Les agents IA au service de la relation client

Aperçu

Introduction

Vous vous souvenez peut-être d’une keynote de Google en mai 2018 qui présente Google Duplex, un assistant IA capable d’accomplir des tâches réelles par téléphone. Lors de cette démonstration, Sundar Pichai, CEO de Google, demande à l’assistant de prendre un rendez-vous chez un coiffeur.

L’échange, fluide et naturel, a impressionné le public et a fait le tour des médias, promettant une nouvelle ère où l’IA deviendrait un assistant du quotidien.

Pourtant, plusieurs années plus tard, les cas d’usage concrets de Google Duplex restent rares et limités. Si cette démonstration a marqué les esprits, elle n’a pas transformé le paysage comme on aurait pu l’imaginer.

Aujourd’hui, le concept d’assistants IA a évolué pour donner naissance à ce qu’on appelle désormais des agents IA. Ces derniers offrent des cas d’usage bien plus plausibles et promettent de révolutionner des secteurs entiers, en particulier celui de la relation client. Il devient même difficile d’imaginer un aspect de l’expérience client qui ne puisse être touché ou amélioré par ces agents IA.

Quiconque souhaite rendre son expérience client plus fluide, plus efficace et mieux adaptée aux attentes, doit absolument se pencher sur ces agents IA.

Dans cet article, nous explorerons ce que sont ces agents IA, comment ils fonctionnent, et surtout, comment les intégrer dès aujourd’hui pour améliorer durablement votre expérience client.

Que sont les Agents d'intelligence artificielle ?

Les agents d'IA sont des systèmes autonomes qui exploitent l'intelligence artificielle pour interpréter leur environnement, prendre des décisions et effectuer des actions afin d'atteindre des objectifs spécifiques.

Ils combinent des capacités de perception, de réflexion, et d’exécution pour résoudre des problèmes de manière autonome et efficace.

Pour bien comprendre, il est intéressant de distinguer Agents IA et prompts LLM :

- Agents d'IA :

Sont capables de résoudre des problèmes complexes en plusieurs étapes (comme créer une présentation complète sur un sujet spécifique), ce qui implique une planification.
Ont accès à des outils pour les aider à résoudre ces problèmes complexes (comme des APIs, des recherches Google, des interpréteurs de code, des bases de données vectorielles...).
Disposent d'une mémoire leur permettant de se souvenir des différentes étapes.

- Prompt LLM :

Génèrent du texte ou répondent à des prompts, sans autonomie ni interaction avec l’environnement ni accès à des outils de type internet, code interpreter, apis etc.

De nombreux cas d’usages

Les agents d'IA se démarquent par leur aptitude à combiner planification, exécution et apprentissage en continu. Voici quelques exemples concrets de ce qu'ils peuvent accomplir :

Surveiller les niveaux de stock en temps réel et passe automatiquement des commandes aux fournisseurs.
Trier les CV, planifie les entretiens et analyse les compétences des candidats.
Gérer les tâches personnelles, comme organiser l'agenda, réserver des billets, ou gérer les finances
Analyser la voix du client : Identifier les tendances dans les avis clients, détecter les problèmes récurrents et recommander des améliorations pour renforcer la satisfaction.

Une partie des tâches nécessitant de réfléchir, décider et agir automatiquement peuvent être optimisées, voire entièrement gérées, par un agent IA. Pour mesurer pleinement leur potentiel, il est essentiel de comprendre comment ils fonctionnent et de voir comment les intégrer dans vos processus. C'est ce que nous allons explorer.

Comment fonctionnent les agents IA ?

Les agents IA suivent en général les mêmes étapes, de la perception de son environment aux actions effectuées sur celui-ci.

Pour facilité la compréhension, suivons l’exemple d’un restaurant qui a mis en place un agent IA pour la gestion des réservation par email.

‍

1. Perception : Collecte des données

La première étape, vous devez connecter vos données qui seront l’environnement de l’agent (emails, appels téléphoniques, capteurs sensoriels, interface web…). Cette étape est essentielle, elle détermine quelles informations seront stockées et priorisées.

‍

L'agent d'IA surveille en temps réel la boîte mail du restaurant et analyse chaque email reçu pour détecter les demandes de réservation. Il identifie les informations importantes dans les messages : Nom du client, Date et heure souhaitées, demandes spéciales…

"Bonjour, je souhaite réserver une table pour 4 personnes le samedi 20 janvier à 19h. C'est pour fêter un anniversaire, pourriez-vous prévoir un gâteau ? Merci, Julien."

L'agent extrait automatiquement les informations clés :

Nom : Julien
Date : 20 janvier
Heure : 19h
Nombre de personnes : 4
Demande spéciale : Gâteau d’anniversaire.

‍

2. Flux de mémoire : Stockage des informations

Le flux de mémoire agit comme une base de données interne pour l'agent. Il stocke et organise toutes les données collectées, y compris les décisions et actions passées, avec des horodatages et des descriptions. Cela permet à l'agent de retrouver rapidement les informations pertinentes et de prioriser celles qui sont les plus récentes ou critiques.

‍

L'agent enregistre les données de la réservation dans son système de mémoire, y compris les demandes spéciales. Cela lui permet de :

Vérifier les disponibilités dans le planning du restaurant.
Conserver un historique des réservations pour des références futures.

‍

3. Récupération des souvenirs : Vérification des disponibilités

Lorsqu'il doit prendre une décision, l'agent extrait des souvenirs pertinents de son flux de mémoire en fonction de leur actualité, pertinence et importance. Cette extraction ciblée aide l'agent à se concentrer sur les informations les plus utiles pour orienter ses actions.

‍

L'agent consulte le planning du restaurant (système de gestion des tables) pour vérifier si une table est disponible le 20 janvier à 19h pour 4 personnes.

Si une table est disponible, l'agent prépare une réponse de confirmation.
Si aucune table n'est disponible, l'agent recherche les créneaux alternatifs proches de la demande initiale.

‍

4. Réflexion : Analyse et suggestions

Après avoir analysé les souvenirs récupérés, l'agent génère des insights complexes et des implications. Ces réflexions sont ensuite réintégrées dans le flux de mémoire, permettant à l'agent d'améliorer ses capacités d'apprentissage et d'adaptation pour ses futures décisions.

‍

L'agent tient compte des demandes spéciales pour formuler une réponse adaptée :

Il note que Julien souhaite un gâteau d’anniversaire.
Il inclut une proposition dans sa réponse pour confirmer ce service et demander des détails (saveur, nombre de parts).

‍

5. Planification : Préparer une réponse

Ici on formule des actions basées sur les données analysées et les insights générés. Les décisions prises sont également stockées dans la mémoire pour assurer une cohérence et informer les actions futures. Une planification minutieuse aide l'agent à agir de manière précise et stratégique.

‍

L'agent rédige automatiquement un email de réponse basé sur les informations et analyses précédentes.

Par exemple si la table est disponible :

"Bonjour Julien, votre réservation pour 4 personnes le samedi 20 janvier à 19h est confirmée. Nous avons bien noté que vous souhaitez un gâteau d’anniversaire. Pourriez-vous nous préciser la saveur et le nombre de parts souhaitées ? Merci de votre confiance !"

‍

6. Agir ou Réagir : Envoyer la réponse et ajuster si nécessaire

Dans cette dernière étape, l’agent met en œuvre les actions planifiées ou réagit à de nouvelles données s'il y a des changements imprévus dans son environnement. Cette double capacité permet à l'agent d’exécuter des stratégies préétablies tout en restant flexible face aux nouveaux défis.

‍

L'agent envoie l'email au client et reste attentif à une éventuelle réponse. Si Julien accepte la réservation ou demande une modification, l'agent ajuste automatiquement la réservation et met à jour le planning.

Si Julien répond en précisant la saveur du gâteau, l'agent informe automatiquement le chef pâtissier.

‍

À mesure que les agents d'IA deviennent plus aptes à raisonner, à planifier et à s'autocontrôler, ils seront en mesure d'effectuer des tâches qui dépassent les compétences des utilisateurs, telles que le codage spécialisé, ou de prendre en charge des tâches plus fastidieuses, rapidement et à grande échelle.

Améliorer l’expérience client avec les Agents IA ?

Plus vite, plus efficace et moins cher ? Serait-ce aussi simple d’améliorer l’expérience client en branchant des agents IA ? La réponse est nuancée

Collecte des données : la base de tout

Maintenant que vous comprenez mieux comment les agents IA fonctionnent, vous pouvez aussi comprendre comment chaque étape peut potentiellement être source de problèmes, par exemple :

La collecte des données : si vos données ne sont pas fiables (manque de standardisation des formats de données, des spams, des doublons…) les analyses faites peuvent être fausses et mener à de mauvaises actions (livraison à une mauvaise adresse, mauvaises recommendations...)‍
La communication avec les outils : les outils peuvent être défaillants ou évoluer sans que l’agent soit mis à jour. Contrairement à un humain qui peut s’adapter à un changement d’interface ou de processus, un agent IA nécessite une reconfiguration technique.

Malgré ces défis, les avantages des agents IA pour l’expérience client sont immenses. Les grandes marques montrent déjà la voie en déployant ces technologies pour créer des expériences plus personnalisées et efficaces.

‍

Deutsche Telekom propose un agent IA nommé askT, permettant aux employés de s'informer sur les politiques internes et les avantages, et envisage de lui confier des tâches administratives.

Cosentino déploie une "main-d'œuvre numérique" pour gérer les opérations de service client, remplaçant efficacement plusieurs rôles humains et permettant au personnel de se concentrer sur d'autres tâches.

H&M et Amazon utilisent des agents IA pour aider les clients à choisir des produits adaptés à leurs besoins.

‍

Des agents IA accessibles à toutes tailles d’entreprises

Mark Zuckerberg a récemment déclaré qu'à l'avenir, il y aura plus d'agents d'IA que d'individus, car entreprises, créateurs et particuliers commencent à concevoir leurs propres agents pour accomplir des tâches variées.

Cette prédiction s’appuie sur une réalité émergente : de plus en plus de solutions, comme Microsoft Copilot ou les agents d'OpenAI, sont conçues pour être accessibles au grand public et aux entreprises de toutes tailles. Ces technologies permettent même aux petites structures de bénéficier des avantages des agents IA, jusqu’ici réservés aux grandes organisations.

‍

“Plus agents d'IA plutôt que de personnes” -Mark Zuckerberg

‍

Aujourd’hui, un petit site de commerce en ligne peut mettre en place un chatbot connecté à plusieurs agents IA pour gérer des tâches variées comme :

Répondre automatiquement aux questions fréquentes.
Traiter des commandes en temps réel.
Proposer des recommandations produits personnalisées.

Grâce à ces outils, ce site peut offrir une expérience client 24/7, sans nécessiter une large équipe pour couvrir ces services, tout en réduisant les coûts opérationnels.

‍

De la donnée client aux actions concrètes

Pour maximiser le potentiel des agents IA, il est crucial de leur fournir un environnement de données fiable. Les agents IA ne peuvent fonctionner efficacement que si les données collectées sont :

Filtrées : Éliminer les spams, doublons, ou données inutilisables.
Standardisées : Garantir que les informations sont organisées et cohérentes.
Analytiquement exploitables : Permettre des analyses pour générer des actions pertinentes.

Cette étape de préparation est déterminante pour garantir la réussite de l’intégration des agents IA.

‍

Chez Glanceable nous avons développé une IA propriétaire pour vous permettre d’analyser efficacement vos données clients, mieux comprendre la voix du client et planifier les bonnes actions pour améliorer l’expérience client via l’IA.

‍

Il est important de souligner que les agents d'IA ne sont pas conçus pour des tâches d'analyse de données à grande échelle. Pour ce type de besoins, il est préférable d'utiliser des modèles personnalisés (custom models) optimisés pour traiter rapidement de vastes volumes de données à moindre coût. En effet, les agents d'IA reposent généralement sur des modèles de langage (LLM) qui sont coûteux à héberger et à utiliser pour des inférences. Même pour un petit LLM, les coûts peuvent facilement atteindre plusieurs milliers d’euros par mois, ce qui les rend moins adaptés aux cas d’usage nécessitant des traitements intensifs de données.

Les outils d’analyse de la voix du client, couplés aux agents IA, permettent déjà de réaliser des tâches automatiques encore inimaginables il y a peu, comme :

Générer des alertes ciblées : Envoyer un email d’alerte à la bonne équipe dès qu’un problème récurrent est détecté dans les avis clients.
Proposer des plans d’action adaptés : Automatiser les recommandations suite à une anomalie identifiée dans les verbatims clients.
Mettre à jour le CRM : Intégrer automatiquement les informations issues d’un message WhatsApp ou d’un autre canal de communication.

Les agents IA : encore à leurs débuts, mais déjà révolutionnaires

Bien que ces technologies en soient encore à leurs premiers stades, leur potentiel est immense. Peu d’entreprises mesurent aujourd’hui l’étendue des possibilités qu’offrent les agents IA, et encore moins ont entrepris des tests concrets. Contrairement à l’Assistant Google présenté il y a six ans, les agents IA disposent désormais de cas d’usage concrets qui transforment déjà la relation client dans les grandes marques.

Nous espérons que cet article a rendu leur fonctionnement plus clair pour vous et a ouvert des pistes de réflexion. Alors, pourquoi ne pas envisager de tester dès aujourd’hui un agent IA dans votre entreprise ?