Un chatbot de service client mal conçu ne permet pas de réaliser des économies ; il les déplace. Il réduit une dépense visible – le coût de l’équipe d’assistance – et en augmente d’autres que personne n’attribue à cette décision : perte de clients, escalade des réclamations, atteinte à la réputation et, de plus en plus, responsabilité juridique quant aux informations fournies par le système.
Le bilan est presque toujours présenté de manière incomplète. Le coût évité par requête automatisée, facile à calculer, est indiqué, mais le coût des requêtes mal résolues, difficile à calculer et considérablement plus élevé, ne l'est pas.
En 2024, la Cour de résolution des conflits civils de la Colombie-Britannique a rendu sa décision dans l'affaire *Moffatt c. Air Canada*. Un client avait consulté le chatbot de la compagnie aérienne au sujet des frais de deuil, et le système avait fourni des informations erronées. Suite à la plainte du client, la compagnie a soutenu que le chatbot était, de fait, responsable de ses propres déclarations.
La cour a jugé cet argument remarquable, voire surprenant, et a ordonné à Air Canada d'indemniser le client. Le montant était symbolique : 812,02 dollars canadiens. Mais la jurisprudence, elle, ne l'est pas.
Ce qui est pertinent quelle que soit la direction prise, c'est ceci : Ce que dit votre bot, c'est ce que dit votre entreprise.. Il n'existe aucun mécanisme de responsabilisation. Si le système promet un remboursement, une condition ou une échéance, l'organisation en est responsable au même titre qu'un employé. Et contrairement à un employé, le système peut en informer dix mille personnes avant même que quiconque ne s'en aperçoive.
Départ | Comment est-ce mesuré ? | Qui la voit |
Économies sur le soutien | Requêtes automatisées x coût par requête | Gestion des opérations, chaque mois |
Clients perdus | Rotation des personnes ayant eu une mauvaise interaction | Personne n'attribue cela au bot. |
Mise à l'échelle tardive | Coût du règlement d'un incident aggravé | Soutien, sans remonter à l'origine |
Plaintes formelles | Délais et indemnités juridiques | Juridique, des mois plus tard |
Réputation | Avis, réseaux sociaux, bouche-à-oreille | Le marketing, sans cause identifiée |
L'asymétrie est structurelle : les économies sont mesurées mensuellement et directement imputées au projet ; les pertes sont réparties entre cinq services et jamais imputées à qui que ce soit. C'est pourquoi les projets d'automatisation du support sont presque toujours présentés comme des réussites, même si le client bénéficie d'un service de moindre qualité.
Pour corriger cette asymétrie, il faut mesurer l'équilibre global dès le départ, et non après coup. Et l'indicateur qui reflète le mieux cette asymétrie n'est pas le taux d'automatisation, mais… le taux de résolution dès la première interaction, combiné à la satisfaction des cas escaladés.. Un bot qui automatise beaucoup de tâches mais qui s'adapte mal à la croissance produit d'excellents résultats et un client mécontent.
Cela ne vous permet pas de partir. Le symptôme qui détruit la valeur le plus rapidement. Un client qui ne trouve aucun moyen de communiquer avec quelqu'un ne reste pas : il part ou publie un message. L'option de réclamation doit être visible dès le premier message, et non cachée derrière cinq tentatives infructueuses.
Il ne sait pas qui vous êtes. Un bot sans accès au contexte client (commandes, problèmes en cours, historique) oblige à répéter des informations déjà en possession de l'entreprise. C'est le signe le plus évident d'un système installé par-dessus le processus plutôt qu'intégré à celui-ci.
Il affirme avec assurance ce qu'il ignore. Le problème n'est pas qu'il commette des erreurs, mais qu'il les commet avec le même ton que lorsqu'il a raison. Un système bien conçu prévoit des conditions explicites pour dire « Je ne peux pas confirmer cela » et transmettre l'information à la personne concernée.
Elle promet des choses que l'entreprise ne tiendra pas. C’est là que réside le risque juridique. Tout engagement concernant les montants, les délais, les remboursements ou les conditions doit provenir d’une source fiable au sein du système, et non du modèle généré.
Il ne tire aucune leçon de ce qu'il escalade. Chaque cas d'étude de cas fournit des données sur les éléments manquants. Si personne ne les examine régulièrement pour corriger la conception, le bot ne s'améliore pas : il devient simplement obsolète.
Nous avons analysé un cas particulier de ce schéma et ses conséquences dans Comment un chatbot a ruiné la réputation d'une entreprise
La différence entre les deux résultats ne réside pas dans le modèle. Elle tient à quatre choix de conception effectués avant même d'écrire la moindre ligne de code :
Décidez de ce qu'il ne faut PAS faire. Avant de définir le périmètre d'intervention, il convient d'identifier ce qui n'en fait pas partie : les réclamations, les questions juridiques, les dossiers clients présentant des situations particulières, bref, tout ce qui implique un engagement financier. Cette liste doit être explicite et rédigée par les équipes métiers, et non par l'équipe technique.
Reliez-le à la source de la vérité. Le statut d'une commande ne doit pas être généré automatiquement : il doit être consulté. La génération de langage sert à expliquer, non à établir des faits. Cette distinction – le modèle rédige, le système décide – élimine d'emblée la majeure partie du risque.
La mise à l'échelle de la conception fait partie intégrante du produit. Avec un contexte complet, sans que le client ait à répéter quoi que ce soit, et dans des délais clairement définis. Une bonne expérience est positive ; une mauvaise est pire que de ne pas avoir eu de bot du tout.
Mesurez la satisfaction du client à grande échelle, et pas seulement celle du client automatisé. C'est l'indicateur qui détecte les dommages avant qu'ils n'apparaissent dans le processus de barattage.
Une organisation qui prend ces quatre décisions peut déployer l'automatisation en toute confiance. Celle qui ne les prend pas risque sa relation client en la laissant s'appuyer sur le comportement d'un élément aléatoire.
Il existe des contextes où la bonne réponse n'est pas d'automatiser la première ligne :
Dans ces cas-là, l'automatisation en coulisses est plus pertinente : elle permet de préparer la réponse qu'un opérateur envoie ensuite, de résumer l'historique de l'appel, de le classer et de l'acheminer. Les économies sont réelles et le risque pour le client est nul grâce à l'intervention humaine.
Il ne s'agit pas de savoir « combien nous allons économiser », mais plutôt : Combien nous coûte la perte d'un client mécontent, et combien de clients devraient partir pour annuler les économies réalisées ?
Dans la plupart des entreprises B2B, ce chiffre est malheureusement trop faible. Faire les calculs au préalable permet de distinguer une automatisation rentable des économies réalisées au détriment de votre clientèle.
Oui. Dans l'affaire Moffatt c. Air Canada (2024), la Cour civile de la Colombie-Britannique a rejeté l'argument selon lequel le chatbot était responsable de ses propres déclarations et a ordonné à la compagnie aérienne d'indemniser le client pour les informations incorrectes fournies par le système.
En raison d'une asymétrie de mesure : les économies réalisées sur le support sont calculées avec une précision mensuelle et attribuées au projet, tandis que les dommages — clients perdus, incidents aggravés, plaintes et atteinte à la réputation — sont répartis entre plusieurs services et ne sont pas imputés à l'automatisation.
Le taux de résolution dès la première interaction, combiné à la satisfaction des clients ayant subi une escalade, est un indicateur pertinent. Le taux d'automatisation, pris isolément, est trompeur : un bot qui automatise beaucoup mais dont la capacité d'adaptation est limitée peut certes résoudre un grand nombre de problèmes, mais engendrer l'insatisfaction du client.
Expliquez clairement le problème et transmettez-le à une personne disposant de tous les éléments de contexte, sans que le client ait à répéter l'information. Le problème d'un bot mal conçu n'est pas qu'il commette des erreurs, mais plutôt qu'il affirme avec la même certitude qu'il a raison ou tort.
Il s'agit de séparer les deux fonctions : le système détermine les faits en consultant la source de vérité (état de la commande, conditions contractuelles, montants), et le modèle se contente de rédiger l'explication. Tout engagement financier ou de délai doit être exclu du processus de génération du texte.
Lorsque le volume est faible et que chaque client a un impact significatif sur le chiffre d'affaires, lorsque la plupart des demandes sont des plaintes, lorsque le secteur est soumis à une forte pression émotionnelle ou réglementaire, ou lorsque l'entreprise se dispute l'attention personnelle de ses clients, l'automatisation est plus performante en coulisses, préparant ce qu'une personne envoie ensuite.
Allez-vous automatiser le service client ? Nous commençons par définir les limites du système, nous le connectons à vos données de référence et nous intégrons l'évolutivité au produit. Nous analyserons votre cas en deux heures, sans engagement. Parlons-en → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
