L’acquisition de Loops par Salesforce propulse Tableau au-delà du tableau de bord

Salesforce a signé un accord définitif en vue d’acquérir Loops, offrant à Tableau un nouveau moyen d’expliquer pourquoi les indicateurs métier évoluent. L’acquisition de Loops par Salesforce cible une faiblesse persistante de la business intelligence : les tableaux de bord montrent les évolutions, mais les équipes doivent encore en rechercher les causes.

Salesforce prévoit d’intégrer la technologie et les employés spécialisés de Loops à Tableau après la finalisation de la transaction. L’opération devrait être conclue début novembre de l’exercice fiscal 2027 de Salesforce, sous réserve des conditions habituelles. Les modalités financières n’ont pas été divulguées.

Le calendrier transforme cette acquisition relativement modeste en un signal concurrentiel plus important. Microsoft, Google et ThoughtSpot développent également des systèmes d’IA capables de répondre à des questions à partir de données métier gouvernées. Salesforce veut désormais que Tableau aille plus loin, en surveillant continuellement les indicateurs, en diagnostiquant les changements et en proposant des actions dans Slack ou par e-mail.

Cette promesse crée la tension centrale autour de l’opération. Les explications automatisées peuvent raccourcir une enquête, mais les affirmations causales exigent davantage de confiance que les graphiques ou les alertes. Salesforce devra démontrer que Loops peut distinguer les véritables facteurs métier des données incomplètes, des coïncidences et des résultats d’IA plausibles en apparence.

Ce que l’acquisition de Loops par Salesforce apporte réellement

Salesforce acquiert une couche d’investigation analytique, et non simplement une nouvelle interface de tableau de bord.

Selon l’accord d’acquisition, Loops surveille les performances métier et identifie les tendances ou anomalies. Ses modèles de machine learning recherchent ensuite les facteurs susceptibles d’expliquer ces variations.

La distinction est importante, car les tableaux de bord traditionnels sont généralement descriptifs. Un graphique peut révéler une baisse des conversions, un affaiblissement de la rétention ou un écart entre le chiffre d’affaires et les prévisions. Il accomplit rarement le travail d’enquête qui s’ensuit.

Un analyste doit normalement segmenter la population concernée, comparer les périodes, tester des explications possibles et écarter les problèmes de données. Ce processus peut nécessiter plusieurs requêtes et échanges avant qu’une équipe n’obtienne une réponse exploitable.

Loops cherche à automatiser une plus grande partie de cette séquence. Son agent Scout accepte les questions en langage naturel et fournit des explications sur les causes profondes, selon la page produit de Scout de l’entreprise. Il peut également transmettre ses conclusions via Slack, Microsoft Teams et e-mail.

Prenons le cas d’une entreprise de logiciels dont le taux de conversion des essais baisse après le lancement d’une version du produit. Un tableau de bord classique mettrait en évidence ce recul. Un analyste pourrait ensuite comparer les appareils, les canaux d’acquisition, les segments clients, les pays et les étapes d’onboarding.

Loops est conçu pour effectuer automatiquement une partie de cette exploration. Il pourrait identifier que la baisse se concentre chez les utilisateurs mobiles provenant d’une campagne donnée. L’équipe responsable pourrait alors examiner la campagne et le parcours d’onboarding au lieu de partir de l’ensemble du jeu de données.

Ce processus est souvent qualifié d’analytique causale. Dans ce contexte, l’analytique causale consiste à identifier des facteurs qui semblent influencer un résultat, plutôt qu’à simplement signaler des évolutions corrélées. Cette expression ne garantit pas que chaque explication proposée établisse une causalité scientifique.

Salesforce affirme que Loops peut surveiller en continu les indicateurs clés de performance et faire émerger des opportunités sans attendre qu’une personne ouvre une application d’analytique. Ce modèle de diffusion s’inscrit dans son effort plus large visant à intégrer l’IA aux logiciels où les employés travaillent déjà.

Tableau propose déjà l’analyse conversationnelle, la modélisation sémantique et des alertes proactives. Loops ajoute un système plus ciblé pour diagnostiquer les changements de performance et recommander où les utilisateurs devraient regarder ensuite.

L’opération inclut également des talents spécialisés. Salesforce n’a pas annoncé quels produits Loops resteront disponibles de manière indépendante, comment les clients existants migreront, ni quand les utilisateurs de Tableau recevront les fonctionnalités acquises.

Ces omissions sont importantes. Un accord signé indique une orientation stratégique, mais n’établit pas une feuille de route produit. Les clients doivent distinguer l’intention affichée par Salesforce des capacités qu’ils peuvent déployer aujourd’hui.

La date de clôture prévue constitue le premier jalon à court terme. Tant que la transaction n’est pas finalisée, les entreprises restent distinctes et le travail d’intégration ne peut être considéré comme achevé.

Pourquoi Salesforce veut maintenant intégrer les explications à Tableau

L’acquisition accélère la transformation de Tableau, d’un logiciel que les utilisateurs consultent vers un logiciel qui surveille l’activité à leur place.

Salesforce a présenté une plateforme d’analytique agentique élargie en mai 2026. L’entreprise a positionné Tableau autour d’un contexte métier gouverné, d’insights proactifs et d’actions pouvant circuler entre les applications de travail.

Tableau Agent prend déjà en charge les questions conversationnelles, la préparation des données et la modélisation sémantique. Sa capacité Inspector fournit des alertes proactives sur les indicateurs. Loops répond à la question suivante qu’une alerte suscite : qu’est-ce qui a provoqué le changement ?

Cette séquence forme une boucle analytique plus complète. Un système surveille un indicateur, détecte une anomalie, examine les causes probables, communique une explication et recommande une action. Un utilisateur décide ensuite si les éléments disponibles justifient une intervention.

Sans l’étape d’investigation, les alertes proactives peuvent générer davantage de travail. Les employés reçoivent une notification indiquant qu’un indicateur a changé, mais dépendent toujours d’un analyste pour en comprendre la raison. Trop d’alertes inexpliquées peuvent devenir une nouvelle boîte de réception encombrée.

Loops offre à Salesforce une voie technologique pour relier la détection au diagnostic. Si l’intégration fonctionne, Tableau pourra moins dépendre de la capacité des utilisateurs à savoir quel graphique, filtre ou requête ouvrir.

L’acquisition soutient également l’attention portée par Salesforce aux environnements de travail. Slack et l’e-mail sont importants parce que de nombreuses décisions opérationnelles se prennent en dehors des outils d’analytique formels. Transmettre une explication dans ces canaux réduit la distance entre l’insight et la réponse.

Une équipe marketing, par exemple, pourrait recevoir une alerte indiquant que l’activation a baissé dans une cohorte spécifique issue d’une campagne. Une équipe de réussite client pourrait constater qu’une utilisation en baisse d’une fonctionnalité est associée à un risque de résiliation plus élevé.

Ces messages ne sont utiles que si leurs destinataires en comprennent le fondement. Les équipes ont besoin de la définition de l’indicateur, de la période de comparaison, de la population concernée et des éléments étayant chaque facteur proposé. Un bref résumé par IA ne peut pas remplacer ces détails.

La couche sémantique de Tableau est au cœur de cette stratégie. Une couche sémantique définit les concepts métier, les relations et les calculs afin que différentes applications interprètent un indicateur de façon cohérente. Elle aide à empêcher qu’un système définisse le chiffre d’affaires différemment d’un autre.

Loops peut fournir une intelligence d’investigation, tandis que Tableau apporte des définitions gouvernées et des contrôles d’accès. Cette combinaison est plus défendable que de connecter directement un chatbot généraliste à des tables brutes de base de données.

Elle explique également pourquoi Salesforce acquiert une entreprise d’analytique spécialisée plutôt que de s’appuyer entièrement sur un grand modèle de langage. Les modèles de langage peuvent traduire les questions des utilisateurs et résumer les résultats. Ils ont encore besoin de méthodes structurées pour interroger les données, tester les explications et respecter les définitions métier.

Loops a été conçu pour ce problème plus circonscrit. L’entreprise a émergé avec un tour de table d’amorçage de 14 millions de dollars en 2022 et s’est d’abord concentrée sur les équipes de croissance pilotée par le produit. Son logiciel examinait des données provenant de plusieurs sources afin d’aider les entreprises à comprendre les changements de performance produit.

Cet historique donne à Salesforce un produit façonné autour de questions opérationnelles récurrentes. Il donne aussi à Tableau un système développé pour des équipes qui ne peuvent pas attendre que chaque question entre dans la file d’attente d’un analyste.

Toutefois, une acquisition ne vaut pas validation. Salesforce doit intégrer Loops au modèle de données, aux autorisations et aux environnements clients de Tableau sans affaiblir la clarté qui rendait le produit plus petit utile.

Tableau fait face à une course vers l’analytique agentique

La concurrence principale n’oppose plus Tableau aux tableaux de bord statiques ; elle oppose Tableau à d’autres plateformes d’analytique IA gouvernée.

Microsoft a intégré Copilot à Power BI et Fabric. L’expérience actuelle de Power BI Copilot peut résumer des rapports, répondre à des questions sur les données et aider à l’analyse ou à la création de modèles.

Microsoft bénéficie également de sa distribution via Microsoft 365, Teams, Fabric et Azure. Cette portée permet de faire apparaître des questions analytiques dans les applications que de nombreux employés d’entreprise utilisent déjà.

Google suit une voie similaire avec Gemini et Looker. Son expérience d’analytique conversationnelle permet aux utilisateurs d’interroger en langage naturel des données Looker gouvernées.

Google avertit explicitement que les résultats de Gemini à un stade précoce peuvent sembler plausibles tout en étant factuellement incorrects. L’entreprise conseille aux utilisateurs de valider les résultats avant de s’y fier. Cet avertissement résume le problème de confiance auquel fait face chaque fournisseur sur ce marché.

ThoughtSpot offre un autre point de comparaison direct. Ses agents Spotter couvrent l’analyse conversationnelle, la modélisation des données, la visualisation et le développement. L’entreprise met l’accent sur des modèles sémantiques gouvernés, des réponses traçables et un travail analytique allant au-delà des simples requêtes text-to-SQL.

Ces concurrents ne rivalisent pas uniquement sur l’intelligence des modèles. Ils se disputent le contexte, la gouvernance, les canaux de diffusion et le nombre d’étapes analytiques qu’un agent peut accomplir en toute sécurité.

Salesforce dispose d’un avantage distinct en matière de données clients et opérationnelles. De nombreuses organisations utilisent déjà ses systèmes pour gérer les ventes, le service, le marketing et les interactions clients. Tableau peut analyser ces données sans quitter l’environnement Salesforce élargi.

Slack fournit un autre canal de diffusion. Un agent qui détecte un problème de rétention peut en informer l’équipe responsable, conserver la conversation et potentiellement relier la conclusion à un workflow existant.

Cependant, Microsoft dispose de sa propre distribution au travail via Teams et Microsoft 365. Google peut connecter Looker à ses produits de données cloud et à Workspace. ThoughtSpot promeut des intégrations sur plusieurs plateformes cloud et modèles de langage.

Cela signifie que l’acquisition de Loops par Salesforce ne crée pas une catégorie sans concurrence. Elle comble une lacune spécifique en matière de capacités tandis que les concurrents développent des fonctionnalités adjacentes.

La question concurrentielle la plus précise concerne le diagnostic proactif. L’analytique conversationnelle attend que quelqu’un pose une question. L’analytique continue surveille des indicateurs sélectionnés et soulève une question avant qu’un utilisateur ne remarque le changement.

Si Loops aide Tableau à accomplir cette seconde tâche de manière fiable, Salesforce obtient une distinction utile. Son agent ne répondrait pas seulement à « Pourquoi la conversion a-t-elle baissé ? » Il détecterait la baisse, l’examinerait et transmettrait l’explication.

Pourtant, les systèmes proactifs supportent une charge plus lourde. Une réponse incorrecte à une question volontaire fait perdre du temps. Une alerte incorrecte peut détourner une équipe, modifier des dépenses ou déclencher une réponse opérationnelle inutile.

C’est pourquoi la course concurrentielle ne sera pas remportée par l’interface la plus fluide. Les acheteurs examineront la précision des réponses, les pistes de preuves, les taux de fausses alertes, la gestion des autorisations et la compatibilité avec les modèles de données existants.

Ils examineront également le contrôle des analystes. Un agent d’analyse devrait réduire les investigations répétitives sans masquer la manière dont il a sélectionné les dimensions, les groupes de comparaison ou les tests statistiques.

Les produits les plus solides faciliteront l’escalade. Un utilisateur métier devrait recevoir une explication concise, tandis qu’un analyste pourra examiner la requête, les hypothèses, les tables sources et les hypothèses concurrentes.

Salesforce peut s’appuyer sur l’environnement analytique établi de Tableau pour fournir ce niveau de profondeur. L’intégration de Loops devient stratégiquement importante lorsqu’elle préserve les détails de l’investigation au lieu de tout réduire à un paragraphe affirmatif.

La partie difficile consiste à faire confiance au « pourquoi »

Détecter une métrique inhabituelle est plus simple que de démontrer pourquoi elle a changé, et l’acquisition ne comble pas cet écart.

Les jeux de données métier sont observationnels. Ils consignent ce qui s’est produit, mais ne capturent souvent pas tous les facteurs ayant influencé le résultat. Les activités marketing, les changements de produit, la saisonnalité, les pannes et la composition de la clientèle peuvent évoluer simultanément.

Supposons qu’un système d’IA constate que les clients utilisant une nouvelle fonctionnalité présentent une meilleure rétention. Cette fonctionnalité peut améliorer la rétention. Elle peut aussi attirer des utilisateurs expérimentés qui avaient déjà davantage de chances de rester.

Cette distinction relève d’un facteur de confusion, qui survient lorsqu’une autre variable influence à la fois la cause proposée et le résultat observé. Aucun résumé soigné ne peut éliminer les facteurs de confusion sans données et conception analytique adaptées.

Les expériences fournissent des preuves plus solides, car elles attribuent différents traitements et comparent les résultats. Même dans ce cas, les équipes doivent vérifier la qualité de l’échantillon, l’exposition, la durée et l’incertitude statistique.

Loops a mis en avant des explications causales quantifiées et affirmé que son approche évite les hallucinations. Il s’agit d’affirmations de l’entreprise, et non de garanties indépendantes couvrant chaque jeu de données client et chaque scénario.

Le terme hallucination ne couvre également qu’une partie du problème. Un système peut effectuer des calculs valides tout en aboutissant à une conclusion trompeuse parce que la métrique, le segment ou la période sous-jacente a été mal choisi.

La qualité des données pose un autre défi. Des événements dupliqués, des enregistrements manquants, des horodatages incohérents et des définitions changeantes peuvent produire des anomalies apparentes. Un agent peut analyser correctement des données d’entrée défectueuses.

La gouvernance sémantique aide en standardisant les définitions. Elle ne peut pas reconstituer des événements qui n’ont jamais été enregistrés ni corriger une implémentation de suivi qu’elle ne reconnaît pas comme défaillante.

Les autorisations ajoutent une complexité supplémentaire. Un responsable peut être autorisé à consulter une métrique de synthèse, mais pas les dossiers individuels des clients. L’agent doit préserver ces limites tout en enquêtant sur les facteurs sous-jacents.

Les organisations auront également besoin de contrôles concernant les actions recommandées. Expliquer qu’un segment a sous-performé est différent de modifier automatiquement une campagne, une remise ou un processus client.

Un modèle de déploiement utile maintient les humains responsables des décisions importantes. L’agent peut prioriser les hypothèses et présenter les éléments de preuve à l’appui. Un employé peut ensuite examiner le raisonnement et autoriser toute réponse.

Cette approche ne rend pas la technologie triviale. Elle modifie l’endroit où les personnes consacrent leur temps. Les analystes peuvent se concentrer sur des questions ambiguës ou à fort impact plutôt que de répéter un travail de segmentation courant.

Les utilisateurs métier ont aussi besoin d’un langage calibré. « Ce facteur explique le changement » implique davantage de certitude que « ce facteur est associé à la plus grande différence observée ». La formulation du produit devrait refléter la force réelle des preuves.

Salesforce n’a pas encore précisé comment Tableau exposera la méthodologie de Loops, les mesures de confiance, les explications alternatives ou les avertissements sur la qualité des données. Ces choix de produit détermineront si les clients peuvent auditer les conclusions du système.

L’intégration pourrait introduire un autre risque. Loops a été conçu comme un produit ciblé, tandis que Tableau sert des entreprises complexes dotées de nombreuses sources de données et règles de gouvernance. Des fonctionnalités qui fonctionnent dans un environnement contrôlé peuvent se comporter différemment à l’échelle de l’entreprise.

Salesforce doit aussi décider dans quelle mesure Loops deviendra natif dans Tableau Next. Une capacité profondément intégrée peut exploiter une sémantique et des autorisations partagées. Une fonctionnalité faiblement connectée peut créer une couche de configuration supplémentaire pour les administrateurs.

Les clients existants de Loops font face à une incertitude distincte. L’annonce d’aucune des deux entreprises ne précise la continuité du produit, les conditions de migration ou les échéances de support. Les clients devraient attendre des indications directes plutôt que de supposer que Scout restera inchangé.

Le prix de la transaction reste non divulgué. Cela empêche les observateurs externes d’utiliser la valeur de l’achat comme preuve des revenus, de l’adoption ou de la maturité technique de Loops.

L’interprétation la plus crédible est donc limitée. Salesforce a identifié l’analyse causale et proactive comme stratégiquement importante. L’entreprise a acquis une équipe et un produit axés sur ce problème. La capacité Tableau qui en résultera doit encore être validée dans le monde réel.

Ce que l’accord change pour les équipes d’analytique

Le changement immédiat est stratégique, tandis que l’impact pratique dépend de la manière dont Salesforce conditionne, gouverne et expose la technologie acquise.

Les responsables des données ne devraient pas repenser leur stack analytique en raison d’une acquisition annoncée. Il n’existe aucune date d’intégration publique, aucune liste de fonctionnalités, aucun plan de migration ni aucun engagement de disponibilité.

Ils peuvent toutefois utiliser l’accord pour mettre à jour leurs critères d’évaluation. Les achats d’outils d’analytique IA doivent désormais couvrir davantage que les réponses aux questions en langage naturel.

Les équipes devraient se demander si un système peut surveiller les métriques en continu, détecter les changements significatifs, expliquer son investigation et orienter les résultats vers la bonne personne. Elles devraient également se demander comment les utilisateurs peuvent contester la réponse.

Un test pratique commence par un incident historique connu. L’organisation peut fournir des données issues d’une baisse passée des conversions, d’un changement de rétention ou d’une perturbation opérationnelle. L’agent devrait détecter l’événement et retrouver les principaux facteurs vérifiés.

Les évaluateurs devraient ensuite introduire des conditions imparfaites. Il peut s’agir de données manquantes, d’une définition de métrique modifiée, d’un schéma saisonnier ou de deux variables corrélées. Le test révèle si le système exprime de l’incertitude ou sélectionne simplement une explication.

Les faux positifs comptent autant que les résultats concluants. Un agent qui détecte chaque fluctuation mineure épuisera les utilisateurs. Les équipes ont besoin de contrôles relatifs à la sensibilité, à l’importance, à la cadence et à la responsabilité.

Le canal de diffusion mérite également un examen attentif. Les alertes Slack peuvent accélérer la réponse, mais elles peuvent exposer des détails sensibles ou créer des historiques de décision fragmentés. Les administrateurs ont besoin de règles claires concernant l’accès et la conservation.

Les équipes d’analytique devraient conserver une piste d’audit allant de l’alerte à l’action. Cet enregistrement devrait inclure la version de la métrique, les données sources, l’explication générée, le réviseur et l’intervention qui en résulte.

De tels enregistrements soutiennent la responsabilité. Ils constituent également un matériau permettant d’améliorer le système après une recommandation erronée.

Le rôle des analystes changera si l’investigation proactive devient fiable. Les demandes courantes, telles que « ventilez cette baisse par région », peuvent évoluer vers le libre-service. Les analystes pourront consacrer davantage de temps à la conception des métriques, à la validation des méthodes et à l’étude de comportements complexes.

Ce changement n’élimine pas l’expertise analytique. Il accroît l’importance des personnes capables de distinguer une association intéressante d’une conclusion défendable.

Les équipes métier auront besoin d’une formation similaire. Les utilisateurs devraient comprendre que l’explication d’un agent constitue une hypothèse classée par ordre de priorité, à moins que des preuves plus solides n’établissent une causalité.

Les entreprises qui construisent des systèmes de connaissances internes font face à un problème connexe. Les résultats de l’IA s’améliorent lorsque les définitions, les décisions et le contexte à l’appui restent accessibles. Une base de connaissances IA maintenue peut aider les équipes à préserver ce contexte aux côtés des métriques structurées.

L’acquisition de Loops par Salesforce met également sous pression les fournisseurs indépendants d’outils d’analytique. Une startup spécialisée peut proposer des investigations sophistiquées, mais les grandes plateformes contrôlent la distribution, la gouvernance et les workflows adjacents.

Certains acheteurs préféreront une plateforme unifiée parce que l’intégration est plus simple. D’autres préféreront des outils indépendants qui fonctionnent avec différents entrepôts de données, systèmes CRM et produits de collaboration.

Salesforce doit donc démontrer que l’intégration apporte davantage que de la commodité. Tableau doit combiner l’analyse de Loops avec une sémantique cohérente, des preuves transparentes et des actions qui restent au sein de workflows gouvernés.

S’il y parvient, le tableau de bord deviendra une surface parmi d’autres. Les utilisateurs pourraient consulter un graphique lorsqu’ils ont besoin d’explorer, recevoir une alerte lorsqu’une métrique évolue et poser des questions de suivi depuis une application de travail.

En cas d’échec, Loops risque de devenir une autre fonctionnalité IA de marque ajoutée à un portefeuille analytique complexe. La différence apparaîtra dans l’adoption et l’usage répété, et non dans le langage des annonces.

Trois signaux qui montreront si le pari fonctionne

L’acquisition prendra de l’importance lorsque Salesforce transformera son orientation annoncée en un produit auditable que les clients utilisent de manière répétée.

Le premier signal sera la clôture de la transaction, suivie d’une feuille de route d’intégration précise. Salesforce prévoit de finaliser l’accord début novembre, sous réserve des conditions habituelles.

Après la clôture, les clients devraient rechercher des fonctionnalités Tableau identifiées, les phases de disponibilité, les sources de données prises en charge et des indications de migration pour les utilisateurs de Loops. Une promesse vague d’améliorer l’analytique agentique laisserait les principales questions sur le produit sans réponse.

Une feuille de route détaillée renforcerait l’idée que Salesforce a acquis une capacité prête à être intégrée. Un long silence ou un packaging peu clair affaiblirait cette interprétation.

Le deuxième signal concerne la manière dont Tableau présente les explications causales. Une fonctionnalité de production devrait exposer les segments à l’appui, les périodes, les définitions de métriques et les informations de confiance.

Elle devrait également permettre aux analystes d’inspecter l’investigation et de rejeter un facteur proposé. Les explications alternatives devraient rester visibles lorsque les preuves ne soutiennent pas une conclusion définitive unique.

La documentation produit sera particulièrement révélatrice. Salesforce devrait expliquer quand le système signale une association, quand il utilise des preuves expérimentales et comment il gère les données manquantes ou instables.

Des limites clairement formulées renforceraient la confiance plutôt que de l’affaiblir. De larges déclarations sur des réponses exactes sans détail méthodologique susciteraient des inquiétudes.

Le troisième signal est l’adoption durable par les clients plutôt que la qualité des démonstrations. Salesforce devrait à terme fournir des preuves que les équipes agissent plus vite ou réduisent les analyses répétitives sans augmenter les erreurs coûteuses.

Les mesures utiles incluent les taux d’acceptation des insights, le temps d’investigation, la fréquence des fausses alertes, l’usage répété et la part des recommandations examinées avant action. Les études de cas clients devraient expliquer la méthode d’évaluation à l’origine de toute amélioration revendiquée.

Les réactions de la concurrence ajouteront du contexte. Microsoft, Google et ThoughtSpot prennent déjà en charge l’analytique conversationnelle ou agentique. Ils peuvent répondre à Salesforce en développant la surveillance proactive, l’analyse diagnostique ou la diffusion dans l’environnement de travail.

L’acquisition de Loops par Salesforce est donc un marqueur d’orientation, et non une victoire achevée. Elle montre que Salesforce estime que le prochain affrontement de l’analytique dépassera la création de tableaux de bord et les interfaces de chat.

L’affrontement le plus difficile concerne l’action justifiée. Un système d’IA peut-il reconnaître un changement important, l’expliquer à l’aide de preuves et gagner suffisamment de confiance pour qu’une équipe réagisse ?

Pour les clients de Tableau, la meilleure prochaine étape consiste à identifier une investigation récurrente dont la réponse est connue et à documenter la manière dont les analystes la résolvent aujourd’hui. Lorsque Salesforce publiera l’intégration de Loops, testez d’abord ce workflow. L’agent expose-t-il son raisonnement, respecte-t-il les définitions existantes et fait-il gagner un temps d’examen significatif ? Ces résultats compteront davantage que toute annonce d’acquisition.