Depuis l'accélération des annonces autour d'Agentforce et d'Einstein, une question revient dans les comités de direction des ETI : faut-il obligatoirement souscrire à Data Cloud pour faire de l'IA sur Salesforce ? La réponse est nuancée. Certaines fonctionnalités d'IA fonctionnent sans Data Cloud, d'autres en dépendent fortement. Cet article distingue les cas d'usage, clarifie le vocabulaire et aide à cadrer la décision avant d'engager un budget.
Comprendre ce qu'est Data Cloud (et ce qu'il n'est pas)
Data Cloud est la plateforme de données de Salesforce. Son rôle est d'ingérer, unifier et harmoniser des données provenant de plusieurs sources (CRM, e-commerce, ERP, outils marketing, flux externes) pour construire une vue unifiée du client. Il ne s'agit pas d'un module d'IA en soi, mais d'une couche de données qui alimente d'autres fonctionnalités, dont certaines briques d'intelligence artificielle.
Il faut donc éviter une confusion fréquente : Data Cloud n'est pas synonyme d'IA. C'est un système de données. L'IA de Salesforce s'appuie parfois sur ces données, mais elle peut aussi fonctionner directement sur les données déjà présentes dans un objet standard du CRM.
Quelles briques d'IA fonctionnent sans Data Cloud ?
Une partie non négligeable des capacités d'IA de Salesforce ne requiert pas Data Cloud. C'est notamment le cas de fonctionnalités qui s'appuient directement sur les objets standards du CRM (opportunités, comptes, cas, e-mails).
- La génération de contenu (rédaction d'e-mails, résumés de fiches) peut s'appuyer sur les données présentes dans l'objet concerné.
- Les recommandations et scores prédictifs historiques d'Einstein exploitent souvent les champs déjà renseignés dans Sales Cloud ou Service Cloud.
- Certaines automatisations conversationnelles fonctionnent sur un périmètre de données limité et déjà structuré.
Autrement dit, une ETI qui souhaite tester un premier cas d'usage IA cadré — par exemple un résumé automatique de tickets de support ou une aide à la rédaction commerciale — peut souvent démarrer sans Data Cloud, à condition de vérifier l'édition et les licences requises.
Quand Data Cloud devient réellement nécessaire
Data Cloud prend tout son sens dès que l'IA doit raisonner sur des données dispersées, volumineuses ou hors du CRM. Trois situations typiques le rendent difficile à contourner :
1. L'IA doit croiser plusieurs sources
Si un agent conversationnel doit répondre en tenant compte de l'historique de commandes issu de l'ERP, du comportement web et des interactions marketing, il faut une couche capable d'unifier ces données. C'est précisément le rôle de Data Cloud.
2. Les cas d'usage "grounding" avancés
Pour ancrer les réponses de l'IA générative dans des données propres à l'entreprise (le "grounding"), Data Cloud est souvent le mécanisme recommandé par Salesforce afin de rendre les données accessibles au moteur d'IA de manière gouvernée.
3. Les volumes et la fraîcheur des données
Lorsque les cas d'usage impliquent de grands volumes ou une actualisation quasi temps réel, les objets standards du CRM montrent leurs limites. Data Cloud est conçu pour ces échelles.
La vraie question n'est pas technique, elle est data
Avant de trancher sur Data Cloud, une ETI gagne à se poser des questions plus fondamentales sur la qualité et la structuration de ses données. Une IA performante repose d'abord sur des données fiables. Or, beaucoup d'organisations sous-estiment l'état réel de leur CRM : doublons, champs vides, historiques incohérents.
Investir dans Data Cloud sans avoir traité ces sujets revient à unifier des données de mauvaise qualité, ce qui n'améliorera pas les résultats de l'IA. Le préalable est donc un diagnostic honnête de son patrimoine de données.
Attention au raccourci commercial "pas de Data Cloud, pas d'IA". C'est faux pour de nombreux cas d'usage simples. Faites qualifier votre besoin réel avant de souscrire une brique de données coûteuse : le périmètre des licences et des éditions Salesforce évolue régulièrement et doit être vérifié à la source.
Le facteur coût : ne pas confondre licence et projet
Data Cloud est facturé selon des modèles liés à la consommation (volumes de données ingérées, traitées, etc.). Pour une ETI, le coût de la licence n'est qu'une partie de l'équation. Il faut également intégrer :
- le travail de préparation et de nettoyage des données ;
- la configuration des connecteurs vers l'ERP ou les outils tiers ;
- la gouvernance et la conformité (RGPD, minimisation des données) ;
- l'accompagnement au changement pour les équipes qui utiliseront l'IA.
Un cas d'usage IA sans Data Cloud peut donc être bien plus économique à court terme, tandis qu'une trajectoire ambitieuse multi-sources justifiera l'investissement dans la couche de données. La décision doit s'appuyer sur une comparaison des scénarios, pas sur une conviction technologique.
Une méthode simple pour décider
Pour une ETI, une séquence de décision claire évite les erreurs coûteuses :
- Étape 1 : définir précisément le cas d'usage IA prioritaire et sa valeur métier.
- Étape 2 : lister les données réellement nécessaires à ce cas d'usage et leur localisation.
- Étape 3 : vérifier si ces données sont déjà dans le CRM ou dispersées ailleurs.
- Étape 4 : évaluer si les fonctionnalités visées exigent techniquement Data Cloud selon l'édition souscrite.
- Étape 5 : chiffrer deux scénarios (avec et sans Data Cloud) et comparer coût, délai et risque.
Cette approche déplace la discussion d'un débat de produit vers un arbitrage métier, plus adapté à une gouvernance d'ETI.
En résumé
Data Cloud n'est pas systématiquement obligatoire pour faire de l'IA sur Salesforce. Pour des cas d'usage cadrés reposant sur des données déjà présentes dans le CRM, il est souvent possible de démarrer sans lui. En revanche, dès que l'IA doit raisonner sur des données multi-sources, volumineuses ou temps réel, Data Cloud devient une brique difficile à éviter. La bonne décision dépend du cas d'usage, de la qualité des données et d'une comparaison chiffrée de scénarios — et non d'une réponse universelle.