MQL vs SQL : définitions, règles de passage de relais et les chiffres qui montrent où se perdent les leads

Seuls 13 % des marketing qualified leads du B2B SaaS deviennent des sales qualified leads, selon le tableau de First Page Sage portant sur 30 secteurs, et le meilleur secteur de ce tableau atteint 26 %. Les autres sont rejetés, ignorés ou laissés à refroidir entre deux équipes qui définissent souvent MQL et SQL différemment. Ce guide MQL vs SQL couvre les définitions, les règles de passage de relais qui gardent les leads en vie, la formule et les benchmarks du taux de conversion, ainsi qu'une cohorte réelle : 400 MQL de Spona créés sur deux mois. Une précision avant les chiffres : SQL désigne ici le sales qualified lead, pas le langage de base de données.

Get thousands of leads in 4 minutes.

Stop stitching tools together.
Start with verified sales data, delivered in minutes.

SCALE SALES NOW

No contracts · No setup · No onboarding

Où se perdent les leads entre MQL et SQL : le funnel en chiffres

Un funnel B2B compte cinq étapes : lead, marketing qualified lead (MQL), sales accepted lead (SAL), sales qualified lead (SQL) et opportunité. La plupart des chiffres publiés mesurent l'étape MQL vers SQL, et l'écart est large. Dans le tableau de First Page Sage, les services juridiques et l'immobilier se situent à 10 %, le B2B SaaS à 13 %, la cybersécurité à 15 %, et l'assurance des entreprises et le génie climatique (HVAC) à 26 %. La page ne donne pas de moyenne globale ; la moyenne non pondérée de ses 30 lignes est de 16,1 % (notre calcul).

L'ancienne analyse d'Implisit, qui portait sur les pipelines de centaines d'entreprises et a été résumée par Geckoboard, a montré que 13 % des leads devenaient des opportunités et que le parcours prenait 84 jours en moyenne. La source comptait plus que tout : les leads issus du site web convertissaient à 31,3 % et les recommandations à 24,7 %, tandis que les listes de leads achetées plafonnaient à 2,5 % et les campagnes d'e-mailing à 0,9 %.

Deux autres chiffres expliquent pourquoi cette étape échoue. L'étude State of Business Buying, 2024 de Forrester, menée auprès de plus de 16 000 acheteurs B2B, a montré que 91 % des achats se bloquent à un moment ou à un autre. Dans une enquête de la Gartner Peer Community menée auprès de 200 professionnels de la vente et du marketing, 27 % des marketeurs citaient « des définitions internes non alignées » comme premier défi d'alignement, et seuls 3 % de l'ensemble des répondants déclaraient que leurs équipes avaient construit des indicateurs communs.

Chaque ligne a un responsable et un critère de sortie. Là où une entreprise ne parvient pas à remplir ces deux cases, ses leads se perdent.

Qu'est-ce qu'un MQL et qu'est-ce qu'un SQL ?

Les termes viennent du SiriusDecisions Demand Waterfall, un modèle de funnel publié dès 2005, révisé en 2012 et remplacé en 2017 par le Demand Unit Waterfall. Ce que MQL et SQL signifient en pratique dépend de qui rédige la définition ; le sens de MQL présenté ci-dessous vient d'abord des éditeurs, puis des données internes de Spona.

Qu'est-ce qu'un MQL en marketing ? Signification et définition

La documentation de HubSpot sur le cycle de vie définit un marketing qualified lead comme « un contact ou une entreprise que votre équipe marketing a qualifié comme prêt pour l'équipe commerciale ». La version d'Adobe est plus large : une personne qui a manifesté de l'intérêt pour vos produits ou solutions. Les deux vous laissent le soin de fixer le critère, et c'est là que commence le problème de définition : le téléchargement d'un ebook et une demande de tarifs relèvent tous deux de l'« intérêt ».

La définition de Spona est volontairement plus étroite. Chez Spona, un MQL est une entreprise qui correspond à l'ICP, avec un interlocuteur pertinent identifié et une demande explicite d'échantillon, de tarifs ou de démo, hors doublons et inscriptions invalides. On obtient ainsi moins de MQL et un taux de conversion plus élevé, un compromis sur lequel revient la section consacrée aux benchmarks. Pour les étapes et les frameworks de qualification au sens large, voir ce qu'est la qualification des leads.

Qu'est-ce qu'un sales qualified lead (SQL) ?

HubSpot définit un SQL comme « un contact ou une entreprise que votre équipe commerciale a qualifié comme client potentiel », le détail étant consigné dans la propriété Lead Status (statut du lead). Le hub canadien de Salesforce énumère quatre conditions : un business case, un contact capable de faciliter la décision, un besoin direct ou latent et un calendrier. Cognism ajoute une règle de traitement accéléré : un lead qui demande un contact, une proposition ou des tarifs devient immédiatement un SQL et est confié à un closer expérimenté, « idéalement en quelques minutes, pas en quelques heures ».

Définition du SQL chez Spona : l'équipe commerciale confirme un cas d'usage concret, une adéquation suffisante des données, un parcours d'achat plausible et une étape d'évaluation ou d'achat convenue. C'est la dernière condition qui compte le plus. Sans prochaine étape convenue, une bonne conversation reste un MQL.

MQL vs SQL dans HubSpot : les phases du cycle de vie

Dans HubSpot, Marketing Qualified Lead et Sales Qualified Lead sont des valeurs de la propriété Lifecycle Stage (phase du cycle de vie), Opportunity désigne un contact ou une entreprise associé à une transaction, et l'automatisation par défaut ne fait progresser la phase que vers l'avant. Un MQL rejeté doit donc être réinitialisé manuellement ou par un workflow, sinon il reste un MQL dans tous les rapports. Dans Salesforce, les équipes suivent généralement l'étape dans le champ Lead Status, et la conversion d'un lead crée un compte et un contact, plus une opportunité par défaut.

MQL vs SQL : la différence en un tableau

La différence clé entre MQL et SQL tient à qui décide, et sur quelle base. Un MQL est une prédiction qu'un système établit à partir de l'adéquation et du comportement. Un SQL est un jugement qu'une personne porte après avoir parlé à l'acheteur et entendu une prochaine étape. Un score peut transmettre un lead ; seule une conversation peut le qualifier.

Passage de relais entre MQL et SQL : les règles qui gardent les leads en vie

C'est au passage de relais que le problème de définition des 27 % se transforme en pipeline perdu. Cinq règles, chacune sourcée, évitent l'essentiel des dégâts.

1. Écrivez les deux définitions et faites-les signer par les deux équipes. La définition du MQL précise les critères d'adéquation et le comportement ou la demande qui le déclenche ; celle du SQL précise ce que le commercial doit confirmer. Revoyez-les lors de la réunion d'alignement décrite dans la checklist de qualification des leads, et modifiez-les quand les données le justifient : selon la règle empirique de HubSpot, un taux inférieur à 10 % signifie que les critères MQL sont trop larges.

L'étape du sales accepted lead (SAL) entre MQL et SQL

2. Ajoutez une étape d'acceptation ou de rejet, et rendez le motif de rejet obligatoire. Un sales accepted lead est un MQL qu'un commercial a examiné et accepté de traiter. Cette étape coûte un clic et produit le jeu de données le plus utile que le marketing puisse obtenir : la raison pour laquelle les ventes ont dit non. 4Thought Marketing recommande un champ de motif structuré avec des valeurs comme mauvaise adéquation, mauvais timing, déjà client et concurrent, et ne compte un lead comme SQL qu'une fois que les ventes ont effectué « une action délibérée dans votre CRM ». Les petites équipes fusionnent souvent MQL et SAL en une seule étape ; conservez le champ de motif même dans ce cas.

3. Fixez un délai de réponse, et faites-le court. Le point de départ courant de 4Thought est de 24 heures pour les signaux à forte intention et de 48 à 72 heures pour les plus tièdes. Les études plaident pour aller plus vite. La Lead Response Management Study (le professeur Oldroyd du MIT, avec des données d'InsideSales.com : trois ans, six entreprises, plus de 15 000 leads et 100 000 tentatives d'appel) a constaté que les chances de qualifier un prospect étaient divisées par 21 lorsque le délai de réponse passait de 5 à 30 minutes, et par quatre entre 5 et 10 minutes. Un SLA de 24 heures est le niveau de service minimal pour toute l'équipe, pas un objectif pour une demande de tarifs.

4. Recyclez les MQL rejetés avec leur motif. « Mauvais timing » repart en nurturing avec une date, « mauvaise adéquation » resserre la règle MQL, « déjà client » corrige le CRM. Les seuils de score et la dégradation du score dans le temps relèvent de l'article sur les bonnes pratiques de lead scoring ; la seule règle de passage de relais est que rien ne quitte la file SAL sans motif.

5. Réunissez les deux équipes sur un même tableau de bord. Seuls 3 % des répondants de la Gartner Peer Community déclaraient que leurs équipes avaient des indicateurs communs. Les trois indicateurs de passage de relais d'Understory Agency constituent un minimum réaliste : le respect du SLA de premier contact, la part des MQL traités jusqu'à une issue, et le taux de conversion par événement déclencheur du MQL.

Taux de conversion MQL vers SQL : formule et benchmarks

La formule est simple : taux de conversion MQL vers SQL = SQL ÷ MQL × 100. Le piège, c'est la fenêtre de temps. Le guide KPI de Geckoboard prévient que ne compter que les MQL devenus SQL dans le même mois sous-estime le taux lorsque le cycle de vente est plus long. Mesurez plutôt une cohorte : prenez les MQL créés sur une période et comptez combien sont devenus des SQL dans une fenêtre fixe, 30 jours pour la plupart des équipes, davantage pour la vente aux grands comptes. L'exemple chiffré de HubSpot : 26 SQL sur 200 MQL, soit 13 %.

Deux autres chiffres publiés encadrent ce tableau. HubSpot situe la fourchette tous secteurs confondus entre 10 % et 20 % et juge 13 % sain. Salesforce, citant des recherches de Gartner, indique que 21 % des MQL deviennent des SQL ; la page Gartner d'origine n'a pas pu être ouverte, ce chiffre est donc à considérer comme de seconde main. Prudence avec le reste des résultats de recherche : une page d'agence classée parmi les dix premiers donne 13 %, 13 à 15 %, 10 à 20 % et 20 à 30 % pour le même indicateur, sans source pour aucun de ces chiffres. Un benchmark sans taille d'échantillon, sans période et sans définition est une opinion. La section suivante précise les trois.

Le taux de conversion MQL vers SQL chez Spona : 400 MQL, 120 SQL, 30 % en 30 jours

Spona a enregistré chaque MQL créé sur une période de deux mois et a prolongé le suivi d'un mois, si bien que chaque fiche dispose d'un suivi complet de 30 jours. La cohorte compte 400 MQL. Les ventes en ont accepté 120 comme SQL dans les 30 jours, soit un taux de conversion MQL vers SQL de 30 %. Spona a vérifié la conversion et l'échantillon dans ses propres données.

Les définitions sont les deux citées dans la section consacrée aux définitions, appliquées avant tout comptage : les doublons et les inscriptions invalides ne sont jamais entrés dans les 400, et aucun lead n'a été compté comme SQL sans étape d'évaluation ou d'achat convenue.

Si 30 % dépasse les 13 % du B2B SaaS, c'est surtout une question de définition. First Page Sage compte tout contact ayant une intention d'achat et les moyens d'acheter, sans préciser comment l'intention est mesurée ; la définition du MQL de Spona exige une demande explicite, qui fait le tri qu'une étape SAL ferait autrement. La fenêtre de 30 jours joue en sens inverse : un MQL accepté après le 30e jour compte comme un échec.

Ce que ce chiffre ne prouve pas : il s'agit d'une seule entreprise, d'une seule cohorte de deux mois et d'un seul produit au prix d'entrée bas, avec un échantillon gratuit. Ce n'est pas un benchmark de marché, ce n'est pas une moyenne des clients de Spona, et la prochaine cohorte pourra être différente. Ce qu'il montre, c'est la méthode : une définition explicite, une période explicite, une fenêtre explicite et un décompte que le lecteur peut vérifier (MQL Spona créés sur deux mois, chacun suivi pendant un mois complet).

Comment transformer un MQL en SQL

Trois leviers font monter le taux sans assouplir les définitions.

Répondez en quelques minutes aux demandes explicites. Le constat du facteur 21 cité plus haut porte sur les cinq à trente premières minutes. Envoyez directement les demandes de tarifs, de démo et d'échantillon à un commercial, avec une tâche dans le CRM, et réservez le SLA de 24 heures aux MQL fondés uniquement sur des contenus. L'exemple client de HubSpot attribue 25 points au téléchargement d'une grille tarifaire et 1 à 2 points à l'ouverture d'une newsletter, pour un seuil de 75 points : une demande explicite devrait, à elle seule, faire parcourir à un lead l'essentiel du chemin.

Confirmez trois points lors du premier échange. Les commerciaux de Spona travaillent avec dix questions de qualification ; pour un petit achat, ils en privilégient trois : le besoin (quels contacts manquants, quels problèmes d'adéquation ou quelles fiches obsolètes font perdre du temps à l'équipe), le timing (quelle campagne ou quel lancement sur un marché fixe l'échéance) et les critères de décision (ce qu'un échantillon de 100 comptes doit prouver pour justifier l'achat). Le budget et le pouvoir de décision font l'objet d'une vérification rapide, pas d'un filtre ; la méthode MEDDIC complète est réservée aux contrats annuels plus importants ou aux comptes complexes.

Ne laissez pas un filtre budgétaire tuer une affaire finançable. Un exemple documenté chez Spona : un fondateur a dit qu'il n'y avait pas de budget data, si bien qu'un filtre rigide aurait rejeté le compte. Un petit échantillon a montré 10 heures de recherche économisées par mois, ce qui a créé un business case finançable. La leçon tient à l'ordre des opérations : prouver la valeur, puis parler budget. Pour le volet adéquation de la règle MQL, partez d'un profil client idéal validé par les deux équipes.

Quand MQL vs SQL ne suffit plus : comités d'achat et acheteurs en libre-service

Ceux qui ont inventé ces termes sont passés à autre chose. En présentant le Demand Unit Waterfall en 2017, Kerry Cunningham, de SiriusDecisions, déclarait « nous savions que ce n'était plus une affaire de leads » et que les comptes devaient être captés dès le haut de la cascade ; Terry Flaherty ajoutait que la demande suppose « un acheteur, un problème business et une solution ». Les données publiées depuis leur donnent raison. Selon Forrester, une décision d'achat implique en moyenne 13 personnes. Le Buyer Experience Report 2025 de 6sense (un peu moins de 4 000 répondants) situe le premier contact avec un vendeur à 61 % du parcours, et constate que 94 % des comités d'achat classent leur shortlist avant d'entrer en contact. Gartner indique que 75 % des acheteurs B2B préfèrent une expérience sans commercial.

Un MQL centré sur une seule personne arrive donc souvent tard, et la personne qui a rempli le formulaire n'est peut-être que celle qui se renseigne, pas celle qui décide. La solution n'est pas d'abandonner MQL et SQL, mais de changer d'unité : qualifier le compte, compter les personnes engagées par compte, ajouter l'usage produit et les signaux d'achat aux formulaires remplis, et laisser l'échange SQL cartographier le comité d'achat plutôt qu'un seul contact. Le product qualified lead (PQL) en est une variante ; la FAQ y revient.

La place de Spona entre MQL et SQL, et ses limites

Spona intervient avant l'étape MQL. Vous décrivez votre client idéal dans un chat ; l'IA explore 40+ sources de données, valide chaque lead et renvoie des leads qualifiés en 4 minutes environ. Un Head of Sales d'une entreprise de 20 à 50 personnes a résumé l'exigence ainsi : « Nous voulions une petite liste adaptée à notre niche, avec une raison pour chaque correspondance. » Demandez cette raison à chaque source de leads : elle facilite l'acceptation d'un lead à l'étape SAL, car le commercial voit pourquoi il correspond avant même le premier appel.

La tarification se fait au lead : les leads qualifiés coûtent de 0,32 $ à 4 $, les leads en volume de 0,01 $ à 0,09 $, chaque nouveau profil client idéal nécessite 1 000 crédits de configuration (8 $ à 10 $), et des leads d'échantillon gratuits sont disponibles. Il n'y a ni contrat, ni mise en place, ni onboarding : un premier test peut donc porter sur 100 leads, mesurés face à votre source de MQL actuelle avec les mêmes critères SAL et SQL.

Là où Spona ne convient pas : Spona ne gère pas vos phases du cycle de vie, vos minuteurs de SLA ni votre routage CRM ; c'est le rôle de HubSpot et de Salesforce. Spona ne remplace pas l'échange qui fait d'un lead un SQL. Et un lead Spona n'est pas une demande entrante : il arrive qualifié sur l'adéquation, et votre prospection doit encore obtenir le signal d'intérêt explicite qu'un MQL inbound apporte d'emblée. Les équipes qui ont besoin de données d'intention au niveau du compte l'associeront à un fournisseur de données d'intention.

Get thousands of leads in 4 minutes.

Stop stitching tools together.
Start with verified sales data, delivered in minutes.

SCALE SALES NOW

No contracts · No setup · No onboarding

FAQ MQL vs SQL

Qu'est-ce qui vient en premier, le MQL ou le SQL ?

Le MQL. Un lead devient marketing qualified lead lorsqu'il remplit la règle d'adéquation et d'engagement du marketing, sales accepted lead lorsqu'un commercial accepte de le traiter, et sales qualified lead lorsque le commercial confirme le besoin, l'adéquation, un parcours d'achat et une prochaine étape. L'automatisation par défaut de HubSpot ne fait progresser les phases du cycle de vie que vers l'avant.

Qu'est-ce qu'un bon taux de conversion MQL vers SQL ?

Le tableau sectoriel de First Page Sage va de 10 % (services juridiques, immobilier) à 26 % (assurance des entreprises, HVAC), avec le B2B SaaS à 13 % ; HubSpot juge 13 % sain et voit dans tout taux inférieur à 10 % le signe de critères MQL trop larges. Évaluez votre propre taux au regard de vos propres définitions et d'une fenêtre de cohorte fixe, pas au regard de celui d'une autre entreprise.

Combien de temps faut-il pour passer de MQL à SQL ?

HubSpot indique 30 à 90 jours pour la plupart des ventes B2B et six mois ou plus pour les affaires complexes en grands comptes. L'analyse d'Implisit a mesuré 84 jours en moyenne entre le lead et l'opportunité. La cohorte de Spona a utilisé une fenêtre d'acceptation de 30 jours, adaptée à un produit peu cher avec un échantillon gratuit.

Quelle est la principale différence entre un SQL et un MQL ?

Qui décide, et sur quelle base. Un MQL est attribué par un score ou une règle dans un outil marketing, à partir de l'adéquation et du comportement. Un SQL est attribué par un commercial après un échange qui a confirmé le besoin, l'adéquation, un parcours d'achat et une prochaine étape convenue.

Quelle différence entre un PQL et un MQL ?

Un product qualified lead est qualifié par ce qu'une personne a fait dans votre produit, par exemple atteindre une limite d'utilisation dans une offre gratuite, plutôt que par son engagement avec vos contenus. Les règles de passage de relais sont les mêmes : une définition écrite, un délai de réponse et un motif de rejet.

Comment HubSpot et Salesforce nomment-ils MQL et SQL ?

HubSpot utilise la propriété Lifecycle Stage (Marketing Qualified Lead, Sales Qualified Lead, Opportunity), avec des sous-étapes dans Lead Status. Les équipes Salesforce suivent généralement l'étape dans le champ Lead Status ; la conversion d'un lead crée des fiches compte et contact, plus une opportunité par défaut.