Les outils d’analyse de sentiment lisent les messages, appels ou avis des clients et qualifient leur ton (positif, négatif ou neutre), souvent avec un score. Pour une équipe support, le bon outil dépend de l’endroit où vivent vos conversations, des canaux à couvrir et de la place du sentiment : près de vos notes qualité, ou près de vos enquêtes et avis.
En bref
- Commencez par les critères à vérifier : source de données, canaux, preuves, analyse des causes et destination des résultats.
- La sélection ci-dessous couvre huit options : une analytique fondée sur la QA, l’analyse des conversations en centre de contact, les plateformes d’analyse des retours clients et les API cloud.
- Chaque outil passe les trois mêmes contrôles : ce qu’il fait, ses points forts et ses limites, et son modèle de tarification, le tout tiré du site de l’éditeur.
- Une grille de choix et un test de précision chiffré vous aident à choisir, puis à vérifier l’outil une fois en production.
- Dans l’UE, suivre les émotions des salariés à partir de leur voix est une pratique interdite ; le sentiment tiré d’un texte écrit relève d’un autre régime.
Transparence : Kaizo est notre produit. Nous l’incluons là où il a sa place et disons ce que les autres font mieux. Nous avons lu le site de chaque éditeur le 4 novembre 2026 pour établir les faits ci-dessous, sans utiliser les notes des sites d’avis. Les fonctionnalités évoluent : confirmez auprès de l’éditeur tout point déterminant.
Si vous avez d’abord besoin des définitions, notre guide de l’analyse de sentiment client explique comment fonctionne l’analyse de sentiment et où elle échoue. Pour la façon dont Kaizo réalise l’analyse de sentiment sur chaque message du support, voyez la page produit.
Que regarder dans un outil d’analyse de sentiment ?
Vérifiez cinq choses : l’outil lit votre vraie source de données, couvre chacun de vos canaux, montre les lignes derrière chaque étiquette, sépare les causes des symptômes et place les résultats là où quelqu’un agira.
| Point à vérifier | Pourquoi c’est important pour le support | Question à poser à l’éditeur |
|---|---|---|
| Source de données | Les outils conçus pour les avis et les enquêtes ne voient pas le même client que ceux conçus pour les tickets et les appels | Auxquelles de nos sources vous connectez-vous nativement ? |
| Canaux | Un outil solide sur la voix peut être léger sur le chat et l’e-mail, et inversement | Le sentiment sur un chat est-il aussi fiable que sur un appel ? |
| Unité d’analyse | Une étiquette au niveau de la conversation cache le moment où le ton a basculé | Évaluez-vous par message, par phrase ou par conversation ? |
| Preuves | Une étiquette négative que personne ne peut rattacher à une ligne n’inspire pas confiance | Montrez-moi les lignes derrière cette étiquette |
| Cause et contexte | Le sentiment dit quel était le ressenti, pas pourquoi | Puis-je voir le sentiment par motif de contact, équipe ou critère QA ? |
| Côté conseiller | Le sentiment client et l’empathie du conseiller sont deux mesures différentes | Mesurez-vous le côté conseiller, et comment ? |
| Langues | La précision baisse souvent hors de l’anglais | Quelles langues prenez-vous en charge pour le sentiment en particulier ? |
| Destination des résultats | Une alerte que personne ne prend en charge n’est que du bruit | Peut-il filtrer, alerter ou exporter vers l’équipe qui agit ? |
Un test suffit à trancher dans la plupart des démos : demandez à l’éditeur d’ouvrir une conversation négative et de vous montrer précisément quelles lignes ont produit l’étiquette. Notre guide sur le score de sentiment en QA décrit à quoi ressemble un signal de sentiment utile dans un programme qualité.
La sélection en un coup d’œil
Ce tableau donne pour chaque outil son meilleur usage et son modèle de tarification, d’après son propre site ; aucun n’affiche de prix public pour ces produits sur les pages que nous avons lues.
| Outil | Type | Idéal pour | Modèle de tarification |
|---|---|---|---|
| Kaizo | Analyse des conversations fondée sur la QA | Équipes support qui veulent le sentiment à côté des notes qualité sur les appels, le chat et l’e-mail | Par utilisateur, devis sur demande |
| CallMiner | Conversation intelligence pour centre de contact | Centres de contact à dominante voix qui veulent des signaux acoustiques et un guidage en temps réel | Sur demande |
| Qualtrics (centre de contact) | Suite de gestion de l’expérience | Grandes entreprises qui utilisent déjà les enquêtes Qualtrics | Offres, sur demande |
| Medallia | Suite de gestion de l’expérience | Grandes entreprises déjà sur Medallia qui veulent l’analyse textuelle sur tous les canaux | Sur demande |
| SentiSum | Analyse des tickets du support | Équipes sur Zendesk, Freshdesk, Gorgias ou Intercom qui veulent un tagging par cause | Selon les canaux, les utilisateurs et le volume de tickets |
| Chattermill | Analyse des retours clients | Équipes CX qui combinent tickets, enquêtes et avis | Démo ; pas de prix par utilisateur |
| Thematic | Analyse des retours clients | Équipes insights qui veulent des thèmes rattachés aux verbatims | Démo |
| API NLP cloud | Briques pour développeurs | Équipes avec des développeurs qui construisent leur propre pipeline | Paiement à l’usage, grilles tarifaires publiques |
1. Kaizo : idéal pour le sentiment à côté des notes qualité
Kaizo convient le mieux aux équipes support qui veulent le sentiment, l’empathie et les notes qualité sur les mêmes conversations, parce qu’il évalue chaque appel, chat et e-mail selon vos propres critères.
Ce qu’il fait
Selon la page de Kaizo sur l’analyse de sentiment, le sentiment client et l’empathie du conseiller sont évalués sur 100 % des messages, si bien que la frustration apparaît comme une tendance.
Vous pouvez filtrer par sentiment négatif, par réouvertures fréquentes ou par CSAT faible pour trouver les conversations qui tournent mal, et l’analyse des causes racines montre si une baisse vient d’un processus défaillant, d’une friction produit ou d’un manque de compétence. Kaizo dispose d’applications natives pour Zendesk et Salesforce, et se connecte aux CRM sur mesure via un connecteur, son API ou un import CSV.
Points forts et limites
Son point fort est le contexte : une conversation négative arrive avec sa note qualité et le critère qui a échoué, ce qui permet de distinguer un problème produit d’un besoin de coaching.
Sa limite tient au moment et au périmètre. Kaizo analyse une conversation une fois qu’elle est terminée : il ne donne pas aux conseillers d’indications de sentiment en direct pendant un appel, et il travaille sur les conversations de l’outil de ticketing plutôt que sur les avis d’applications ou les publications sur les réseaux sociaux. Si ce sont vos sources principales, une plateforme d’analyse des retours clients ci-dessous conviendra mieux.
Tarification
La page tarifs de Kaizo indique que toutes les offres sont facturées par utilisateur, avec trois offres et un devis précis sur demande. Il n’y a pas d’essai en libre-service ; vous découvrez le produit lors d’une démo en direct avec des données d’exemple.
2. CallMiner : idéal pour les centres de contact à dominante voix
CallMiner convient le mieux aux grands centres de contact surtout téléphoniques, parce qu’il combine les signaux acoustiques de la voix et les mots prononcés, et guide les conseillers en temps réel.
Ce qu’il fait
La page de CallMiner sur l’analyse de sentiment (en anglais) indique qu’il évalue le sentiment en “combining the acoustic characteristics of a speaker’s voice with the context of the conversation”, c’est-à-dire en combinant les caractéristiques acoustiques de la voix et le contexte de la conversation, à partir de signaux comme le débit et le stress. Sa page d’accueil indique que la plateforme capte et analyse toutes les interactions omnicanales, dont les appels, les e-mails, les SMS et les enquêtes, et mentionne un guidage en temps réel des conseillers.
Points forts et limites
L’analyse acoustique capte un ton qu’une transcription manque, un point que nous abordons dans notre article sur ce qu’est le speech analytics, et le guidage en temps réel est une capacité que les outils d’après conversation n’offrent pas.
La contrepartie : une plateforme centrée sur la voix demande un déploiement plus lourd, et dans l’UE, la déduction des émotions de vos propres conseillers à partir de leur voix relève de l’interdiction du règlement sur l’IA décrite plus bas ; limitez-la donc aux clients.
Tarification
CallMiner n’affiche pas de prix sur sa page d’accueil et invite les acheteurs à contacter l’équipe commerciale ou à demander une démo.
3. Qualtrics : idéal pour les équipes déjà sur Qualtrics
Qualtrics convient le mieux aux grandes entreprises qui gèrent déjà leurs enquêtes dans Qualtrics et veulent analyser les conversations du centre de contact dans le même programme de gestion de l’expérience.
Ce qu’il fait
La page de Qualtrics consacrée au centre de contact (en anglais) indique que son traitement du langage naturel évalue l’empathie, le respect des scripts et le sentiment, signale les processus qui demandent un effort élevé, et peut suivre et évaluer toutes les interactions avec l’IA, grâce à plus de 150 modèles préconstruits. Il fonctionne avec les systèmes sur site, les solutions CCaaS et les systèmes développés en interne.
Points forts et limites
Son point fort est de réunir données d’enquête et données de conversation dans un même programme, ce qui convient aux organisations où l’équipe CX possède déjà Qualtrics. Sa limite est son poids : c’est une suite volumineuse, et une équipe support qui n’a besoin du sentiment que sur ses conversations de ticketing n’en utilisera peut-être qu’une petite partie.
Tarification
La page renvoie à des offres tarifaires flexibles mais n’affiche aucun chiffre.
4. Medallia : idéal pour les équipes déjà sur Medallia
Medallia convient le mieux aux grandes entreprises qui utilisent déjà Medallia pour les retours d’expérience et veulent une analyse textuelle, y compris du sentiment et de l’effort, sur les mêmes canaux.
Ce qu’il fait
La page de Medallia sur l’analyse textuelle (en anglais) indique que sa compréhension du langage naturel analyse “themes, sentiment, empathy, and nuanced emotions across dozens of languages and dialects”, soit les thèmes, le sentiment, l’empathie et les émotions nuancées dans des dizaines de langues et de dialectes, avec le sentiment, l’empathie et l’effort comme mesures prêtes à l’emploi et personnalisables. Elle mentionne des alertes sur les variations d’effort et de risque, l’évaluation automatisée des conseillers et la priorisation des tickets.
Points forts et limites
La couverture linguistique et les modèles sectoriels préconstruits sont ses points forts, ainsi que des modèles de sujets en low-code pour les équipes sans data scientists. Sa limite ressemble à celle de Qualtrics : la valeur est maximale quand Medallia est déjà votre plateforme d’expérience.
Tarification
La page ne décrit pas la tarification de l’analyse textuelle.
5. SentiSum : idéal pour taguer les tickets par cause
SentiSum convient le mieux aux équipes support sur des outils comme Zendesk, Freshdesk, Gorgias ou Intercom qui veulent des tickets tagués par sujet, cause et sentiment sans construire une taxonomie à la main.
Ce qu’il fait
La page de SentiSum sur l’analyse de sentiment (en anglais) décrit des tags automatiques positif, négatif et neutre sur les tickets du support. Sa page d’accueil indique qu’il réunit tickets, chats, appels, avis et enquêtes, classe les problèmes par cause, les hiérarchise selon leur impact et les transmet aux équipes, et qu’un Quality Agent évalue toutes les conversations.
Points forts et limites
L’étendue des intégrations avec les outils de ticketing est un atout pour les équipes hors du duo Zendesk et Salesforce, et la réécriture des tags dans l’outil de ticketing facilite le routage. L’évaluation qualité est un terrain plus récent pour l’entreprise que le tagging : vérifiez donc jusqu’où la grille d’évaluation peut être adaptée à vos propres critères.
Tarification
La page d’accueil indique que la tarification “scales based on channels, users, and ticket volume”, c’est-à-dire qu’elle évolue selon les canaux, les utilisateurs et le volume de tickets, avec des offres mid-market et enterprise.
6. Chattermill : idéal pour croiser tickets, enquêtes et avis
Chattermill convient le mieux aux équipes CX et voix du client qui analysent les tickets avec les enquêtes, les avis et les retours des réseaux sociaux, classés selon leur impact sur leurs indicateurs.
Ce qu’il fait
La page d’accueil de Chattermill (en anglais) indique qu’il “analyzes all your surveys, reviews, tickets and calls, ranks issues by impact on your metrics”, autrement dit qu’il analyse enquêtes, avis, tickets et appels et classe les problèmes selon leur impact sur vos indicateurs. Il regroupe les retours en thèmes avec leur sentiment et revendique plus de 65 intégrations natives, dont Zendesk, Intercom, Salesforce, Qualtrics et Trustpilot.
Points forts et limites
Il voit les clients qui ne contactent jamais le support, ce qu’un outil de ticketing ne peut pas faire. Chattermill indique lui-même qu’il convient mal aux équipes qui ne collectent pas régulièrement plus de 5 000 retours par mois, et ce n’est pas un outil de QA : l’évaluation au niveau du conseiller se fait ailleurs.
Tarification
Sur démo, sans prix par utilisateur selon la page d’accueil.
7. Thematic : idéal pour des thèmes rattachés aux verbatims
Thematic convient le mieux aux équipes études et insights qui veulent des thèmes construits à partir des mots des clients plutôt qu’à partir d’une liste figée, chaque thème restant rattaché aux commentaires qui le fondent.
Ce qu’il fait
La page d’accueil de Thematic (en anglais) indique qu’il construit les thèmes à partir du langage des clients, “not a predefined taxonomy” (et non d’une taxonomie prédéfinie), affiche le sentiment par thème et accepte enquêtes, tickets du support, transcriptions de centre de contact, avis d’applications et notes CRM, avec masquage des données personnelles et traduction intégrés.
Points forts et limites
Son point fort est la traçabilité du thème au verbatim, ce qui rend l’analyse crédible auprès des équipes produit. C’est une couche d’analyse pour les équipes insights plutôt qu’un outil que les responsables d’équipe support utilisent chaque jour sur des conversations individuelles. Notre article sur l’analyse textuelle au service client explique la méthode derrière la détection des thèmes.
Tarification
Sur démo ; la page d’accueil n’affiche aucun prix.
8. API NLP cloud : idéal pour construire votre propre outil
Les API cloud de Google, Amazon et Microsoft conviennent aux équipes de développeurs qui veulent le sentiment comme brique de leur propre pipeline, et construiront elles-mêmes tableaux de bord, croisements et alertes.
Ce qu’elles font
Google Cloud Natural Language (en anglais) renvoie un score de -1,0 à 1,0 et une magnitude qui indique l’intensité de l’émotion, et peut évaluer le sentiment par entité. Amazon Comprehend (en anglais) renvoie positif, négatif, mixte ou neutre, avec un score de confiance pour chacun. L’analyse de sentiment d’Azure Language (en anglais) renvoie des étiquettes avec des scores de confiance au niveau de la phrase et du document, ainsi qu’une analyse des opinions par aspect.
Points forts et limites
Vous maîtrisez les données et le coût par message, et le résultat alimente tout ce que vous construisez. Vous construisez aussi tout le reste : connecteurs, lien avec les motifs de contact et la QA, interface et suivi. Prévoyez aussi le changement : Microsoft indique que l’analyse de sentiment et l’analyse des opinions seront retirées d’Azure Language le 31 mars 2029, les nouveaux projets étant orientés vers Microsoft Foundry.
Tarification
Paiement à l’usage, avec des grilles tarifaires publiques sur le site de chaque fournisseur.
Comment choisir : une grille de choix
Notez chaque outil retenu de 1 à 5 sur les critères ci-dessous, multipliez par la pondération et additionnez ; ajustez les pondérations à votre situation avant de commencer, pas après les démos.
| Critère | Pondération (exemple pour une équipe support) | Outil A | Outil B | Outil C |
|---|---|---|---|---|
| Se connecte nativement à notre source de données principale | 25 % | |||
| Couvre tous nos canaux avec la même profondeur | 20 % | |||
| Montre les lignes derrière chaque étiquette | 15 % | |||
| Relie le sentiment au motif de contact, à l’équipe et à la QA | 15 % | |||
| Mesure côté conseiller (empathie) | 10 % | |||
| Langues que nous prenons en charge | 10 % | |||
| Les résultats arrivent à ceux qui agissent | 5 % |
Une règle de décision simple sous-tend ces pondérations.
Si vos questions de sentiment portent sur les conversations du support et le coaching, donnez le poids le plus fort à la source de données et au lien avec la QA.
Si elles portent sur l’ensemble de la clientèle, y compris les personnes qui ne vous contactent jamais, donnez le poids le plus fort aux enquêtes et aux avis, et attendez-vous à ce qu’une plateforme d’analyse des retours clients l’emporte. Pour un plan d’évaluation plus complet, notre guide d’achat de la conversation intelligence ajoute les questions sur la sécurité, la mise en place et le coût.
Comment vérifier la précision du sentiment une fois l’outil en production ?
Vérifiez la précision en faisant étiqueter un échantillon aléatoire de conversations par deux personnes, puis en comparant les étiquettes de l’outil aux leurs, en regardant surtout combien de conversations vraiment négatives l’outil a repérées.
Les chiffres ci-dessous sont un exemple illustratif que nous avons calculé, pas des résultats d’éditeur.
L’échantillon. Deux évaluateurs étiquettent 200 conversations récentes comme positives, neutres ou négatives, et tranchent ensemble leurs désaccords. Ils s’accordent sur 40 conversations négatives.
La comparaison. L’outil rejoint les évaluateurs sur 158 conversations sur 200 : 79 % d’accord global. Il signale 45 conversations comme négatives, dont 30 font partie des 40 des évaluateurs.
Ce que cela signifie. L’outil repère 30 des 40 conversations négatives (75 %), et 30 de ses 45 signalements négatifs sont justes (67 %). Les 79 % globaux semblent corrects, mais un client mécontent sur quatre passe inaperçu, et une alerte sur trois est une fausse alerte.
Lisez les conversations manquées avant de changer quoi que ce soit. L’ironie, les messages mitigés (“merci, mais c’est la troisième fois”) et les conversations hors anglais en sont les causes habituelles. Refaites le test chaque trimestre, ainsi qu’après tout changement de modèle ou de canaux. Notre article sur la fiabilité de l’évaluation qualité par IA applique la même logique d’accord aux notes qualité.
Sentiment, émotions et règlement européen sur l’IA
Le règlement européen sur l’IA (AI Act) interdit depuis le 2 février 2025 de déduire les émotions des salariés de données biométriques comme leur voix ; le sentiment tiré d’un texte écrit échappe à cette interdiction.
L’interdiction figure à l’article 5, paragraphe 1, point f), du règlement, et la présentation de l’AI Act par la Commission européenne (en anglais) range la reconnaissance des émotions sur le lieu de travail et dans les établissements d’enseignement parmi les pratiques interdites depuis février 2025.
Les lignes directrices de la Commission de février 2025 sur les pratiques interdites, qui sont des orientations et non du droit contraignant, citent comme exemple interdit un centre d’appel qui utilise la reconnaissance vocale pour suivre les émotions de ses salariés. Selon le résumé de ces lignes directrices par CMS (en anglais), suivre les émotions des clients par la voix et déduire des émotions à partir d’un texte écrit ne relèvent pas de l’interdiction.
Deux conséquences pratiques pour une équipe support dans l’UE. N’activez pas la détection des émotions par la voix pour vos conseillers ; limitez les fonctions acoustiques au côté client. Et à partir du 2 août 2026, les déployeurs de systèmes de reconnaissance des émotions doivent informer les personnes qui y sont exposées, en vertu de l’article 50, paragraphe 3. Ceci est un résumé, pas un avis juridique : faites vérifier votre configuration par un conseil.
Comment commencer à choisir un outil d’analyse de sentiment ?
Commencez par écrire la décision unique que le sentiment doit améliorer, par exemple quelles conversations un responsable d’équipe relit en premier, puis ne retenez que les outils connectés aux données derrière cette décision.
Si la décision porte sur les conversations du support, le coaching et la qualité, commencez par les outils qui placent le sentiment à côté de vos notes qualité. Découvrez comment Kaizo évalue le sentiment et l’empathie sur chaque message lors d’une démo en direct avec des données d’exemple. Réserver un rendez-vous.
Questions fréquentes
ChatGPT peut-il faire de l’analyse de sentiment ?
Oui. Un grand modèle de langage peut qualifier le sentiment d’un message si vous le lui demandez, et gère souvent mieux l’ironie et les messages mitigés que les modèles plus anciens. Seul, ce n’est pas un outil : il vous faut encore connecter vos conversations, garder des étiquettes cohérentes dans le temps, stocker les résultats et vérifier la précision par rapport à des étiquettes humaines.
Quels sont les trois grands types d’analyse de sentiment ?
Les trois types les plus courants sont l’analyse de polarité (positif, négatif ou neutre), l’analyse fine (une échelle allant par exemple de très négatif à très positif) et l’analyse par aspect (le sentiment sur un sujet précis, comme la livraison ou le prix). La détection des émotions, qui nomme des ressentis comme la frustration, est souvent citée comme quatrième type.
L’analyse de sentiment est-elle la même chose que le CSAT ?
Non. Le CSAT correspond à ce que les clients vous disent quand ils répondent à une enquête ; l’analyse de sentiment lit le ton de la conversation elle-même, y compris pour les clients qui ne répondent jamais. Les deux divergent assez souvent pour être utiles ensemble, comme l’explique notre guide sur la mesure de la satisfaction sans questionnaire (en anglais).
Les outils d’analyse de sentiment fonctionnent-ils dans d’autres langues que l’anglais ?
La plupart, oui, mais la couverture et la précision varient selon la langue et la fonctionnalité : vérifiez la liste des langues de l’éditeur pour le sentiment en particulier, et pas pour le produit en général. Faites ensuite le test de précision décrit plus haut sur un échantillon dans chacune de vos langues principales.
Faut-il mesurer le sentiment du conseiller en plus de celui du client ?
Mesurez le comportement du conseiller, comme l’empathie et le ton, sous forme de critère QA à partir de la transcription, plutôt que de déduire ses émotions. Dans l’UE, déduire les émotions des salariés à partir de données biométriques comme la voix est interdit, alors qu’évaluer ce que le conseiller a écrit ou dit selon une grille relève du contrôle qualité.
Pour aller plus loin
- What is sentiment analysis in customer service? (en anglais), la définition courte
- L’empathie au service client, avec des phrases que les conseillers peuvent utiliser
- What is voice of the customer? (en anglais), pour combiner les sources de retours
- L’analyse des conversations pour le support, sentiment, QA et causes racines dans une même vue
