur besoin.
- Hygiène des données : un workflow normalise les valeurs (pays, format de téléphone), complète les champs manquants à partir de l'entreprise associée, signale les fiches incomplètes.
Les règles qui évitent l'usine à gaz :
- Un workflow, un objectif, avec un nom explicite.
- Des critères de sortie systématiques, pour ne pas relancer un client qui vient de signer.
- Des tests sur quelques fiches avant activation.
- Une revue trimestrielle : désactivez ce qui ne sert plus.
Étape 4 : placer l'IA là où elle apporte vraiment
Les workflows classiques suivent des règles fixes. Les agents raisonnent sur le contenu. Ils sont donc utiles pour les tâches qui demandent du jugement :
- Qualifier une demande entrante rédigée en texte libre : comprendre le besoin, le classer, proposer la bonne suite.
- Enrichir et corriger les données avec le Data agent, dans le cadre défini à l'étape 1.
- Préparer le travail commercial : résumer l'historique d'un compte avant un rendez-vous, proposer une première prise de contact.
Les garde-fous à poser dès le départ :
- Un contexte soigné. Les agents s'appuient sur ce que vous leur décrivez de votre entreprise, de vos offres, de votre ton. Un contexte vague donne des réponses vagues.
- Une validation humaine sur tout ce qui part vers un client, au moins au début.
- Un budget de crédits suivi chaque mois, agent par agent.
- Un périmètre d'écriture limité : un agent ne devrait modifier que les propriétés prévues pour lui.
Les erreurs les plus fréquentes
- Commencer par l'IA. C'est la plus coûteuse : des crédits dépensés sur des données qui ne tiennent pas.
- Un scoring construit sans les commerciaux, qu'ils ignorent au bout de deux semaines.
- Des dizaines de workflows sans documentation, que personne n'ose plus toucher.
- Aucun indicateur de résultat : temps de réponse aux leads, taux de conversion MQL vers SQL, délai de signature. Sans eux, impossible de savoir si l'automatisation a servi.
Par où commencer
- Auditer les propriétés et les doublons du CRM.
- Écrire la définition d'un lead qualifié avec l'équipe commerciale.
- Construire un premier score simple, le tester, l'activer.
- Mettre en place trois workflows : passage de seuil, cycle de vie, hygiène des données.
- Mesurer pendant un mois, puis seulement ajouter un premier agent sur un cas précis.
Vous voulez structurer votre HubSpot dans cet ordre ? Découvrez mon accompagnement en intégration HubSpot CRM ou parlons de votre projet.



