Cas d'usage IA agentique au service client : où commencer

Les meilleurs cas d’usage de l’IA agentique au service client pour commencer sont les motifs de contact à fort volume, avec des règles écrites, un faible risque d’action et des données accessibles à l’agent : suivi de commande, aide à la connexion et questions simples sur le compte. Des demandes qui semblent tout aussi simples, comme les résiliations, les changements d’adresse, les retours et les codes promo, cachent souvent des règles métier non écrites et relèvent d’une deuxième vague, une fois ces règles mises par écrit.

En bref

• Choisissez les premiers motifs de contact d’un agent IA avec une note, pas à l’instinct : volume, complexité de résolution, clarté des règles, risque de l’action, accès aux données et émotion du client, chacun noté de 1 à 5 et pondéré.
• Ajoutez un critère bloquant avant toute mise en production : si vous ne pouvez pas dire, à partir de la transcription et du journal d’actions, si l’agent a bien fait, le motif ne part pas en premier.
• Les résiliations, changements d’adresse, retours et codes promo ressemblent à une seule action mais cachent des décisions que les conseillers expérimentés prennent de mémoire, et qu’un agent IA ne connaîtra pas.
• Repérez les règles cachées avant le lancement : lisez 50 tickets résolus par motif, interrogez vos meilleurs conseillers, listez chaque exception, puis notez la clarté des règles.
• Scinder un motif (retour standard dans le délai d’un côté, toutes les exceptions de l’autre) transforme souvent un mauvais premier candidat en bon candidat de deuxième vague.

Ce guide couvre la première décision de périmètre dans la transition vers le service client agentique.

Quelles demandes du service client confier d’abord à un agent IA ?

Un agent IA doit d’abord traiter les motifs de contact que beaucoup de clients soulèvent, qui suivent des règles écrites avec peu d’exceptions, et pour lesquels une mauvaise action coûte peu à annuler. Les premiers candidats types sont le suivi de commande, l’aide au mot de passe et à la connexion, les horaires d’ouverture et les informations sur l’offre. Tout ce qui déplace de l’argent, met fin à un contrat ou demande du jugement attend.

Un motif de contact est la raison du contact : ce que le client veut obtenir, comme « où est ma commande » ou « résilier mon abonnement ». La liste des motifs de contact de votre outil de ticketing, même désordonnée, est votre inventaire de départ.

L’erreur courante est de choisir au seul volume : le volume montre où sont les économies, pas si l’agent IA peut bien faire, ce que coûte une erreur ou si quelqu’un la remarquerait. Beaucoup de guides d’éditeurs rangent les retours et la gestion de compte dans le groupe sûr, alors que c’est là que vivent les règles non écrites. La suite de ce guide transforme l’intuition en une note que vous pouvez défendre.

Quels sont les cas d’usage types de l’IA agentique au service client ?

Les cas d’usage types de l’IA agentique au service client sont le suivi de commande et de livraison, l’aide au compte et à la connexion, les retours et remboursements, les modifications d’adresse et de commande, les changements et résiliations d’abonnement, les questions de facturation, la prise de rendez-vous ainsi que la réception et le routage des tickets. Ils diffèrent moins par la technologie que par le risque : certains ne font que lire des données, d’autres déplacent de l’argent.

Un agent IA exécute l’action dans vos systèmes : l’action compte donc autant que la question. Le tableau regroupe les cas d’usage courants selon le niveau d’autonomie que l’action demande habituellement, avec les niveaux de notre guide sur les niveaux d’autonomie des agents IA.

La dernière colonne est un résultat typique, pas une règle ; c’est votre propre note qui décide.

Comment noter les motifs de contact pour l’automatisation ?

Notez chaque motif de 1 à 5 sur six critères (volume, complexité de résolution, clarté des règles, risque de l’action, accès aux données et émotion du client), multipliez par les pondérations ci-dessous et divisez le total par 5 pour obtenir une note de priorité de 20 à 100. Appliquez ensuite le critère de mesurabilité et les règles éliminatoires avant toute mise en production.

Sur chaque critère, 5 signifie « meilleur premier candidat » : plus la note est haute, plus le motif est sûr et utile à automatiser tôt.

La grille de priorisation des motifs de contact

Complétez les valeurs intermédiaires de façon logique : un volume de 4 correspond à 8 à 14 % et un volume de 2 à 2 à 3 % ; une clarté de 4 correspond à 1 ou 2 exceptions non écrites, une clarté de 2 à 6 à 10. Le risque de l’action suit le niveau d’autonomie : le niveau 0 vaut 5, le niveau 1 vaut 4, le niveau 2 vaut 3, le niveau 3 vaut 2 et le niveau 4 vaut 1. Si un motif couvre des actions de deux niveaux (résilier à l’échéance ou résilier tout de suite avec remboursement), notez la plus risquée, ou scindez le motif.

Note de priorité = (volume × 20 + complexité × 15 + clarté × 20 + risque × 20 + données × 10 + émotion × 15) ÷ 5.

Tranches : 80 ou plus va dans la première vague. De 65 à 79, deuxième vague, une fois le critère le plus faible corrigé. Sous 65, le motif reste aux conseillers, ou l’agent IA assiste une personne, jusqu’à une nouvelle notation.

Le critère de mesurabilité de la qualité

Avant qu’un motif ne parte en production, posez la question : un relecteur, ou un évaluateur automatique, pourrait-il dire à partir de la transcription et du journal d’actions si l’agent IA a bien fait ? Vous devez pouvoir écrire le bon résultat sous forme de critères de grille, comme « a donné le statut transporteur qui correspond aux données de suivi » ou « a arrêté le renouvellement sans résilier immédiatement, sauf demande du client ». Sinon, le motif échoue quelle que soit sa note, car ses erreurs restent invisibles jusqu’aux réclamations des clients. Voir le contrôle qualité des agents IA pour écrire ces critères.

Règles éliminatoires

Trois résultats empêchent un motif de partir en premier, même avec un total élevé :

1. Clarté des règles à 1 : les règles se contredisent ou la plupart des cas suivent des règles non écrites, donc l’agent va improviser.
2. Risque de l’action à 1 : les actions de niveau 4 (supprimer des données personnelles, modifier des coordonnées bancaires) restent à une personne.
3. Un critère de mesurabilité non rempli.

Exemple chiffré : classer 8 motifs de contact

L’exemple ci-dessous est une illustration, pas des données client : une équipe e-commerce par abonnement qui reçoit 40 000 contacts par mois note huit motifs. Le suivi de commande et l’aide à la connexion entrent dans la première vague, le changement d’offre dans la deuxième, et les quatre motifs « qui ont l’air simples » restent sous 65 tant que leurs règles cachées ne sont pas écrites.

Pour vérifier une ligne : le suivi de commande donne (5 × 20 + 5 × 15 + 4 × 20 + 5 × 20 + 5 × 10 + 4 × 15) ÷ 5 = 465 ÷ 5 = 93.

Ce que le classement apprend à cette équipe :

• La première vague couvre 31 % des contacts (12 400 par mois) avec deux motifs : un départ plus modeste que « tout ce qui prend moins de cinq minutes », et qu’on peut mesurer.
• Les retours ont le deuxième volume mais une note de 62. Le problème est la clarté des règles : dans 50 tickets de retour résolus, l’équipe a trouvé 7 décisions qu’aucun article d’aide ne décrivait.
• Les codes promo sont éliminés. Personne n’a su écrire quand un conseiller accepte un code expiré, donc aucun évaluateur ne pourrait juger la réponse de l’agent IA non plus.
• Les résiliations sont notées sur leur action la plus risquée. Résilier tout de suite avec remboursement exige une validation (niveau 3) : le risque de l’action vaut 2, pas le 4 d’un simple arrêt du renouvellement.

Scindez maintenant le motif retour. « Retour standard dans le délai, article éligible » représente 10 % des contacts. Une fois ses règles écrites, la complexité et la clarté montent à 4 : (4 × 20 + 4 × 15 + 4 × 20 + 3 × 20 + 4 × 10 + 3 × 15) ÷ 5 = 365 ÷ 5 = 73. Il passe dans la deuxième vague. Les 4 % restants (article endommagé, personnalisé, en retard, geste commercial) restent aux conseillers et sont transférés avec leur contexte.

Quelles demandes « simples » cachent des règles métier ?

Les motifs qui cachent le plus souvent des règles métier sont les résiliations, les changements d’adresse, les retours, les codes promo, les remboursements pour livraison en retard et la mise à jour du moyen de paiement. Chacun ressemble à une action unique, mais vos meilleurs conseillers prennent plusieurs décisions en chemin grâce à leur expérience, et aucune n’est écrite là où un agent IA pourrait la lire.

Certaines règles cachées sont légales. Dans l’UE, un consommateur dispose en général de 14 jours pour se rétracter d’un contrat à distance « sans avoir à motiver sa décision » (directive 2011/83/UE, article 9), et l’article 16 liste 13 exceptions, comme les biens confectionnés selon les spécifications du consommateur, les biens susceptibles de se détériorer rapidement et les biens d’hygiène scellés descellés après la livraison. Un agent qui dit « toutes les ventes sont définitives » ou « vous pouvez tout retourner » se trompe dans les deux cas. Vérifiez vos marchés avec votre conseil juridique et inscrivez le résultat dans la règle.

Un test rapide : si deux conseillers expérimentés traiteraient le même ticket différemment, le motif a une règle non écrite, et l’agent IA appliquera une seule version à tout le monde.

Comment repérer les règles cachées avant le lancement ?

Repérez les règles cachées en quatre étapes : lisez 50 tickets résolus par motif en notant chaque décision prise, interrogez deux ou trois de vos meilleurs conseillers sur les cas où ils s’écartent de la réponse standard, écrivez chaque exception comme une règle avec un responsable, et transformez chacune en cas de test. Ne notez la clarté des règles qu’après ce travail.

1. Lisez 50 tickets résolus par motif. Pas les 50 plus récents, mais un mélange : environ 20 ordinaires, 10 rouverts, 10 escaladés et 10 avec une faible note de satisfaction ou la durée de traitement la plus longue. Pour chacun, notez la décision, les données utilisées et si la règle appliquée est écrite quelque part. Le nombre de décisions non écrites fixe la note de clarté des règles.

2. Interrogez deux ou trois conseillers de haut niveau, trente minutes chacun, avec des questions qui font sortir les exceptions :

• « Quand ne faites-vous pas ce que dit l’article d’aide ? »
• « Que vérifiez-vous avant de faire cela ? »
• « Quels clients sont traités différemment, et pourquoi ? »

3. Listez les exceptions et donnez un responsable à chacune. Écrivez chaque exception comme une règle avec un déclencheur, une action et une limite, et décidez si l’agent IA l’applique ou transfère. Le modèle de fiche politique de notre guide sur les politiques des agents IA fait pointer la macro des conseillers et l’instruction de l’agent IA vers la même règle.

4. Transformez les exceptions en cas de test : un message client, l’action attendue et la réponse attendue, exécutés avant le lancement et après chaque modification. Voir notre guide pour tester un chatbot pour les conversations scénarisées et les tests d’agents IA pour les actions et l’usage des outils.

Prévoyez environ une demi-journée par motif pour les tickets, plus les entretiens : moins cher que de découvrir les règles par les réclamations.

Un motif doit-il tourner en flux déterministe ou génératif ?

Utilisez un flux déterministe, avec des étapes fixes et des règles dans le code, quand la décision suit des critères clairs comme les délais d’éligibilité, les limites et les vérifications d’identité. Laissez au modèle génératif ce que le code ne sait pas faire : comprendre la demande du client, demander les informations manquantes et expliquer le résultat. La plupart des bons motifs mélangent les deux.

Anthropic décrit les workflows comme des « systèmes où les LLM et les outils sont orchestrés selon des chemins de code prédéfinis », et les agents comme des systèmes où les modèles « dirigent de façon dynamique leurs propres processus et leur usage des outils », et recommande de « trouver la solution la plus simple possible, et de n’augmenter la complexité qu’en cas de besoin » (Anthropic, Building effective agents, en anglais, notre traduction).

Un partage pratique pour les motifs de support : les vérifications d’identité, la consultation des commandes, l’éligibilité (délais, exclusions, limites), l’appel d’API avec ses limites appliquées, les mentions légales obligatoires et les déclencheurs de transfert fixes relèvent du code ou de l’outil. Comprendre la demande, demander les informations manquantes, choisir l’action validée qui convient, le ton et le repérage de la frustration relèvent du modèle. L’éligibilité pour de l’argent ou un contrat n’est jamais la décision du modèle seul.

Il y a une tension. Le guide d’OpenAI sur la construction d’agents cite la validation des remboursements au service client comme exemple de « prise de décision complexe » où les agents ont leur place, et indique qu’autrement « une solution déterministe peut suffire » (OpenAI, A practical guide to building agents, en anglais, notre traduction). Le même guide précise que « l’annulation de commandes, l’autorisation de remboursements importants ou les paiements » doivent déclencher une supervision humaine tant que la confiance dans l’agent n’a pas grandi. Les deux sont vrais : les motifs qui demandent du jugement sont ceux où les agents apportent le plus de valeur et où il faut le plus de preuves d’abord. Ils viennent plus tard, pas jamais.

Comment savoir quand ajouter le motif suivant ?

Ajoutez le motif suivant quand les motifs actuels restent stables plusieurs semaines : les résolutions correctes restent à votre cible, les escalades ont lieu au bon moment, et les défaillances relues ont des causes connues avec des corrections en place. Renotez les motifs en attente en même temps, car des règles écrites et un nouvel accès aux données changent leurs notes.

Fondez-vous sur des preuves, pas sur des dates :

• La résolution correcte, pas la contention. Une conversation close n’est pas une conversation résolue ; voir le taux de résolution correcte pour mesurer la différence.
• La qualité des transferts. L’agent transfère au bon déclencheur, avec le contexte, pour que le client n’ait pas à se répéter (évaluer le transfert entre agent IA et conseiller).
• Les causes de défaillance. Chaque conversation en échec reçoit une cause : règle manquante, mauvaise donnée, mauvaise action, ton. Corrigez une cause récurrente avant d’élargir.
• Un responsable qui revoit chaque motif en production chaque semaine ; voir le rôle de responsable des agents IA.

Votre niveau dans le modèle de maturité IA du service client compte aussi : au début, ajoutez un motif à la fois ; une équipe qui évalue chaque conversation IA et dispose d’un processus de changement qui fonctionne peut en ajouter un petit groupe d’un coup.

Quand cette grille n’est-elle pas pour vous ?

Cette grille est plus que ce dont vous avez besoin si vous traitez quelques centaines de contacts par mois, si vous n’avez que trois ou quatre motifs de contact, ou si votre agent IA ne fait que répondre à partir de contenus validés sans agir. Dans ces cas, lisez un échantillon de tickets, écrivez les règles et testez les réponses à la main.

Elle ne remplace pas non plus une liste propre des motifs de contact (des étiquettes peu fiables donnent de mauvaises notes de volume) ni la revue juridique : la grille vous dit qu’un motif a des règles légales, pas lesquelles.

La place de Kaizo

Kaizo vérifie chaque conversation de support, humaine ou IA, selon votre propre grille, et vous montre quoi corriger. AutoPilot évalue chaque conversation dès qu’elle est résolue : vous voyez où l’agent IA et votre équipe font bien et où la qualité casse, ce qui vous donne les preuves pour décider quand ajouter le motif suivant. Découvrez le fonctionnement du contrôle qualité des agents IA, ou réservez une démo pour le voir sur vos propres conversations.

Par où commencer cette semaine

Vous pouvez noter vos premiers motifs en une semaine avec un analyste, un chef d’équipe, un export de votre outil de ticketing et un tableur. Vendredi, vous avez une liste classée, une liste d’exceptions pour les meilleurs candidats et une première vague validée de deux ou trois motifs.

1. Lundi : exportez les contacts du mois dernier par motif et retenez les 10 premiers par volume.
2. Mardi : notez le volume, la complexité, le risque de l’action (à partir des niveaux d’autonomie), l’accès aux données et l’émotion.
3. Mercredi et jeudi : pour les 4 premiers, lisez 50 tickets résolus chacun, comptez les décisions non écrites pour fixer la clarté des règles, et interrogez deux conseillers de haut niveau.
4. Vendredi : appliquez le critère de mesurabilité et les règles éliminatoires, calculez les notes, validez la première vague avec le responsable de votre agent IA et inscrivez les exceptions dans des fiches politiques.

Vérifiez ensuite les contrôles nécessaires avant la mise en production dans le guide du service client agentique.

Questions fréquentes

Quels sont des exemples concrets d’agents IA au service client ?

Des agents IA qui vérifient le statut de livraison d’une commande et expliquent un retard, réinitialisent un mot de passe, réservent ou déplacent un rendez-vous, traitent un retour standard et émettent une étiquette, ou changent l’offre d’un abonnement. Ce sont des agents plutôt que des chatbots parce qu’ils exécutent l’action dans vos systèmes, au lieu de seulement la décrire.

Quelle est la différence entre un chatbot de service client et un agent IA ?

Un chatbot à règles suit des intentions fixes et des réponses scénarisées, en général avec des boutons ou des mots-clés. Un agent IA comprend le texte libre, décide des étapes à suivre et agit via vos outils, par exemple en remboursant une commande. C’est cette liberté qui rend le choix des motifs et de leurs règles plus important.

Quel périmètre donner au premier agent IA ?

Assez étroit pour pouvoir vérifier chaque résultat. Deux ou trois motifs avec des règles écrites et un faible risque d’action conviennent à la plupart des grandes équipes ; dans l’illustration ci-dessus, deux motifs couvraient 31 % des contacts.

Un agent IA peut-il gérer les remboursements dès le premier jour ?

Rarement. Les petits remboursements couverts par une règle écrite peuvent tourner dans une limite une fois les règles et les cas de test en place, mais les remboursements combinent argent, exceptions et émotion : ils se classent en général en deuxième vague ou plus tard. Les remboursements plus importants et les litiges exigent la validation d’une personne.

Comment les agents IA peuvent-ils améliorer le service client sans dégrader la qualité ?

En résolvant entièrement les motifs simples et en transférant tout le reste à une personne avec le contexte. La qualité se dégrade quand les équipes automatisent des motifs aux règles non écrites ou mesurent la contention au lieu de la résolution correcte ; évaluer les conversations IA selon le standard de votre équipe garde cela visible.