Leaders d’opinion

La décision la plus judicieuse de l’IA pourrait être de ne pas envoyer le message

Derek Slager
Ajouter Unite.AI à vos sources préférées sur Google
Points clésL'optimisation pour les clics récompense l'envoi d'un plus grand nombre de messages…
Voir plus
  • L'optimisation pour les clics récompense l'envoi d'un plus grand nombre de messages, même lorsque la retenue protégerait mieux la relation client.
  • Une promotion bien rédigée envoyée alors qu'un remboursement n'est pas résolu constitue une erreur de décision qu'un meilleur contenu ne peut pas corriger.
  • La révision humaine devrait se concentrer sur les contextes ambigus et les actions à conséquences graves plutôt que sur les cas de politique courants.

L’IA générative a considérablement réduit le coût de production d’un message personnalisé. Elle n’a pas facilité la décision de savoir s’il fallait l’envoyer.

Cette distinction est importante à mesure que l’IA prend en charge davantage de décisions liées aux interactions avec les clients. Un système peut proposer une offre pertinente, prédire qu’une personne cliquera et pourtant prendre la mauvaise décision. Le client attend peut-être un remboursement. Sa réclamation n’a peut-être pas encore été résolue. Il a peut-être déjà acheté le produit en utilisant une autre adresse e-mail.

Une meilleure rédaction ne résoudra aucun de ces problèmes. Le système doit mieux comprendre le client, poursuivre un objectif qui reflète ce qui compte réellement pour l’entreprise et respecter des limites claires quant à ses actions.

Que demandez-vous au système d’optimiser ?

Les envois, les ouvertures et les clics sont faciles à comptabiliser. Ce sont donc des indicateurs opérationnels utiles, mais ils peuvent aussi servir de substituts tentants à ce que recherche réellement une entreprise : un client qui perçoit la valeur de la relation et revient.

Un système d’IA optimisé pour maximiser le nombre de clics et soumis à peu de contraintes concernant la fréquence des contacts peut conclure que l’envoi d’un plus grand nombre de messages améliore son score. Chaque envoi supplémentaire peut sembler raisonnable pris isolément. Au fil des campagnes et des canaux, un même client peut finir par entendre parler de la marque bien plus souvent que quiconque ne l’avait prévu.

Le coût se manifeste en dehors de l’indicateur optimisé. Selon l’enquête de Validity sur les consommateurs pendant les fêtes de 2026, un tiers des personnes interrogées ont déclaré que le seul volume d’e-mails reçus pendant les fêtes suffisait à les inciter à se désabonner. Cela ne signifie pas que l’IA a provoqué cette surcharge. Cela montre qu’une hausse de l’activité peut se faire au détriment de la relation.

Un désabonnement est visible. La frustration qui l’a précédé ne l’est souvent pas. Si le système est récompensé pour un clic aujourd’hui, mais ne subit aucune pénalité lorsqu’il réduit les chances qu’un client revienne le mois prochain, il a peu de raisons de tenir compte de ce compromis.

S’abstenir est aussi une décision

Prenons le cas d’un client qui a renvoyé une commande la semaine dernière et attend toujours son remboursement. Un système marketing repère un acheteur récent qui a une forte probabilité de réagir et programme l’envoi d’un e-mail promotionnel. Du point de vue du client, la marque lui demande de dépenser davantage avant de lui rendre l’argent qu’elle lui doit.

Le retour peut être enregistré dans le système de gestion des commandes, le statut du remboursement dans un outil de service client et l’achat dans un profil marketing. Ces dossiers ne sont même pas nécessairement associés à la même personne. Le modèle peut fonctionner exactement comme prévu tout en prenant une décision à partir d’une vision incomplète du client.

Relier ces dossiers modifie ce que le système peut savoir. Cela ne change pas automatiquement ce qu’il fera. Le processus décisionnel doit également tenir compte d’un remboursement non résolu et permettre de ne pas envoyer une promotion. Sinon, vous avez fourni davantage d’informations au système sans modifier le comportement pour lequel il est récompensé.

C’est pourquoi le contexte client et les objectifs doivent être définis ensemble. Le contexte explique ce qui se passe. L’objectif et les règles de décision déterminent ce qui doit se passer ensuite. Un retour ne signifie pas à lui seul que toute communication doit cesser. Le client peut avoir besoin d’une mise à jour sur son remboursement. Il est important de distinguer un message de service utile d’une nouvelle promotion.

Un e-mail mal rédigé relève d’un problème de contenu. Un e-mail bien rédigé, envoyé alors que le client attend son argent, relève d’un problème de décision. On ne peut pas résoudre le second en améliorant le premier.

Une inscription ne signifie pas fidélité

Les programmes de fidélité illustrent une autre facette du même problème. Si la réussite se mesure au nombre d’inscriptions, un système peut apprendre à recruter des personnes en leur offrant une réduction. Le nombre d’inscriptions augmente. Mais ces clients reviendront-ils sans bénéficier d’une nouvelle réduction ? C’est une autre question.

Les questions les plus utiles demandent plus de temps pour trouver une réponse. Les membres reviennent-ils ? Leurs dépenses restent-elles rentables une fois déduit le coût des avantages offerts ? Le programme modifie-t-il leur comportement, ou récompense-t-il surtout des achats qu’ils auraient effectués de toute façon ?

Pour répondre à ces questions, il faut relier dans le temps l’activité liée au programme de fidélité à l’historique des achats et du service client. Il faut aussi disposer d’un point de comparaison permettant de distinguer l’effet du programme des comportements qui étaient déjà probables. À lui seul, le nombre d’adhérents ne permet pas de le savoir.

La supervision humaine doit influer sur la décision

Il revient aux personnes de décider de ce que le système doit optimiser. La fidélisation, la marge et les efforts demandés au client impliquent des compromis dont la direction doit assumer la responsabilité. Un modèle peut aider à évaluer ces compromis, mais il ne peut pas assumer la responsabilité des choix.

Il en va de même pour les limites imposées aux actions. Une bonne première question consiste à se demander : dans quelle mesure serait-il difficile de revenir sur cette décision ? Retenir un message promotionnel pour le faire examiner n’a pas les mêmes conséquences que modifier un prix, accorder un avoir ou annuler une réservation. Les conséquences, les autorisations du client et la fiabilité du contexte disponible doivent déterminer ce qui peut être exécuté automatiquement et ce qui nécessite une approbation.

Un remboursement en cours ne doit pas nécessairement entraîner une vérification manuelle à chaque fois. Si la politique est claire, une règle peut suspendre la promotion tout en maintenant la communication liée au service. Une vérification humaine s’impose lorsque le contexte est ambigu, que les règles se contredisent ou que les conséquences dépassent les prérogatives du système. Si les informations nécessaires pour faire cette distinction manquent, le système doit prévoir une solution de repli définie plutôt que de l’autoriser à deviner.

Les personnes chargées de la vérification ont également besoin de plus qu’un score de confiance. Elles doivent pouvoir voir quels dossiers clients ont servi à formuler la recommandation, s’ils sont à jour, quel objectif le système cherche à atteindre et quelles contraintes s’appliquent. Une recommandation formulée avec assurance à partir de dossiers obsolètes ou qui ne correspondent pas reste une mauvaise recommandation.

Les interventions manuelles devraient servir de preuves. Si des personnes interrompent à plusieurs reprises le même type de promotion, il faut en consigner la raison. Cette tendance peut révéler des données de service manquantes, un problème d’identité ou un objectif qui encourage les mauvais comportements. Corriger ce problème est plus utile que de demander indéfiniment à quelqu’un de repérer la même erreur.

Mesurer si s’abstenir est bénéfique

Les équipes peuvent commencer par une seule décision, plutôt que d’essayer de repenser d’un coup toutes les interactions avec les clients. Prenez l’envoi d’une promotion, déterminez le contexte nécessaire et définissez les conditions dans lesquelles il doit être suspendu. Excluez de cette règle de suppression les messages de service nécessaires.

Vérifiez ensuite si le changement est bénéfique. Pour les messages promotionnels admissibles, comparez l’approche actuelle à une politique qui prévoit de s’abstenir dans certaines conditions définies. Suivez les achats répétés, la fidélisation, les plaintes et la marge sur une période adaptée au cycle d’achat. Les envois et les clics aident toujours à comprendre ce qui s’est passé, mais ils ne devraient pas constituer le verdict final.

Le test peut montrer que l’envoi d’un moins grand nombre de promotions protège la relation. Il peut aussi montrer qu’une restriction particulière est trop générale. Dans les deux cas, le résultat est utile. Le silence ne devrait pas être exonéré d’office, pas plus que l’envoi. Ce sont deux décisions dont les conséquences peuvent être mesurées.

Rien de tout cela ne supprime le travail d’ingénierie. Les dossiers clients doivent être associés à la bonne personne. Les événements récents doivent parvenir au processus décisionnel à temps pour être utiles. Les autorisations doivent encadrer l’action, et les équipes doivent garder une trace de ce qui s’est passé et des raisons. Un meilleur objectif ne peut compenser un manque de contexte, tout comme un meilleur contexte ne peut corriger un objectif inadapté.

Construire la relation

La question que les dirigeants doivent se poser est simple : qu’est-ce que votre système considère comme une bonne décision ? Si la réponse est un clic, il fait peut-être son travail tout en détériorant l’expérience client.

Un contexte client fiable offre aux personnes et à l’IA une base plus solide pour décider de la marche à suivre. Des objectifs et des contrôles clairs déterminent comment ces connaissances sont utilisées. Le système devrait ainsi pouvoir expliquer pourquoi un message est utile à cet instant, reconnaître quand il ne l’est pas et tirer des enseignements de la suite des événements.

Parfois, la décision la plus judicieuse qu’un système d’IA puisse prendre est de ne rien envoyer du tout.

Derek Slager est co-fondateur et co-PDG d'Amperity, où il dirige la transformation de l'entreprise donnant la priorité à l'IA à travers les produits et le fonctionnement de l'entreprise. Il a co-fondé Amperity pour fournir aux marketeurs et aux analystes des données client fiables, et a conçu l'architecture de résolution d'identité et de profil en temps réel brevetée derrière le contexte client fiable d'Amperity. Auparavant, il faisait partie de l'équipe fondatrice d'Appature et occupait des postes de direction en ingénierie dans des systèmes distribués à grande échelle et la sécurité.