Une IA au service du service client

Le service client est le premier endroit où on pense à mettre de l’IA, et le premier endroit où on peut faire des dégâts. Parce que c’est le seul point du dispositif où un client mécontent est déjà en train de parler à votre entreprise. Une automatisation ratée ailleurs coûte du temps ; ratée ici, elle coûte le client.

Je vais donc être précis sur la frontière : ce que je confie à une IA dans un service client, ce que je ne lui confie pas, et pourquoi cette ligne ne se trace pas là où on croit.

Le tri ne se fait pas par difficulté, mais par enjeu

Le réflexe est de donner à la machine les demandes « faciles » et à l’humain les « difficiles ». Ce n’est pas le bon critère, parce que la difficulté technique d’une demande n’a rien à voir avec ce qu’elle coûte quand on la traite mal.

« Où en est ma commande ? » est une question facile et à faible enjeu : la réponse est dans le système, elle est factuelle, et une erreur se corrige en un message. Bon candidat.

« Je viens de recevoir un article cassé pour l’anniversaire de ma fille qui est demain » est une question tout aussi facile techniquement — il s’agit d’un remplacement en urgence — mais l’enjeu est entièrement dans le ton de la réponse. Une IA la traitera correctement sur le fond et à côté sur la forme. Mauvais candidat, quelle que soit la qualité du modèle.

La ligne, c’est donc celle-ci : l’IA prend ce qui est factuel et répétitif, l’humain garde ce qui est sensible. C’est la même logique que celle que je développe sur la question du remplacement des emplois, appliquée à un service précis.

Ce qui marche vraiment

Absorber le volume répétitif. Dans beaucoup de services client, une poignée de questions représente la majorité des sollicitations : suivi de commande, délais, modalités de retour, horaires. Les traiter automatiquement libère un temps considérable, et surtout un temps que personne ne regrette.

Qualifier et router avant l’humain. Une IA qui ne répond pas mais qui lit la demande, identifie le sujet, extrait le numéro de commande et l’envoie à la bonne personne avec les bonnes informations déjà rassemblées : c’est souvent le meilleur rapport gain/risque de tout le dispositif. L’humain répond, mais il ne perd plus dix minutes à reconstituer le contexte.

Préparer un brouillon. Le conseiller reçoit une proposition de réponse déjà rédigée, avec les éléments du dossier. Il corrige, personnalise, envoie. On garde l’humain dans la boucle et on divise le temps de traitement.

Détecter l’urgence. Repérer dans un message les signaux qui doivent court-circuiter la file d’attente — un client qui menace de partir, un problème de sécurité, une situation qui s’envenime sur plusieurs échanges. C’est un usage discret et très rentable.

Ce que je ne fais pas

Je ne cache pas que c’est une machine. Le client doit savoir à qui il parle. Le faire croire à un humain fonctionne quelques minutes et se retourne violemment quand la conversation dérape.

Je ne ferme pas la porte de sortie. Il faut pouvoir joindre quelqu’un à tout moment, sans avoir à deviner le mot magique. Ce que les gens reprochent aux chatbots, ce n’est presque jamais de mal répondre — c’est de ne pas pouvoir en sortir.

Je ne laisse pas l’IA parler d’argent ou d’engagement. Remboursement, geste commercial, résiliation, litige : ce sont des décisions, pas des réponses. Elles restent humaines.

Je ne laisse pas répondre sans base documentaire. Un modèle branché sur une fenêtre de chat sans accès à vos contenus produira des réponses plausibles et inventées sur vos délais et vos tarifs. C’est le mode de défaillance le plus fréquent, et le plus dommageable. J’ai détaillé la différence entre ces deux architectures dans construire son propre chatbot en entreprise.

La personnalisation : utile, mais surestimée

On promet beaucoup à la personnalisation par l’IA : reconnaître le client, son historique, ses préférences, adapter le discours. Techniquement, c’est faisable, et sur des volumes importants ça a un effet mesurable.

Mais dans la plupart des PME avec lesquelles je travaille, ce n’est pas là qu’est le gain. Le gain est bien plus prosaïque : répondre en dix minutes au lieu de deux jours. Un client qui obtient une réponse juste et rapide se moque assez largement de savoir que le message était personnalisé. Avant d’investir dans la personnalisation fine, je vérifie donc toujours que le délai de première réponse est réglé — c’est moins élégant et ça change beaucoup plus de choses.

Côté outils

Votre outil de ticketing actuel intègre probablement déjà des fonctions d’IA, et les grandes plateformes du marché en proposent toutes une version. Je conseille de commencer par là plutôt que d’ajouter une brique : c’est moins puissant qu’une intégration sur mesure, mais c’est en place, maintenu, et ça permet de découvrir ce dont vous avez réellement besoin avant de payer pour du spécifique.

Le sur-mesure devient pertinent quand vos réponses dépendent de données que l’outil du marché ne voit pas — un stock, un planning d’atelier, un logiciel métier. C’est le terrain sur lequel j’interviens le plus souvent, et c’est ce que couvre mon offre d’automatisation IA pour PME.

Comment je démarre

Deux semaines de mesure avant toute décision : quelles demandes arrivent, en quel volume, combien de temps prend chacune. Cette liste-là décide de tout. Dans la moitié des cas, elle montre qu’une FAQ correcte et un formulaire mieux conçu régleraient la moitié du problème sans aucune IA — et je le dis, même si ce n’est pas ce qu’on venait me demander.