Entretiens

Zack Peng, cofondateur et PDG de Seel – Série d’entretiens

Antoine Tardif
Ajouter Unite.AI à vos sources préférées sur Google
Zack Peng, Co-Founder and CEO of Seel
Points clésSeel résout plus de 99 % des cas d'assistance en permettant à l'IA d'achever les…
Voir plus
  • Seel résout plus de 99 % des cas d'assistance en permettant à l'IA d'achever les résolutions plutôt que de simplement dévier les tickets.
  • La confiance dans l'assistance par IA dépend d'une sortie visible vers un humain plutôt que de l'exactitude du bot.
  • Les marchands devraient exiger des preuves de taux de résolution de bout en bout et de responsabilité plutôt que des démonstrations soignées.

Zack Peng est cofondateur et PDG de Seel, où il s’intéresse aux problèmes rencontrés par les acheteurs et les commerçants après le paiement. Il a commencé par prédire les retours et les remboursements, puis a étendu ses travaux aux systèmes d’IA capables de traiter les demandes des clients tout au long des processus commerciaux. Il préconise d’associer des agents capables d’agir à des limites de fonctionnement claires, à la possibilité de faire intervenir un humain et à une responsabilité quant au résultat obtenu par les clients.

Seel propose des services après-achat et des agences d’IA pour le commerce électronique, notamment la protection des achats et des livraisons, le service client et la revente. Sa plateforme relie les systèmes des commerçants, les informations sur les commandes et les processus de service afin de contribuer à résoudre les problèmes des acheteurs, tandis que sa passerelle LLM donne accès à des modèles et permet d’orienter les tâches en fonction de leur nature. Dans cet entretien, Peng évoque le passage des réponses aux questions à la prise en charge des résultats, les contrôles nécessaires pour permettre aux agents d’agir sur différents systèmes et la manière dont les commerçants peuvent évaluer la fiabilité des services d’IA.

Qu’est-ce qui vous a donné envie de cofonder Seel, et comment le fait de résoudre les problèmes rencontrés par les acheteurs après le paiement vous a-t-il amené à créer une main-d’œuvre d’IA pour le commerce électronique ?

Tout a commencé avec une place de marché. Nous avons rencontré un fondateur qui en dirigeait une et constaté les efforts considérables que le secteur consacrait à la prédiction des rétrofacturations, qui représentent environ 0,5 % du GMV. Les retours et les remboursements, eux, atteignaient 10 à 20 %, et personne ne cherchait à les prédire. Nous avons donc créé un modèle capable de le faire, puis nous l’avons utilisé pour permettre aux acheteurs de payer de petits frais afin de rendre remboursables des articles vendus sans possibilité de retour. Je m’attendais à ce que 3 à 5 % d’entre eux choisissent cette option. En réalité, ils étaient 10 à 20 %. Cela nous a montré que les acheteurs sont prêts à payer pour avoir l’esprit tranquille après le paiement, tout comme ils achètent AppleCare ou une assurance pour une voiture de location.

Notre main-d’œuvre d’IA est née de notre propre boîte de réception du service client. Plus de 70 % de nos tickets d’assistance n’avaient rien à voir avec les retours. Les acheteurs voulaient savoir où en était leur commande ou s’ils pouvaient échanger un article. Au lieu de les renvoyer vers le commerçant, nous avons commencé à traiter nous-mêmes ces tickets. Nous avons compris que la véritable valeur de l’IA dans le commerce n’est pas de faire des économies. Elle consiste à accomplir des tâches instantanément et à grande échelle, même pendant les périodes de forte activité. Cela comprend des systèmes d’IA capables d’évaluer et d’approuver les remboursements admissibles avant même de recevoir les articles retournés, ainsi que des agents d’IA disponibles 24 h/24 et 7 j/7, capables d’agir pour traiter les demandes des clients.

Vous décrivez une progression des chatbots qui répondent aux questions aux agents qui agissent, puis aux agences d’IA qui prennent en charge un résultat de bout en bout. Qu’est-ce qui change sur les plans technique et opérationnel d’une étape à l’autre, et pourriez-vous illustrer cette évolution par un problème réel rencontré par un client ?

La différence tient à la personne ou au système qui prend en charge le résultat. Un chatbot répond à la question « Où est ma commande ? ». Un agent accomplit une tâche précise, comme déposer une réclamation. Une agence prend en charge le résultat final : le client reçoit ce pour quoi il a payé.

Sur le plan technique, une agence intervient dans plusieurs systèmes, notamment la boutique du commerçant, le transporteur et les paiements, plutôt que dans un seul. Elle suit un dossier pendant plusieurs jours, et non au cours d’une seule conversation, et doit savoir quand le problème est réellement résolu. Sur le plan opérationnel, on cesse d’affecter du personnel en fonction du volume de tickets pour en affecter à la gestion des exceptions.

Prenons le cas d’un colis indiqué comme livré, mais qui n’est jamais arrivé. Un chatbot conseille à l’acheteur d’attendre. Un agent ouvre une réclamation. Les agences Seel vérifient le scan du transporteur et l’historique de la commande, déterminent si la demande est admissible, procèdent au remboursement ou expédient un article de remplacement, mettent à jour les dossiers du commerçant et informent l’acheteur que le problème est réglé. En tant que partenaire qui prend en charge de bout en bout les tickets après-achat des commerçants, nous avons d’abord testé cette infrastructure d’IA sur nos propres tickets. Cette approche axée sur la résolution nous a permis d’atteindre un taux de résolution supérieur à 90 %, tout en pouvant signaler et rembourser immédiatement les demandes admissibles.

Imaginons qu’un agent d’achat se trompe de taille en passant une commande pour quelqu’un. Que faudrait-il mettre en place entre cet agent, le commerçant et Seel pour corriger l’erreur, et qui devrait être responsable du résultat ?

L’acheteur ne devrait pas avoir à jouer les arbitres. Quelle que soit la personne à l’origine de l’erreur, la solution est la même : un échange ou un remboursement rapide.

Trois éléments rendent cela possible. La commande doit comporter une trace indiquant qui l’a passée et sur quelle instruction, afin que la décision de l’agent puisse être retracée. Deuxièmement, la politique de retour du commerçant doit être lisible par une machine, pour qu’un agent puisse l’appliquer. Troisièmement, quelqu’un doit garantir le résultat avant que les responsabilités ne soient établies.

C’est là que Seel intervient. Nous prenons en charge la responsabilité financière. Si la commande était protégée, l’acheteur est d’abord indemnisé, et l’attribution des responsabilités vient ensuite. Si un agent d’achat doté d’IA commande la mauvaise taille pour quelqu’un, l’acheteur devrait bénéficier de la même procédure de résolution que s’il avait passé la commande lui-même, à condition que la protection adéquate ait été ajoutée au moment du paiement et que le problème soit couvert. Nous assumons financièrement les résultats que nous couvrons. L’acheteur ne devrait pas avoir à déterminer si l’erreur vient de lui ou de son agent.

Votre équipe affirme que l’IA accélère le traitement de 80 % du volume de tickets d’assistance de Seel. Concrètement, que signifie « accélérer » ? Quelle proportion des tickets est résolue sans intervention humaine, et quels indicateurs permettent de savoir si les clients bénéficient réellement d’un meilleur service ?

Cela signifie que l’IA effectue les tâches qui ralentissaient auparavant une personne : lire le dossier, récupérer les données de commande et de transporteur, vérifier la politique du marchand et, dans la plupart des cas, résoudre le problème. L’IA traite ainsi 80 % du volume de nos tickets. Au total, nous résolvons plus de 99 % des demandes d’assistance, alors que le secteur parle généralement de 60 à 70 %.

Mais le taux de résolution, à lui seul, peut masquer un mauvais service : un robot qui détourne les clients du service d’assistance peut afficher d’excellents résultats sur un tableau de bord. Nous suivons donc des indicateurs comme le taux de réouverture des tickets, le taux de transfert à un agent humain et la satisfaction client. La rapidité compte dans les situations qui frustrent les clients. Pour modifier une adresse de livraison, il faut généralement échanger des courriels entre des systèmes distincts de gestion des commandes et de traitement des expéditions. Nos agents s’en chargent en quelques minutes.

L’indicateur qui m’importe le plus, c’est de savoir si le client achète à nouveau. Dans l’ensemble de notre réseau, 69 % des acheteurs qui sont revenus avaient protégé leur première commande.

Vous vous êtes décrit comme « favorable aux agents, mais pas au pilote automatique ». Quelles décisions choisissez-vous délibérément de réserver aux personnes, et comment votre système détecte-t-il qu’un cas apparemment courant nécessite un jugement humain ?

Le pilote automatique signifie que personne ne surveille. Nous voulons que les agents effectuent la majeure partie du travail et que les personnes prennent les décisions qui nécessitent du discernement.

Nous réservons trois types de décisions aux personnes : tout ce qui définit une politique, les cas où une mauvaise décision serait coûteuse à corriger, et les cas suffisamment inhabituels pour que la réponse prévue par la règle ne soit pas nécessairement la plus juste. L’IA traite les cas courants dans ces limites et ne peut pas étendre ses propres pouvoirs. Si une action n’a pas été autorisée, ou si un cas nécessite une approbation supplémentaire ou un traitement particulier, il est directement transmis à une personne.

Le système ne se limite pas au type de demande : il tient compte du contexte, notamment du risque, de l’urgence, de la frustration du client et de la sensibilité de la demande au regard des politiques. Les cas à haut risque sont transmis à des personnes, tandis que les cas sensibles au regard des politiques peuvent nécessiter des vérifications supplémentaires avant toute action. Ces seuils sont définis en fonction du marchand et du processus de travail, plutôt que d’être exprimés sous la forme d’un montant ou d’un score de confiance universel. Une demande de traitement accéléré ou de versement plus élevé, par exemple, peut dépasser les pouvoirs autonomes de l’IA.

Vos recherches sur les acheteurs indiquent que de nombreux consommateurs de la génération Z souhaitent encore qu’une personne intervienne pour résoudre leurs problèmes. Qu’avez-vous appris sur la conception d’une assistance par IA qui inspire confiance, en particulier lorsque les clients veulent contester une décision ou joindre une personne ?

La génération Z est celle qui est le plus à l’aise avec l’IA, mais aussi celle qui remarque le plus vite qu’une entreprise s’en sert pour l’éviter. Dans notre rapport 2026 sur les habitudes d’achat de la génération Z, 49 % des personnes interrogées de cette génération ont déclaré préférer résoudre un problème avec une personne. Elles veulent malgré tout que cela aille vite : 87 % des acheteurs s’attendent à ce qu’un problème soit résolu en deux à trois jours.

Nous avons appris que la confiance dépend de la possibilité de s’adresser à quelqu’un, pas du robot. Quand les clients savent qu’ils peuvent joindre une personne, ils acceptent volontiers que l’IA s’occupe de leurs demandes. Quand l’IA devient un obstacle, la confiance s’effondre, même si la réponse était juste.

Nous concevons donc nos solutions autour de trois priorités :

  • La rapidité, pour résoudre les problèmes avant que la frustration ne s’installe
  • Une explication claire, en termes simples, chaque fois que l’IA répond par la négative
  • Et le transfert à une personne en une seule étape, avec accès immédiat à l’historique complet, afin que le client n’ait jamais à se répéter.

Lorsque les agents peuvent émettre des remboursements, modifier des commandes ou intervenir dans les systèmes des marchands, les erreurs ont des conséquences financières. Comment appliquez-vous les autorisations, empêchez-vous les actions en double ou non autorisées, et reconstituez-vous les événements lorsqu’un problème survient ?

Chaque agent dispose des accès nécessaires à son travail, et de rien de plus. Ces accès sont limités aux processus de travail spécifiques que le marchand a approuvés. Nous utilisons des comptes dédiés ou des jetons d’API, distincts des identifiants des employés, afin que le marchand puisse modifier, suspendre ou révoquer les accès à tout moment.

Pour les actions plus risquées, comme les remboursements importants, nous pouvons configurer une vérification humaine ou des seuils fondés sur le montant et les règles du marchand. Donner à un agent accès à un système ne devrait pas lui conférer un mandat sans limites.

Chaque action effectuée dans un système est consignée, avec sa date et son heure, la nature de l’action et le motif qui l’a déclenchée. En cas de problème, ces informations nous fournissent un historique pour mener une enquête avec le marchand, aider à revenir sur l’action et renforcer les règles par la suite.

Avec 1-Click Resale, les agents créent des annonces, fixent les prix et coordonnent les ventes sur plusieurs places de marché. Comment vérifiez-vous les descriptions des produits et les prix, et empêchez-vous la vente en double d’un article lorsque les mises à jour des places de marché tardent ?

Notre service de revente effectue les tâches dont les vendeurs préfèrent généralement se passer. Il examine la photo fournie par le client pour vérifier l’état de l’article, en fixe le prix en fonction du marché, crée l’annonce et la retire dès que l’article est vendu.

Les descriptions s’appuient sur les données dont nous disposons déjà. Comme l’article provient d’une commande passée chez un marchand, le service s’appuie sur la fiche produit d’origine. Le prix est établi à partir des prix auxquels des articles comparables ont réellement été vendus, puis ajusté en fonction de l’état de l’article. Le client confirme le prix proposé avant que nous poursuivions, et notre équipe s’occupe de l’annonce ainsi que de tout renseignement manquant.

L’objectif est de faciliter la revente afin que les clients puissent récupérer une partie de la valeur des articles dont ils ne veulent plus, même après l’expiration du délai de retour

Quels défis opérationnels vous ont amené à ouvrir Seel’s LLM Gateway, et comment choisissez-vous les modèles en fonction de la fiabilité, de la latence et du coût des différentes tâches ? Évaluez-vous la rentabilité pour chaque appel de modèle ou pour chaque résultat obtenu avec succès pour un client ?

Nous l’avons d’abord conçu pour nous-mêmes. Le développement de Seel Agencies pour gérer nos propres flux de travail nous a appris qu’utiliser l’IA à grande échelle exige de la rigueur dans le choix des modèles. Nous avions besoin d’évolutivité, de fiabilité, d’un accès aux meilleurs modèles et de coûts unitaires prévisibles ; nous avons donc créé l’infrastructure nécessaire. Les commerçants subissaient la même hausse des coûts, modèle après modèle et requête après requête ; nous avons donc ouvert cette infrastructure à tous.

Nous choisissons le modèle en fonction de la tâche. Extraire un numéro de commande d’un e-mail ne nécessite pas le même modèle que résoudre un problème complexe en plusieurs étapes. LLM Router évalue la complexité de la requête et l’oriente vers l’un des modèles autorisés par le client. Les clients privilégient les performances, les économies ou un compromis entre les deux. Ils peuvent ainsi décider jusqu’où réduire les coûts pour les tâches les plus simples.

La fiabilité et la latence doivent aussi être adaptées à la charge de travail réelle. Nous recommandons de tester la qualité, le temps de réponse et le coût avant d’intensifier le routage automatique. Pour les flux de travail complexes ou les tâches qui exigent une stricte cohérence, les clients peuvent conserver un modèle précis au lieu d’opter pour le routage automatique.

LLM Router facture l’utilisation des modèles, et non chaque résultat obtenu pour un client. Avec le routage intelligent, vous payez au tarif du modèle effectivement utilisé. Seel prend en charge le coût de l’évaluation de la complexité de la requête nécessaire à cette décision de routage.

Aux fondateurs qui créent des entreprises dans le domaine de l’IA, qu’a appris Seel sur la différence entre une démonstration impressionnante et un service sur lequel les clients peuvent compter ? Quelles preuves un commerçant devrait-il exiger avant de confier une fonction entière de son entreprise à une agence d’IA ?

Une démonstration montre que le système fonctionne une fois. Un service prouve qu’il fonctionne encore au dix-millième cas, à deux heures du matin, alors que l’API du transporteur est hors service et que le client est mécontent. Le plus difficile n’a jamais été le modèle. Ce sont les mauvaises données, les systèmes qui se contredisent et la capacité à savoir quand l’IA ne devrait pas intervenir.

Les commerçants devraient demander des preuves, pas des démonstrations. Quelle part des cas l’agence résout-elle de bout en bout ? Quels sont ses délais de résolution et ses taux de réachat, au-delà de la simple réduction du nombre de tickets ? Quand elle se trompe, qui en assume le coût, dans quels délais, et pouvez-vous voir exactement ce qu’elle a fait ? Et combien de personnes faut-il pour la faire fonctionner ?

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus sur les agences d’IA, les services après-achat et l’automatisation du commerce en ligne peuvent consulter Seel.

Antoine est un dirigeant visionnaire et associé fondateur d’Unite.AI, animé par une passion inébranlable pour façonner et promouvoir l’avenir de l’IA et de la robotique. Entrepreneur ayant créé plusieurs entreprises, il estime que l’IA transformera la société autant que l’électricité et parle souvent avec enthousiasme du potentiel des technologies de rupture et de l’intelligence artificielle générale (AGI).

En tant que prospectiviste, il se consacre à l’étude de la manière dont ces innovations façonneront notre monde. Il est également le fondateur de Securities.io, une plateforme consacrée à l’investissement dans les technologies de pointe qui redéfinissent l’avenir et transforment des secteurs entiers.