En utilisant l’IA pour réduire les frictions dans l’assistance client, l’entreprise a dégagé davantage de capacité pour traiter des problèmes complexes
Cet article est une adaptation d’un webinaire organisé pour les entreprises du groupe Volaris et animé par Hanna Ha, responsable des programmes de connaissances d’entreprise au sein du groupe Volaris.
Maintenir un service d’assistance à plein régime peut être un défi pour toute entreprise. L’une de nos entreprises a trouvé un moyen de rendre le sien plus fluide.
Guy Hiddleston est responsable des systèmes informatiques et de la conformité chez Artifax, une entreprise détenue par Volaris qui développe des logiciels de gestion de lieux et d’événements pour les théâtres, les musées et d’autres organisations culturelles et patrimoniales.
Il a récemment partagé avec la communauté Volaris son expérience de la création, de A à Z, d’un agent d’assistance auto-hébergé, motivée par la volonté de rendre les connaissances existantes de l’équipe plus accessibles à ses collaborateurs et à ses clients.
Difficultés à trouver les informations du service d’assistance
Artifax dispose d’une activité d’assistance relativement réduite, qui traite environ 2 500 tickets par an. En général, cette fonction était assurée par un spécialiste support à temps plein, avec l’appui des services professionnels. Mais les connaissances sur lesquelles ils s’appuyaient étaient dispersées dans un vaste fonds d’articles du centre d’aide, d’historiques de tickets et de longues transcriptions non structurées d’appels des services professionnels et de l’équipe Customer Success.
« À moins de savoir ce que l’on cherchait et quoi rechercher, il était assez difficile d’y accéder », a déclaré Guy.
Leurs clients rencontraient également une difficulté. La base de connaissances d’Artifax n’était pas facilement accessible, ce qui générait un flux constant de tickets FAQ répétitifs. Répondre à ces demandes prenait du temps aux équipes, au détriment de dossiers réellement complexes.
Par ailleurs, l’entreprise avait besoin d’un moyen de transmettre aux nouvelles recrues les connaissances relatives à des modules de niche.
Passer des tickets à un cerveau consultable
Artifax a décidé de créer un agent IA pour résoudre ces difficultés. Leur démarche a commencé par l’extraction. L’équipe a récupéré l’intégralité de l’historique des tickets et l’archive de la base de connaissances, a fait passer un agent sur chaque ticket et l’a résumé en précisant quel était réellement le problème du client, comment il avait été formulé et comment il avait été résolu. Ces résumés rationalisés, et non les échanges bruts, ont été intégrés à une base de données vectorielle.
Artifax a ensuite créé deux récupérateurs distincts — l’un pour les tickets d’assistance, l’autre pour les articles de la base de connaissances — chacun conservé dans des tables séparées.
La première version de l’agent fonctionnait dans un outil de workflow open source, où Guy pouvait discuter directement avec lui. Cela fonctionnait, mais ce n’était pas prêt pour les clients.
Préparer l’agent pour les clients
Plutôt que de mettre l’agent directement face aux clients, Artifax a intégré des garde-fous. Pour ce faire, un nouveau ticket était envoyé à l’agent dès sa création, puis le brouillon de réponse de l’agent était publié sous forme de note privée, réservée à l’interne. Les équipes support utilisaient ce brouillon généré par l’agent pour investiguer plus vite ou reprendre une réponse proposée. Dans certains cas, pour des FAQ plus simples, elles pouvaient simplement copier le brouillon dans une réponse destinée au client.
« La raison pour laquelle nous ne sommes pas passés directement à une réponse publique, c’est que, du point de vue de la gouvernance, ce serait une activité à haut risque », a déclaré Guy. « Nous voulions d’abord pouvoir valider, affiner le modèle, puis avancer. »
Cette période de validation a duré environ un mois, avec des humains qui vérifiaient chaque réponse pour le ton, le périmètre et les citations. Cette étape s’est révélée importante pour aider à prévenir les hallucinations de l’agent IA.
L’équipe a modifié l’agent afin que chaque réponse qu’il fournit comporte désormais une source en bas, pour qu’Artifax comme ses clients puissent remonter une affirmation jusqu’à son origine. « Nous avions besoin que les clients aient confiance et puissent aller à la source pour valider cette information », a-t-il expliqué.
Mettre en place des garde-fous contre les hallucinations
Certains garde-fous intégrés par Artifax dans l’agent étaient évidents, comme rester dans le sujet et ne rien aborder en dehors du produit.
Mais d’autres idées de garde-fous ont émergé lors des tests internes.
Comme l’agent a accès aux données des tickets d’assistance, il est techniquement capable de répondre à des questions qui dépassent le support, mais qui peuvent contenir des informations qui ne sont pas destinées à cet usage. Pour éviter les abus, le prompt système précise désormais les règles de citation, des interdictions explicites et la manière dont l’agent doit refuser et rediriger de façon cohérente, chaque sortie étant vérifiée par rapport à ces garde-fous avant d’être montrée à quiconque. Artifax a également mis en place une protection des données personnelles, avec une défense à deux niveaux.
Pour mettre l’ensemble à l’épreuve, Guy a mis au défi toute personne dans l’entreprise de contourner les garde-fous.
Tout ne s’est pas déroulé sans accroc. Au début, l’équipe a expérimenté des modèles plus rapides, avec un raisonnement moins poussé, afin d’obtenir des temps de réponse plus courts. Ces modèles hallucinaient beaucoup plus et inventaient des URL du centre d’aide au lieu de citer les vraies.
« C’était frustrant pendant notre période d’expérimentation. Les informations provenaient toujours d’articles en ligne, mais le modèle créait sa propre URL », a déclaré Guy.
Depuis, Artifax a tiré les enseignements de cette phase d’apprentissage. L’équipe a compris que changer de modèle peut modifier suffisamment le ton et le comportement pour que tout doive être retesté. Concrètement, cela signifie créer une copie parallèle de l’agent sur le modèle candidat, la valider indépendamment, puis seulement basculer la production.
Une fois l’équipe à l’aise, l’agent est sorti de la phase de test et a été intégré au produit Artifax, où il a été lancé en douceur auprès des clients via le bouton d’aide.
Comment l’équipe support a rationalisé les workflows
Le gain le plus évident concerne l’onboarding. Une nouvelle recrue du service support, qui ne connaissait pas les modules les plus spécialisés d’Artifax, a pu répondre à des tickets dès sa première semaine après avoir utilisé les résumés privés de tickets générés par l’agent.
Le volume global de tickets n’a pas chuté de manière spectaculaire, mais Artifax constate que très peu de sessions de chat aboutissent à l’ouverture d’un ticket. Guy précise que cela ne reflète pas une déviation des demandes d’assistance, mais le succès du nouveau canal d’assistance en libre-service, réellement autonome, qui réduit les frictions pour les clients.
En interne, l’équipe utilise l’agent quotidiennement, et le flot de tickets FAQ répétitifs s’est tari, libérant du temps pour améliorer les articles du centre d’aide, qui alimentent ensuite directement les connaissances de l’agent.
Et ensuite pour Artifax
Artifax enregistre désormais les appels des services professionnels et de l’équipe Customer Success afin de constituer une deuxième couche de connaissances, réservée à l’interne. Ainsi, les responsables de compte pourront, à terme, demander à l’agent un résumé de la situation d’un client donné.
L’équipe envisage également de passer d’une plateforme à une autre, principalement pour disposer d’une piste d’audit plus mature, à mesure que les enjeux de l’automatisation augmentent avec une adoption accrue de l’IA.
« Disposer d’une piste d’audit et d’un journal des décisions vraiment solides est essentiel pour ajouter d’autres agents », a-t-il déclaré.
Son conseil aux autres entreprises qui souhaiteraient mener un projet similaire ? « Vos données sont déjà là. Allez les chercher. »
