L'automatisation du service client par IA qui améliore le CSAT au lieu de le détruire

Un client marocain d'e-commerce et de logistique avait déployé un chatbot IA entraîné sur l'intégralité de son centre d'aide et chargé de répondre à tout. En six semaines, le CSAT des tickets traités par le chatbot était tombé à 41 %, contre 88 % pour les tickets traités par un humain, et le volume de plaintes concernant le chatbot lui-même augmentait. Le bot n'était pas incompétent, il n'était pas cadré. Il tentait de répondre aux litiges de remboursement, aux réclamations pour dommages de livraison et aux problèmes de sécurité de compte avec la même confiance générique qu'il utilisait pour le suivi de numéro de colis, et les clients percevaient immédiatement la différence quand une erreur avait des conséquences.

L'architecture de résolution par paliers

Commencez par classifier chaque ticket de support historique par intention et mesurez deux éléments par intention : la part de volume et la complexité de résolution. Les intentions à fort volume et faible complexité, statut de commande, suivi, explication de la politique de retour, réinitialisation de mot de passe, horaires du magasin, spécifications produit basiques, appartiennent au palier un : entièrement automatisé, sans relecture humaine nécessaire, car une mauvaise réponse ici est à faible enjeu et facilement corrigible. Le palier deux couvre les intentions de complexité modérée comme initier un retour ou modifier une commande, l'IA peut exécuter le workflow mais un humain relit ou le système exige une confirmation client explicite avant de finaliser quoi que ce soit d'irréversible. Le palier trois concerne tout ce qui touche aux litiges d'argent, à la sécurité, aux plaintes juridiques ou aux situations chargées émotionnellement (un client explicitement en colère ou qui répète une demande), cela route immédiatement vers un humain, le rôle de l'IA se limitant à rassembler le contexte et pré-remplir le ticket, sans jamais tenter de résolution.

Le mécanisme qui fait fonctionner cela en pratique est un seuil de confiance lié à la classification d'intention, pas seulement à la certitude auto-déclarée de l'IA. Si le système ne peut pas classer le message entrant dans une intention de palier un avec une confiance élevée, il doit escalader silencieusement, transférer la conversation à un humain avec le contexte déjà rassemblé, plutôt que de laisser le bot deviner et forcer le client à se répéter après une mauvaise réponse. Ce seul choix de conception, l'escalade silencieuse en cas de confiance faible plutôt que des réponses erronées données avec assurance, fait généralement la différence entre un chatbot qui améliore le CSAT et un qui le plombe. Nous avons reconstruit le bot du client marocain autour de ce modèle par paliers, réduit son périmètre à 14 intentions de palier un couvrant 58 % du volume de tickets, et le CSAT des résolutions automatisées est monté à 79 % en deux mois, tandis que le coût de support par ticket a globalement baissé car les agents n'avaient plus à réparer les échecs du bot.

• Classifiez les tickets historiques par intention et classez chacun selon sa part de volume et sa complexité de résolution avant de cadrer le bot.
• Limitez l'automatisation complète à une liste fermée d'intentions à fort volume, faible complexité et faible enjeu (palier un).
• Exigez une confirmation client explicite ou une relecture humaine avant que l'IA ne finalise quoi que ce soit d'irréversible (palier deux).
• Routez les litiges d'argent, la sécurité, le juridique et les conversations chargées émotionnellement directement vers un humain, l'IA se limitant à rassembler le contexte (palier trois).
• Escaladez silencieusement en cas de confiance de classification faible plutôt que de laisser le bot deviner et forcer une demande répétée.
• Mesurez le CSAT et le temps de résolution par palier, pas un chiffre unique de taux de déflection global.