IA génératives et relations clients : usage, complexité, risques…

1 – Résumer les dernières interactions et générer des comptes-rendus

Complexité : faible

Risque : faible

Les logiciels de CRM et de gestion des interactions permettent de consulter le contenu des dernières interactions écrites voire orales. Les IA génératives vont bien plus loin en offrant la capacité de synthétiser les comptes-rendus de ces interactions – par exemple celles qui se rapportent à une demande précise – tout en y associant un sentiment (satisfaction, colère…) Cela permet d’accélérer la compréhension du contexte d’un client, notamment quand différents agents sont successivement impliqués. Une telle application ne demande pas un gros effort de développement ni d’intégration. Des éditeurs de plateforme de gestion des interactions la proposent d’ailleurs déjà à titre expérimental. Dans le même ordre d’idée, une IA générative peut produire un compte-rendu synthétique, par exemple à partir de la retranscription écrite d’une conversation vocale.

2 – Produire des contenus marketing

Complexité : faible à moyenne

Risque : faible

ChatGPT est capable de résumer ou de générer un contenu à partir de plusieurs contenus ou directives fournis en vrac, tout en y ajoutant ses propres connaissances. Il est ensuite aisé de reprendre et peaufiner le texte généré, voire de demander à l’IA générative de s’en charger lui-même, quitte à lui fournir des directives de plus en plus précises. Les IA génératives promettent ainsi une industrialisation de la production de contenus destinés à des sites marchands ou à des campagnes marketing. La complexité de mise en œuvre est assez faible, même si elle augmente lorsque l’on souhaite personnaliser les contenus.

3 – Produire plus rapidement des chatbots plus efficaces

Complexité : élevée

Risque : potentiellement élevé

ChatGPT offre un mode conversationnel bien plus puissant que les chatbots classiques. Il conserve parfaitement le contexte et permet par exemple d’apporter des précisions afin d’améliorer la réponse.Un chatbot utile pour l’entreprise doit toutefois s’appuyer sur les connaissances qu’elle détient (clients, produits ou services). Une intégration poussée est donc nécessaire. Peu d’entreprises se lanceront elles-mêmes dans une telle démarche. Et sans doute les ESN s’appuieront-elles sur des éditeurs de chatbots et autres voicebots dont les moteurs conversationnels pourraient reposer à l’avenir sur des moteurs comme celui de ChatGPT. Si l’intégration peut être complexe, le développement serait à l’inverse potentiellement simplifié car les IA génératives permettent d’automatiser en partie la détection d’intentions et facilitent l’apprentissage – des phases habituellement fastidieuses. De plus, il est possible de demander aux IA génératives d’adapter leur réponse, par exemple à l’interlocuteur – client junior, senior ou geek.

Un chatbot présente déjà un risque de mauvaise réponse, qu’il est possible d’encadrer en identifiant parfaitement les intentions et en aiguillant les demandes les plus complexes vers un humain, éventuellement quand le client en exprime le souhait. Une IA générative qui mixerait des connaissances internes et externes à l’entreprise pourrait être, davantage qu’un chatbot classique, susceptible de se tromper. Ce risque accru devra être géré, par exemple par une phase de test renforcée et une sensibilisation des utilisateurs ou des directives supplémentaires.

4 – Peaufiner le concept de conseiller augmenté

Complexité : élevée

Risque : moyen

L’agent augmenté traditionnel est assisté par une IA qui analyse en temps réel les conversations et lui suggère des réponses. Avec une IA générative, ces suggestions sont potentiellement plus riches et plus pertinentes. Et surtout, les capacités conversationnelles de cette IA permettent à l’agent d’affiner les suggestions, par exemple en lui posant des questions ou en apportant des précisions sur le contexte du client. La complexité de mise en œuvre de ce cas d’usage est sensiblement la même que pour un chatbot basé sur une IA générative. Le risque est en revanche réduit car les réponses passent par le filtre de l’agent, qui peut décider de les enrichir ou de les ignorer. 

5 – Alimenter automatiquement des formulaires web ou le CRM

Complexité : moyenne

Risque : faible

Une IA générative permet d’identifier dans un texte, des informations que l’on juge pertinentes. En corolaire, elle sait extraire des données structurées dans un texte non structuré. Cette capacité peut être mise à profit pour remplir automatiquement des formulaires, que ce soit sur le web ou dans un outil métier. Par exemple, durant une conversation, l’IA remplira au fil de l’eau un formulaire qui viendra ensuite alimenter le CRM. Le risque de ce cas d’usage est faible car ce formulaire sera validé par l’utilisateur avant d’être injecté dans l’application métier.

6 – Coacher les téléconseillers

Complexité : élevée

Risque : moyen

Durant les interactions, l’IA générative peut assister l’agent (c’est la notion d’agent augmenté) mais elle peut aussi, en silence, identifier les difficultés qu’il rencontre. A posteriori, elle peut alors se comporter en coach virtuel, par exemple pour entrainer l’agent à mieux traiter certaines demandes ou situations. L’IA peut aussi coacher de jeunes recrues pour les rendre plus rapidement opérationnelles.

Conclusion

L’intégration des IA génératives dans les plateformes dédiées à la relation client réduira la complexité de mise en œuvre de ces cas d’usages et en suscitera probablement de nouveaux. La balle est dans le camp des éditeurs. De récentes annonces, comme celle de l’API pour ChatGPT et d’Einstein GPT (une IA générative dédiée à la relation client) ébauchent déjà cette évolution qui, d’ailleurs multiplient les annonces.