Contexte et émergence du GTM engineer
Il y a deux ans, la plupart des entreprises ne disposaient pas de poste dédié au GTM engineer. Aujourd’hui, le terme apparaît dans environ 100 offres d’emploi chaque mois, selon le guide interne de Clay. Cette évolution suit la généralisation de l’intelligence artificielle dans les fonctions go‑to‑market, qui permet de remplacer des processus manuels par des flux automatisés. Kareem Amin, co‑fondateur et CEO de Clay, a introduit le titre en 2023 pour désigner les praticiens qui construisent des systèmes de revenu automatisés plutôt que d’exécuter chaque tâche à la main.
Architecture et automatisation AI de Clay
Clay a débuté en 2017 avec une feuille de calcul capable de connecter des données et d’automatiser des tâches sans code. Le produit s’est ensuite orienté vers le stack GTM en intégrant Claygent, un agent alimenté par OpenAI. Claygent réalise la recherche de prospects, l’enrichissement de données et la rédaction d’e‑mails de prospection, le tout via des workflows déclenchés automatiquement. Cette architecture repose sur trois couches : une couche d’accès aux sources de données (CRM, bases externes), une couche d’orchestration d’agents AI et une couche d’exécution d’actions (envoi d’e‑mail, mise à jour de champs). En centralisant ces fonctions, les équipes de vente et de marketing peuvent réduire le nombre d’outils distincts et de points de friction.
Impact sur la croissance et limites
Le modèle AI‑native a accompagné une croissance rapide de Clay : le revenu récurrent annuel est passé à 100 millions de dollars en un an, soit un triplement, et la valorisation a atteint 7,1 milliards de dollars après une levée de 115 millions de dollars en série D. En parallèle, l’entreprise a créé un fonds de 1 million de dollars destiné à former des GTM engineers. Ces chiffres montrent que l’automatisation peut générer des marges de revenu importantes sans augmenter proportionnellement les effectifs. Cependant, la dépendance à l’AI implique des risques : la qualité des données d’entrée conditionne la pertinence des recommandations, et les modèles OpenAI restent sensibles aux biais et aux changements de politique d’accès. De plus, la mise en place de workflows automatisés nécessite une gouvernance stricte pour éviter les erreurs de diffusion à grande échelle.
Perspectives pour les entreprises
Les dirigeants doivent choisir entre recruter davantage de personnel pour exécuter les processus existants ou investir dans des systèmes automatisés que les GTM engineers conçoivent. La décision dépend du volume de leads, de la complexité des parcours clients et du budget dédié à l’infrastructure AI. En adoptant le modèle présenté par Clay, les entreprises peuvent réduire le temps moyen de qualification des leads de plusieurs heures à quelques minutes, tout en conservant la capacité d’ajuster les critères de ciblage via des paramètres configurables plutôt que du code.
