IA

L'intelligence artificielle dans le service client — des chatbots aux agents IA intelligents

L'intelligence artificielle dans le service client a parcouru le chemin qui va des bots à boutons aux agents IA qui règlent eux-mêmes les demandes dans les systèmes de l'entreprise. Nous montrons, sur une seule question du client, comment répondent quatre générations de bots, quand un humain est nécessaire, comment mesurer les effets et par où commencer la mise en œuvre.

Tomasz Kozon - CEO Boring Owl

Tomasz Kozon

CEO

08 oct. 2026

« J'ai commandé un canapé avec une livraison jeudi, mais je ne serai pas chez moi. Peut-on reporter à samedi ? » Ce type de question arrive quotidiennement dans les enseignes de mobilier. C'est un bon test, parce qu'il exige de comprendre l'intention, de connaître les règles de livraison et d'accéder à une commande précise. L'intelligence artificielle dans le service client a, au cours de la dernière décennie, appris à y répondre de mieux en mieux, et les différences entre les générations successives de bots se voient le mieux sur une seule phrase comme celle-ci.

Ci-dessous, nous faisons passer cette question à travers quatre types de solutions : du bot à boutons à l'agent IA qui reporte lui-même la livraison. Pour chacun, nous décrivons ce qu'il sait faire, où il échoue et quand il suffit pleinement. Car toutes les entreprises n'ont pas besoin d'un agent.

Infographie : quatre générations d'IA dans le service client — des chatbots fondés sur des règles au NLP jusqu'aux agents IA autonomes

Première génération : le bot à boutons

Le chatbot sur le site le plus simple est un arbre de décision. Le client n'écrit pas, il clique : « Ma commande », « Livraison », « Changement de date ». Chaque branche se termine par une réponse toute prête ou un formulaire. Notre client au canapé verra donc trois boutons, choisira « Changement de date de livraison » et recevra un message indiquant que les modifications sont prises en charge par le service client à l'adresse e-mail indiquée. L'affaire n'est pas réglée. Elle a seulement été redirigée.

Ce type de bot a toutefois sa place. Il est peu coûteux, prévisible et n'invente pas de réponses. Il convient bien là où les questions sont peu nombreuses et toujours les mêmes : horaires d'ouverture, statut d'un ticket par numéro, choix du service. L'ennui commence quand le client écrit avec ses propres mots et que l'arbre a vingt niveaux.

Deuxième génération : le bot qui reconnaît l'intention

L'étape suivante, ce sont les bots fondés sur le traitement du langage naturel (NLP), c'est-à-dire des techniques qui permettent à un programme de reconnaître le sens d'une phrase. L'équipe de mise en œuvre définit les intentions, par exemple « changement de date de livraison », et fournit pour chacune plusieurs dizaines de formulations d'exemple. Le bot apprend à les reconnaître aussi quand le client écrit avec ses propres mots. Cette fois, le bot comprendra la question sur le canapé. Il répondra que la date peut être changée au plus tard deux jours avant la livraison, et fournira un lien vers un formulaire. C'est déjà mieux, car le client reçoit une règle concrète, pas une adresse e-mail.

La limite de cette génération, c'est la rigidité. Chaque nouvelle intention demande du travail manuel, et une question qui porte sur deux sujets à la fois, comme « reportez la livraison et ajoutez des coussins », se termine souvent par un message « je ne comprends pas ». Maintenir un large jeu d'intentions peut occuper quelqu'un à mi-temps.

Troisième génération : l'assistant fondé sur un modèle de langage avec la connaissance de l'entreprise

La rupture est venue des grands modèles de langage, qui comprennent un texte écrit librement sans définir d'intentions. Le modèle en lui-même ne connaît toutefois pas le règlement d'une boutique précise. C'est pourquoi l'assistant est construit en architecture RAG : avant chaque réponse, le système recherche dans la base de connaissances de l'entreprise les fragments pertinents et demande au modèle de répondre uniquement à partir de ceux-ci. Le client au canapé reçoit maintenant une réponse naturelle et complète. L'assistant explique que, pour les meubles sur commande, le changement de date est gratuit jusqu'à 48 heures avant la livraison, que les livraisons du samedi sont assurées dans certaines villes et qu'il suffit d'indiquer le numéro de commande dans le formulaire. Il répond aussi tout de suite à la question sur les coussins.

Du côté technique, un tel assistant est composé de plusieurs éléments. Les documents de l'entreprise arrivent dans une base vectorielle, par exemple Qdrant, qui recherche les fragments par sens. La réponse est générée par un modèle, tel que Claude d'Anthropic ou Gemini de Google, choisi selon la qualité dans la langue donnée et le coût. Le comportement de l'assistant est décrit dans des instructions système, et un bon prompt engineering fait ici une différence étonnamment grande.

Cette génération ne fait toutefois encore que parler. Le canapé arrivera encore jeudi tant que le client n'aura pas rempli le formulaire et que quelqu'un dans l'entreprise ne l'aura pas ressaisi dans le système.

Quatrième génération : l'agent IA qui règle l'affaire

L'agent IA est un assistant qui, en plus de la connaissance, reçoit des outils. Un outil, en pratique, est l'accès à une fonction précise du système de l'entreprise via une API. L'agent décide lui-même quel outil utiliser et dans quel ordre pour accomplir une tâche. Pour la question sur le canapé, l'agent demande le numéro de commande ou reconnaît le client connecté. Il vérifie dans le système de commandes si la date peut encore être changée, interroge le système du transporteur sur les créneaux libres le samedi, propose deux plages horaires et, après le choix du client, enregistre la modification. À la fin, il envoie une confirmation par e-mail. La conversation dure deux minutes, et personne dans l'entreprise n'a eu à y toucher.

Gartner prévoit que d'ici 2029, l'IA agentique résoudra de manière autonome 80 % des demandes clients typiques, ce qui doit faire baisser les coûts opérationnels du service de 30 % (Gartner, mars 2025). Le mot « typiques » est ici important. Il s'agit de demandes répétitives, et non des réclamations pour marchandise endommagée avec un client en colère.

Pour construire de tels agents, on utilise des bibliothèques qui décrivent le déroulement de la tâche sous forme de graphe d'étapes, par exemple LangGraph. De plus en plus souvent, les outils sont mis à disposition du modèle via MCP, c'est-à-dire un standard ouvert décrivant comment le modèle doit se connecter aux systèmes de l'entreprise. Le même jeu d'outils peut ainsi servir au chat sur le site et à l'assistant interne des conseillers. La manière dont les agents fonctionnent du point de vue de l'utilisateur se voit bien sur l'exemple de l'agent ChatGPT, qui exécute des tâches dans le navigateur.

Trois niveaux d'autorisation de l'agent IA

Le plus gros du travail sur un agent ne concerne pas le modèle, mais les autorisations. Pour chaque action, il faut décider de la marge d'autonomie de l'agent. Une approche éprouvée partage les actions en trois niveaux : lecture — l'agent exécute sans restriction (statut de commande, date de livraison, historique des tickets) ; modifications réversibles — l'agent agit seul dans des limites établies (report de livraison, changement d'adresse avant expédition) ; décisions avec coût pour l'entreprise — l'agent se contente de préparer, c'est un humain qui valide (remboursement, remise, exception au règlement).

Le même agent dans le chat, l'e-mail et le téléphone

Le client n'écrit pas toujours sur le chat. Souvent, il répond à un e-mail de confirmation de commande ou il téléphone. Un agent bien conçu utilise la même connaissance et les mêmes outils quel que soit le canal, seul le mode de conduite de la conversation change.

Dans le canal vocal s'ajoutent deux éléments. La parole du client est convertie en texte, par exemple avec le modèle Whisper, et la réponse est lue par une voix synthétique, qui aujourd'hui sonne naturel grâce à des services comme ElevenLabs. Les voicebots dans le service client exigent toutefois des réponses plus courtes que le chat et une réaction très rapide, car le silence dans le combiné agace davantage que les points de suspension à l'écran. La plus grande valeur d'une approche cohérente, c'est l'historique partagé. Quand le client a commencé sur le chat et terminé par téléphone, il ne devrait pas tout réexpliquer depuis le début. C'est la même logique que celle que nous connaissons de la stratégie omnicanal, mais côté automates.

Là où l'intelligence artificielle dans le service client a besoin d'un humain

L'erreur la plus courante dans les mises en œuvre est de considérer le passage au conseiller comme un échec du bot. En réalité, un bon transfert de conversation fait partie de la solution. Dans l'étude citée de 2026, Gartner recommande explicitement de ne pas imposer l'IA générative comme première étape obligatoire pour chaque demande. Le transfert doit intervenir dans plusieurs situations : quand le client le demande, quand l'agent n'a pas compris deux fois la question, quand l'affaire dépasse ses autorisations ou quand la conversation prend un ton clairement émotionnel. Dans chacun de ces cas, le conseiller reçoit l'historique complet de la conversation et un résumé préparé par l'IA. Le client ne recommence pas par « en quoi puis-je vous aider ? ».

Le deuxième rôle de l'humain est moins visible. Quelqu'un doit veiller sur la base de connaissances. Quand le règlement de livraison change, l'assistant répond selon l'ancien tant que personne n'a mis à jour le document. C'est pourquoi, dans les projets, nous posons comme principe que la base de connaissances est éditée par l'équipe du client, sans intervention de développeurs, et que les modifications arrivent immédiatement à l'agent. Un bon endroit pour relier ces éléments est le système CRM. L'historique des conversations avec le bot, les transferts vers les conseillers et le résultat de chaque affaire arrivent sur la fiche client, et le commercial ou le gestionnaire voit sur quoi le client a posé des questions ces dernières semaines.

La base de connaissances doit vivre avec le règlement

Un assistant fondé sur RAG est aussi à jour que les documents de sa base. Quand la politique de livraison, les tarifs ou les conditions de garantie changent, et que personne ne met à jour la base, le bot donne pendant des semaines des informations erronées. C'est pourquoi, avant le démarrage, il vaut la peine de définir qui dans l'équipe du client est responsable de la maintenance de la base et avec quelle rapidité elle réagira aux changements — c'est une décision d'organisation qui pèse plus sur la qualité que le choix du modèle.

Comment vérifier si le bot aide vraiment

L'indicateur populaire « part des conversations terminées sans conseiller » est parfois trompeur. Le client qui a abandonné le chat avec colère n'a pas non plus atterri chez un conseiller. Mieux vaut mesurer la part des demandes réellement résolues, c'est-à-dire celles après lesquelles le client n'est pas revenu avec le même problème dans les jours qui suivent. À cela s'ajoutent des indicateurs connus du service classique. Le Customer Effort Score indique l'effort que le client a dû fournir pour régler son affaire, et l'enquête CSAT après la conversation montre sa satisfaction. Il vaut la peine de les comparer séparément pour les conversations avec le bot et avec les humains.

Du côté technique, chaque conversation doit laisser une trace : quels fragments de la base de connaissances le système a trouvés, quelle réponse le modèle a générée, combien la requête a coûté et quels outils l'agent a utilisés. Des outils comme Langfuse collectent ces données et permettent de retrouver rapidement les conversations où quelque chose s'est mal passé. Une fois par semaine, quelqu'un de l'équipe du service devrait passer en revue un échantillon de telles conversations. C'est le moyen le moins coûteux de détecter les erreurs avant que les clients ne le fassent.

Par où commencer la mise en œuvre

Le point de départ n'est pas le choix du modèle, mais l'historique des conversations des derniers mois. On peut y lire ce sur quoi les clients posent le plus souvent des questions. En général, une dizaine de sujets représentent l'essentiel du trafic, et une partie n'exige pas d'IA, mais une meilleure page avec les informations sur la livraison.

L'ordre raisonnable ressemble à ceci :

  1. Analyser l'historique des conversations et des e-mails, sélectionner les sujets qui reviennent le plus souvent.
  2. Mettre en ordre la base de connaissances pour ces sujets et définir qui l'actualisera.
  3. Lancer l'assistant avec la base de connaissances et un transfert clair vers l'humain.
  4. Ensuite seulement, ajouter des outils, en commençant par la lecture des données, puis les modifications réversibles.


Un tel étagement permet de vérifier la qualité des réponses avant que l'agent ne commence à modifier quoi que ce soit dans les systèmes. En concevant nos chatbots IA, nous commençons précisément par l'analyse des conversations et l'intégration avec les systèmes que le bot doit utiliser, et après le lancement, nous surveillons la pertinence des réponses et la part des transferts vers les conseillers.

Un exemple est le chatbot pour BlueApart, plateforme de réservation d'appartements. La logique fonctionne sur n8n, et un widget propre montre aux hôtes des carrousels de photos et des cartes d'appartements cliquables au lieu d'un simple texte. La base de connaissances est éditée par l'équipe du client, et le chatbot utilise le même back-end que le système de réservation, il n'y a donc aucun risque qu'il donne des données différentes de celles du site.

FAQ

FAQ — questions fréquentes sur l'intelligence artificielle dans le service client

  • Le coût d'un chatbot IA dépend avant tout du fait qu'il réponde uniquement sur la base d'une base de connaissances ou qu'il exécute aussi des actions dans les systèmes de l'entreprise. La variante la plus simple, c'est-à-dire un assistant qui répond aux questions à partir du règlement et de la FAQ, se met en œuvre généralement en quelques semaines, et le coût couvre la préparation de la base de connaissances, la configuration et l'intégration du widget sur le site. Un agent intégré au système de commandes, au CRM ou aux réservations exige la conception des autorisations, des tests et du monitoring, les travaux durent donc généralement de quelques semaines à quelques mois. Au coût ponctuel s'ajoutent des frais récurrents : pour l'utilisation du modèle de langage, qui augmentent avec le nombre de conversations, pour l'hébergement et pour la maintenance et les mises à jour. Avec des plateformes toutes prêtes, à la place du coût de construction, on paie un abonnement, souvent lié au nombre de conversations ou de demandes résolues.
  • Oui, les modèles de langage actuels comprennent et écrivent bien le français, y compris la conjugaison, les formulations familières et les fautes de frappe. Le client peut écrire « ou est mon colis il devait arriver hier » et l'assistant reconnaîtra correctement qu'il s'agit du statut de l'envoi. La qualité des réponses dépend toutefois de plusieurs choses : du choix du modèle, car certains se débrouillent nettement mieux avec le français, de la langue de la base de connaissances que l'assistant utilise, et des instructions décrivant le ton et le style d'expression. Le même assistant peut aussi servir des clients dans d'autres langues en utilisant une base de connaissances en français, ce qui est pratique pour les entreprises qui vendent à l'étranger.
  • Oui, l'intégration avec les systèmes de l'entreprise est précisément ce qui distingue un agent IA d'un simple chatbot avec base de connaissances. La connexion se fait via une API, c'est-à-dire l'interface que le système CRM, la boutique ou le système de réservation met à disposition d'autres programmes. Le bot peut ainsi vérifier le statut de la commande d'un client précis, enregistrer un ticket dans le CRM, réserver un créneau dans le calendrier ou transmettre un lead au commercial avec un descriptif complet de la conversation. L'étendue des possibilités dépend de ce que le système en question expose par API, et la charge de travail du nombre d'intégrations et du fait que le bot doive seulement lire les données ou aussi les modifier. Les systèmes plus anciens sans API exigent en général une couche intermédiaire supplémentaire.
  • Le risque de réponses inventées peut être très fortement réduit en construisant l'assistant pour qu'il ne réponde qu'à partir des documents de l'entreprise et qu'il reconnaisse son ignorance. En pratique, cela signifie plusieurs garde-fous : le système recherche dans la base de connaissances les fragments correspondant à la question et les transmet au modèle, les instructions interdisent de répondre en dehors de ces fragments, et quand rien ne correspond, le bot propose un contact avec un conseiller. Par exemple, à une question sur une promotion qui n'existe pas dans la base, un assistant correctement configuré répondra qu'il n'a pas cette information, plutôt que de deviner. L'efficacité dépend de la qualité et de l'actualité de la base de connaissances ainsi que du passage en revue régulier des conversations dans lesquelles la réponse s'est révélée erronée.
  • Oui, techniquement un agent IA peut déclencher un remboursement via le système de paiement, mais la plupart des entreprises le limitent sciemment à la préparation du remboursement, validée par un humain. Ce partage est raisonnable, car un remboursement est une décision à coût direct difficile à annuler. En pratique, l'agent recueille les données auprès du client, vérifie la commande et les conditions de retour, calcule le montant et crée une demande, et un conseiller la valide en un clic. Certaines entreprises autorisent l'agent à effectuer seul des remboursements en dessous d'un seuil fixé ou dans des cas clairement décrits, par exemple en cas de colis non livré confirmé par le transporteur. Les limites dépendent de l'échelle des ventes, du risque d'abus et de la précision avec laquelle les règles peuvent être décrites.
  • La mise en œuvre d'un agent IA dure généralement de quelques semaines pour un assistant simple avec base de connaissances à quelques mois pour un agent opérant dans plusieurs systèmes. Les premières semaines sont consacrées à l'analyse de l'historique des conversations, au choix des sujets les plus fréquents et à la mise en ordre de la base de connaissances, ce qui se révèle souvent plus chronophage que la technologie elle-même. Viennent ensuite le lancement de l'assistant, les tests sur des questions réelles et l'ajout progressif d'intégrations, en commençant par la lecture des données. Le délai est allongé par le nombre de systèmes à connecter, l'absence de documentation de leurs API, la prise en charge de plusieurs langues et canaux, comme le téléphone ou l'e-mail, ainsi que par les exigences du service sécurité. Une mise en œuvre étagée permet toutefois de bénéficier des premiers effets avant que l'ensemble du projet ne soit achevé.
  • Oui, dans une petite entreprise, un chatbot IA donne souvent un effet rapide, car il allège les personnes qui gèrent les clients en plus d'autres responsabilités. Le propriétaire d'une boutique en ligne ou d'une agence de services répond généralement aux mêmes dizaines de questions : sur les délais, les prix, la disponibilité et les règles de retour, et un assistant avec base de connaissances peut les prendre en charge aussi le soir et le week-end. Pour une petite entreprise, une plateforme toute prête ou un simple assistant sans intégrations profondes suffit le plus souvent, ce qui limite le coût et la durée de mise en œuvre. La rentabilité dépend du nombre de demandes, de leur répétitivité et du fait que quelqu'un dans l'entreprise trouve le temps d'actualiser la base de connaissances. Avec quelques questions par semaine, une bonne page de réponses aux questions fréquentes est souvent un meilleur premier pas.

Blog

Articles associés

Lire la suite
Intégrations

Agentic Commerce Protocol — le nouveau standard des achats réalisés par l'IA

L'Agentic Commerce Protocol (ACP) d'OpenAI et Stripe décrit comment un agent IA passe une commande dans une boutique en ligne au nom du client. Nous le décomposons en six notions — du flux produits au webhook de commande — et examinons ce que la première mise en œuvre dans ChatGPT implique pour une boutique en Pologne.

Tomasz Kozon
26 oct. 2026
IA

L'intelligence artificielle en entreprise — par où commencer la mise en œuvre de l'IA dans votre société

La mise en œuvre de l'IA dans une entreprise commence rarement par l'achat d'un gros système. Nous la présentons comme cinq paliers — depuis des règles pour les outils que les collaborateurs utilisent déjà jusqu'à l'IA au cœur de votre propre produit — et nous indiquons comment choisir le premier processus et à quoi reconnaître qu'un pilote a été rentable.

Tomasz Kozon
20 oct. 2026