Le problème d’architecture d’IA dans le service client

Klarna a récemment supprimé 700 postes de service client, en pariant que l’IA pourrait absorber la différence. Dans un an, la satisfaction client avait diminué et l’entreprise embauchait à nouveau. Gartner prévoit que d’ici 2027, la moitié des organisations qui prévoient des réductions similaires de personnel abandonneront ces plans également.

Ce n’est pas un problème de capacité d’IA. 100% des agents de centre de contact interagissent avec l’IA quotidiennement pour gérer une grande variété de situations complexes.

Pourtant, zéro pour cent des agents considèrent l’IA comme essentielle à leur travail. Cette lacune n’est pas surprenante. L’IA continue d’être superposée aux mêmes systèmes fragmentés qui faisaient déjà défaut aux agents avant l’arrivée des outils d’IA avancés. Aujourd’hui, les humains font toujours le travail de connexion, de basculement entre les onglets, de copie et de collage, de réconciliation manuelle qui relie un système à un autre.

L’IA a été conçue pour remplacer ce travail. Au lieu de cela, elle l’a compliqué. Jusqu’à ce que quelqu’un répare les connexions entre les systèmes, les agents continueront à faire le travail de l’IA à la main et perdront confiance dans l’outil le plus important à leur disposition.

Le fossé de confiance que personne ne répare

Soixante-dix-huit pour cent des agents déclarent que les outils d’IA n’ont pas modifié de manière significative leur façon de travailler. Quatre-vingt-treize pour cent vérifient les sorties d’IA avant d’agir en conséquence. Les agents voient suffisamment de réponses incomplètes ou inexactes pour que la vérification soit la norme. Ils ne résistent pas à la technologie. Elle n’a pas encore gagné leur confiance.

Les conséquences deviennent visibles au milieu d’une conversation client. Un client appelle pour une contestation de facture, et le résumé de compte généré par l’IA est à trois mois de retard. Ils passent les dix minutes suivantes à vérifier, sur plusieurs systèmes, ce que l’IA était censée surface instantanément, tout en laissant le client en attente.

La plupart des organisations considèrent cette expérience négative comme un problème de personnel. Les agents ont peur que leur emploi soit en danger en raison de l’IA prenant en charge des tâches plus complexes, ils donc travaillent autour.

C’est en réalité un problème de leadership. Gartner a constaté que 91% des dirigeants du service client sont sous pression pour mettre en œuvre l’IA.

Sous cette pression, il est facile d’interpréter les réactions négatives comme un problème d’adoption plutôt que comme un signal que l’IA n’est pas architecturée correctement. En conséquence, l’accent est mis sur l’accélération du déploiement dans les mauvaises zones, et sur l’augmentation des réductions de personnel sans résoudre le problème sous-jacent.

Ce que produit réellement un déploiement fragmenté

Les agents servent de couche d’intégration manuelle entre une conversation client en direct et 4 à 10 outils d’entreprise déconnectés. Ils « basculent » entre les plateformes de facturation, les systèmes ERP et les outils de ticketing tandis qu’un client attend en ligne. C’est parce que la plupart des entreprises ont ajouté l’IA à la même architecture fragmentée qui ralentissait déjà les agents.

Par exemple, les chatbots peuvent gérer le front-end d’une interaction mais échouent lorsqu’il faut accéder au système legacy back-office où se trouve réellement la transaction, forçant les agents à compléter la tâche manuellement. Ou, les outils de résumé d’IA peuvent générer des notes post-appel mais les écrivent dans un système distinct plutôt que dans le CRM de référence. L’IA a hérité de la fragmentation au lieu de la résoudre.

L’IA n’est connectée que dans la mesure où les systèmes sous-jacents le sont. Lorsque les systèmes ne partagent pas de contexte, l’IA ne le peut pas non plus. Elle tire des dossiers historiques du CRM, mais ne peut pas comprendre ce qui se passe dans une conversation client en direct. Au moment où elle surface une recommandation, les données sous-jacentes peuvent avoir changé.

Un contexte incomplet, des données obsolètes et des systèmes déconnectés ne sont pas des problèmes distincts. Ce sont des symptômes d’une défaillance de l’architecture d’IA.

Construire une architecture d’IA qui fonctionne avec les agents humains

Construire une IA que les agents peuvent réellement faire confiance, et qui améliore les résultats du service client, repose sur quatre exigences d’infrastructure :

1. Fournir aux outils d’IA un accès aux données en temps réel. La plupart des déploiements d’IA dans le CX tirent des données client disponibles. Il s’agit souvent de données obsolètes. L’IA doit être conçue pour fournir un accès en temps réel aux données client au moment de la demande, et non un instantané fragmenté assemblé à partir de systèmes détenant différentes versions du même client.
2. Donner à l’IA un contexte persistant. Lorsque l’IA est ajoutée à l’infrastructure existante plutôt que d’être intégrée, le contexte ne voyage pas. Il est abandonné à chaque transfert. L’IA persistante doit être répartie sur toute l’interaction, transportant continuellement l’intention client et le contexte conversationnel à mesure que le travail se déplace entre les systèmes, les canaux et les agents humains. Lorsqu’un agent humain intervient, il ne devrait pas recommencer à zéro.
3. Mettre en œuvre une IA agente pour une exécution autonome, et non seulement des recommandations. Le prochain saut significatif est une IA qui peut exécuter le travail que les agents nécessitent de manière autonome, tout en gardant l’humain dans la boucle pour l’observabilité et le contrôle. Plutôt que de dire aux agents ce qu’ils doivent faire ensuite, l’IA agente orchestre les flux de travail à travers les systèmes d’entreprise, déposant des réclamations, traitant des remboursements, mettant à jour des enregistrements et complétant des tâches, même sur des applications legacy sans API. L’IA gère l’exécution tandis que les agents humains se concentrent sur le jugement, l’empathie et le renforcement des relations client.
4. Choisir des systèmes d’IA qui s’améliorent à partir des résultats, et non seulement des entrées. La plupart des IA d’entreprise sont statiques après le déploiement. L’architecture la plus efficace est celle qui apprend continuellement des résultats des interactions, en optimisant les flux de travail en fonction de ce qui a réellement résolu le problème, et non de ce que les données de formation prévoyaient. L’IA qui ferme la boucle de rétroaction entre les résultats et les performances futures est fondamentalement différente de l’IA qui se déploie et se maintient.

Le fossé de confiance que les agents ont avec l’IA n’est pas un problème de formation ou d’adoption. C’est un problème d’architecture.

Le véritable ROI de l’IA ne réside pas dans la réduction des effectifs, mais dans la valeur créée lorsque les agents peuvent enfin se concentrer sur les clients plutôt que sur les systèmes. Cela ne se produit que lorsque l’IA est intégrée à la couche d’exécution, et non simplement ajoutée par-dessus.

Les organisations qui ont encore des difficultés avec l’adoption ne sont pas en retard sur l’IA. Elles sont en retard sur l’infrastructure. Réparer l’architecture, et le problème d’adoption se résout de lui-même.