Pourquoi les clients abandonnent vos agents conversationnels de service client

Depuis des années, les équipes du service client considèrent que les demandes immédiates de parler à un agent humain relèvent d’un problème de conception. Lorsque les appelants rejettent une expérience automatisée avant même qu’elle ait vraiment commencé, le réflexe naturel consiste à rendre le système plus chaleureux ou plus humain. Réécrire le message d’accueil. Reconnaître la frustration. Dire aux appelants qu’ils peuvent s’exprimer naturellement. On part du principe que si l’expérience paraît moins robotique, les gens seront plus disposés à interagir avec le système.

Nous avons récemment constaté que les preuves indiquaient l’importance bien plus grande d’un autre facteur.

Dans une grande compagnie d’assurance qui utilise l’IA pour répondre aux questions sur les garanties de location de voiture, un agent vocal accueillait initialement les appelants en leur disant qu’ils pouvaient « me parler comme à une vraie personne ». Plus de quatre appelants sur dix demandaient tout de même à parler à un agent humain avant d’avoir eu un véritable échange avec le système. Nous avons remplacé le message d’accueil par une formule plus simple et plus directe, mais le résultat est resté pratiquement inchangé. Quarante-quatre pour cent des appelants demandaient toujours immédiatement à parler à un agent.

Ce qui a finalement changé le comportement des appelants avait peu à voir avec la façon dont l’IA s’exprimait. Nous avons changé ce qu’elle pouvait démontrer savoir. Au lieu de commencer par un message d’accueil générique, l’IA formulait une hypothèse raisonnable sur la raison de l’appel du client et fournissait des informations susceptibles de régler le problème de manière proactive : par exemple, elle décrivait le véhicule associé au dossier de sinistre de l’appelant, indiquait l’état du dossier et vérifiait si le client avait besoin d’une voiture de location.

Les demandes visant à parler à un agent humain ont diminué de 23 %. Les échanges approfondis avec l’IA sont passés de 54 % à 66 %.

Cette expérience livre une leçon qui dépasse largement le centre de contact. Alors que les entreprises s’empressent de rendre l’IA plus conversationnelle, conviviale et intuitive, elles risquent de sous-investir dans un élément plus fondamental : donner à l’IA suffisamment de contexte pour prouver qu’elle comprend la situation à laquelle elle est confrontée.

L’IA hérite d’un déficit de confiance

Les gens n’abordent pas un nouveau système d’IA sans a priori. Ils ont des années d’expérience des serveurs vocaux qui ne comprenaient pas les demandes simples, des chatbots qui fournissaient des réponses sans rapport avec la question et des systèmes automatisés qui leur faisaient répéter des informations déjà communiquées. Avec le temps, les utilisateurs ont appris que demander à parler à quelqu’un peut être le moyen le plus rapide d’obtenir ce qu’ils veulent.

Ce comportement peut ressembler à un rejet de l’IA, mais il existe une façon plus utile de le comprendre. Avant de confier une tâche à un système automatisé, les gens veulent avoir la preuve que celui-ci comprend suffisamment leur situation particulière pour leur être utile. Des chercheurs ont décrit un aspect de cette méfiance comme une « négligence de l’unicité », c’est-à-dire l’impression qu’un système automatisé ne peut pas tenir suffisamment compte de la situation propre à chaque personne.

Cela devient de plus en plus important à mesure que l’IA s’intègre à des aspects plus déterminants de notre vie et de notre travail. Un client qui appelle après un accident de voiture ne considère pas son problème comme une simple demande générique à une compagnie d’assurance. Un employé qui utilise un assistant d’entreprise s’attend à ce que celui-ci comprenne son rôle, ses autorisations et les tâches qu’il effectue. Un développeur qui utilise un outil de programmation fondé sur l’IA a besoin de réponses qui tiennent compte de l’architecture dans laquelle s’inscrit le code.

Dans chaque cas, un système d’IA doit démontrer qu’il comprend les circonstances entourant la demande avant que l’utilisateur ait de bonnes raisons de faire confiance à sa réponse.

Le contexte devient un élément de l’interface de l’IA

Traditionnellement, la personnalisation consistait à connaître le nom d’une personne, à se souvenir de ses préférences ou à lui recommander quelque chose en fonction de son comportement passé. L’IA nous donne la possibilité de proposer une personnalisation beaucoup plus adaptée à la situation. Un système utile devrait comprendre ce qu’une personne cherche à accomplir, ce qui s’est déjà passé, quelles informations sont pertinentes à ce moment-là et quelles actions sont réellement possibles.

Cette distinction permet de comprendre pourquoi l’expérience menée dans le secteur de l’assurance a fonctionné. L’IA ne s’est pas contentée d’accueillir les appelants plus aimablement. Elle leur a épargné des démarches. Une personne qui appelait pour vérifier si elle avait droit à une voiture de location n’avait plus besoin d’expliquer son sinistre, de préciser quel était son véhicule et d’attendre que le système récupère les informations pertinentes. En faisant apparaître immédiatement ce contexte, le système a démontré sa compétence avant de demander à l’appelant de lui faire confiance pour quoi que ce soit d’autre.

Ce principe s’applique à l’ensemble de l’IA d’entreprise. Chaque fois qu’un utilisateur doit répéter une information que le système devrait déjà connaître, corriger une supposition qu’il n’aurait jamais dû faire ou reconstituer un contexte qui existe déjà ailleurs dans l’organisation, la confiance s’érode. Pour les entreprises, cela signifie qu’il faut considérer le contexte comme un élément de l’expérience utilisateur, et non comme une simple question technique en coulisses.

L’IA pourrait changer notre façon de mesurer la réussite

Notre expérience a mis en évidence un autre comportement facile à négliger. Après l’introduction du message d’accueil contextualisé, certains appelants écoutaient le début du message, puis raccrochaient tout simplement.

Les indicateurs traditionnels des centres de contact pourraient classer ces appels comme des abandons. Pourtant, certains de ces clients venaient d’obtenir exactement ce qu’ils semblaient rechercher. Si une personne appelle pour savoir si un sinistre a été approuvé et que l’IA lui indique immédiatement que son dossier est autorisé et que ses garanties de location sont activées, il se peut qu’il n’y ait plus rien à discuter.

Environ 3 % des appels utilisant l’accueil dynamique semblaient suivre ce schéma : les appelants raccrochaient après avoir reçu l’information et ne rappelaient pas dans les deux heures. Ce pourcentage est faible, mais il soulève une question plus vaste : que se passe-t-il lorsque les indicateurs que nous avons traditionnellement utilisés pour mesurer l’engagement cessent de mesurer la valeur avec précision ?

À mesure que l’IA gagne en capacités, il se pourrait que nous constations davantage de cas où des interactions plus courtes sont aussi de meilleure qualité. Si un système peut anticiper un besoin et présenter de manière proactive les bonnes informations, la durée des conversations, le nombre d’étapes réalisées et même les taux d’abandon traditionnels pourraient devenir des indicateurs de réussite moins pertinents.

Chaque interaction avec l’IA est une mise à l’épreuve

À mesure que l’IA s’intègre à un nombre croissant de processus de travail, les utilisateurs sauront mieux déterminer quels systèmes méritent qu’ils leur consacrent du temps. Les premiers instants d’une interaction pèsent lourd, car les gens évaluent rapidement si le système comprend leur situation, si les informations qu’il fournit semblent fiables et si poursuivre l’échange en vaut la peine.

Les expériences d’IA les plus convaincantes seront celles qui sauront démontrer rapidement et avec précision qu’elles disposent d’un contexte utile. Dans le service client, cela pourrait signifier connaître l’état d’un dossier avant que l’appelant ne l’explique. Dans un assistant d’entreprise, il pourrait s’agir de comprendre le rôle et les autorisations d’un employé, ainsi que les tâches qu’il effectue actuellement. Dans le développement logiciel, cela pourrait consister à raisonner sur l’architecture qui entoure un morceau de code.

Les entreprises ont raison de vouloir rendre leurs systèmes plus naturels à utiliser, alors qu’elles investissent dans la prochaine génération d’expériences d’IA. Mais une conversation naturelle ne peut nous mener que jusqu’à un certain point. Les gens donneront sa chance à l’IA si elle leur donne une raison de croire qu’elle peut les aider ; de plus en plus, cette raison tient au contexte.