Le taux de résolution correcte est la part des conversations traitées par un agent IA (ou par un conseiller) qui se terminent résolues, avec la bonne réponse, la bonne action réalisée et la politique respectée, et sans recontact sur le même problème dans les 7 jours. La formule : résolutions correctes divisées par conversations traitées, multiplié par 100, estimé à partir d’un échantillon aléatoire audité.
En bref
- Taux de résolution correcte = résolutions correctes / conversations traitées x 100, où « correcte » signifie que quatre contrôles sont réussis : bonne réponse, autorisée par la politique, action réalisée dans le système de référence, aucun recontact sous 7 jours.
- Vous l’estimez à partir d’un échantillon aléatoire audité : présentez-le donc avec une marge d’erreur à 95 % de 1,96 x √(p x (1 − p) / n).
- Environ 385 conversations jugées donnent une marge d’environ ±5 points ; environ 97 par motif donnent environ ±10 points, assez pour repérer un motif défaillant.
- Il est plus exigeant que le containment, la déflexion, la résolution au premier contact et le taux de résolution de l’éditeur, car aucun de ces indicateurs ne vérifie que la réponse était juste ni que l’action a eu lieu.
- Divisez ce que coûte l’agent IA par les résolutions correctes, pas par les résolutions facturées, pour obtenir le coût par résolution correcte.
Cette page définit l’indicateur et fournit le calculateur. La méthode pour juger chaque conversation (relecture à l’aveugle, contrôles dans les systèmes, règle de verdict) se trouve dans notre guide pour auditer le taux de résolution d’un agent IA, et les deux s’inscrivent dans notre page de référence sur l’évaluation des agents IA.
Qu’est-ce que le taux de résolution correcte ?
Le taux de résolution correcte est le pourcentage de conversations du périmètre qu’un agent, IA ou humain, a clôturées sans transfert et qui réussissent quatre contrôles : la réponse était juste et complète, elle respectait la politique, chaque action promise figure dans le système de référence, et le client n’est pas revenu sur le même problème, par aucun canal, dans les 7 jours.
Chaque partie de la définition a un rôle :
| Partie | Règle | Pourquoi elle est là |
|---|---|---|
| Traitée | Toute conversation entrée chez l’agent sur la période, hors spam, tests et conversations limitées à une salutation | Fixe le dénominateur, pour que le taux ne puisse pas monter en excluant les conversations difficiles |
| Résolue | L’agent l’a clôturée sans la transférer à un humain | Un transfert justifié est un bon résultat, mais pas une résolution par cet agent ; suivez-le à part |
| Bonne réponse | Conforme à la politique, au prix ou à la procédure en vigueur à la date de la conversation | Repère les mauvaises réponses données avec assurance et acceptées par le client |
| Autorisée | Aucune exception ni promesse hors du périmètre écrit de l’agent | Repère les réponses « serviables » mais contraires à la politique |
| Action réalisée | Le remboursement, la résiliation ou la mise à jour figure dans le système de référence, avec le bon montant et le bon article | Repère les actions annoncées par l’agent mais jamais réalisées |
| Aucun recontact | Aucun contact du même client sur le même problème dans les 7 jours, quel que soit le canal | Repère les clients qui ont abandonné ou sont revenus ailleurs |
Un seul contrôle échoué rend la conversation « non correcte ». Une conversation dont un enregistrement manque est classée « impossible à juger » et sort de l’échantillon, selon la même règle de verdict que l’audit des résolutions.
Quelle est la formule du taux de résolution correcte ?
La formule est : taux de résolution correcte = (résolutions correctes / conversations traitées) x 100. Comme vous ne pouvez pas juger chaque conversation à la main, vous l’estimez sur un échantillon : part correcte de l’échantillon jugé, multipliée par 100. Si l’échantillon ne couvre que les conversations résolues selon l’éditeur, multipliez cette part par la part résolue selon l’éditeur.
Deux façons de l’estimer, selon ce que vous échantillonnez :
- Échantillonner toutes les conversations traitées (méthode directe). Tirez au hasard parmi tout ce que l’agent a traité, escalades comprises. Taux de résolution correcte = correctes / jugées. Les conversations escaladées comptent simplement comme « non correctes ».
- Échantillonner seulement les conversations résolues selon l’éditeur (méthode en deux étapes). C’est ce que fait l’audit des résolutions. Taux de résolution correcte = part résolue selon l’éditeur x part correcte de l’échantillon résolu audité. Exemple : 62 % résolues x 70 % correctes = 43,4 %.
La méthode en deux étapes coûte moins cher si vous auditez déjà les résolutions, mais elle suppose qu’aucune conversation marquée non résolue n’était en réalité une résolution correcte. Le calculateur ci-dessous utilise la méthode directe.
Comment estimer le taux de résolution correcte à partir d’un échantillon audité ?
Jugez un échantillon aléatoire, calculez la part correcte p, puis ajoutez une marge d’erreur à 95 % de 1,96 x √(p x (1 − p) / n), où n est le nombre de conversations jugées. Avec p = 0,48 et n = 385, la marge est d’environ ±5 points : le taux réel se situe donc entre environ 43 % et 53 %.
C’est l’intervalle le plus utilisé pour une proportion, comme le note le NIST engineering statistics handbook (en anglais). La même page préfère l’intervalle de Wilson, car la formule simple peut produire des bornes impossibles (une borne basse sous 0 %), ce que Wilson évite. Utilisez Wilson pour tout motif avec moins d’environ 50 conversations jugées ou un taux proche de 0 % ou de 100 %.
Pour dimensionner l’échantillon avant de commencer, utilisez n = 1,96² x 0,25 / E², où E est la marge souhaitée et 0,25 le pire cas (p = 0,5) :
| Marge souhaitée (E) | Conversations jugées (n) | Formule de tableur |
|---|---|---|
| ±10 points | 97 | =ROUNDUP(1.96^2*0.25/0.10^2,0) |
| ±5 points | 385 | =ROUNDUP(1.96^2*0.25/0.05^2,0) |
| ±3 points | 1 068 | =ROUNDUP(1.96^2*0.25/0.03^2,0) |
Les formules sont données dans la syntaxe anglaise d’Excel ; dans un Excel en français, écrivez =ARRONDI.SUP(1,96^2*0,25/0,05^2;0). Ajoutez 3 % à 5 % pour les verdicts « impossible à juger ». Notre page sur les statistiques d’échantillonnage en contrôle qualité (en anglais) explique pourquoi la marge diminue avec la racine carrée de l’échantillon, et non proportionnellement.
Le calculateur du taux de résolution correcte (à copier dans un tableur)
Le calculateur a une ligne par motif : vous pouvez ainsi suréchantillonner les motifs à risque et obtenir malgré tout un taux global honnête. Mettez les lettres de colonnes ci-dessous en ligne 1, les motifs à partir de la ligne 2, et recopiez les formules vers le bas. Les chiffres sont une illustration, pas des données client.
Colonnes et formules (ligne 2 montrée ; la ligne 6 est le total) :
| Colonne | Champ | Formule (ligne 2) |
|---|---|---|
| A | Motif | saisi |
| B | Conversations traitées (N) | saisi, depuis le journal complet de l’agent |
| C | Tirées au hasard (n) | saisi |
| D | Impossible à juger | saisi, depuis l’audit |
| E | Résolutions correctes dans l’échantillon | saisi, depuis l’audit |
| F | Jugées | =C2-D2 |
| G | Part correcte (p) | =E2/F2 |
| H | Marge, 95 % | =1.96*SQRT(G2*(1-G2)/F2) (dans Excel aussi =CONFIDENCE.NORM(0.05,SQRT(G2*(1-G2)),F2)) |
| I | Borne basse | =MAX(0,G2-H2) |
| J | Borne haute | =MIN(1,G2+H2) |
| K | Résolutions correctes estimées | =B2*G2 |
| L | Part de variance | =(B2/$B$6)^2*G2*(1-G2)/F2 |
| Ligne de total 6 | Taux de résolution correcte | =SUM(K2:K5)/B6, marge =1.96*SQRT(SUM(L2:L5)) |
Dans un Excel en français, SQRT devient RACINE, SUM devient SOMME, CONFIDENCE.NORM devient INTERVALLE.CONFIANCE.NORMAL, et le séparateur d’arguments est le point-virgule. Le raccourci Excel de la colonne H fonctionne parce que CONFIDENCE.NORM (en anglais) renvoie la marge pour un seuil alpha, un écart type et une taille d’échantillon donnés. La colonne L pondère chaque motif par sa part du volume, ce qui rend la marge globale juste quand vous suréchantillonnez.
Exemple chiffré (illustration). Un agent IA traite 20 000 conversations en octobre. L’éditeur annonce un taux de résolution de 62 %. L’équipe tire 440 conversations sur quatre motifs, en suréchantillonnant les résiliations, et juge chacune avec les quatre contrôles.
| Motif | Traitées (N) | Tirées | Impossible à juger | Correctes | Part correcte | Marge | Intervalle | Correctes estimées |
|---|---|---|---|---|---|---|---|---|
| Suivi de commande | 9 000 | 120 | 2 | 73 | 61,9 % | ±8,8 | 53,1 % à 70,6 % | 5 568 |
| Retours et remboursements | 5 000 | 120 | 4 | 46 | 39,7 % | ±8,9 | 30,8 % à 48,6 % | 1 983 |
| Résiliation d’abonnement | 2 000 | 100 | 3 | 29 | 29,9 % | ±9,1 | 20,8 % à 39,0 % | 598 |
| Question de facturation | 4 000 | 100 | 1 | 35 | 35,4 % | ±9,4 | 25,9 % à 44,8 % | 1 414 |
| Total | 20 000 | 440 | 10 | 183 | 9 563 |
Le résultat, étape par étape :
- Taux global de résolution correcte : 9 563 / 20 000 = 47,8 %.
- Marge globale : 1,96 x √(somme de la colonne L) = ±5,0 points, soit 42,8 % à 52,8 %.
- Écart avec le chiffre de l’éditeur : 62 % annoncés contre 47,8 % corrects, un écart d’environ 14 points.
- Pourquoi pas 183 / 430 ? Ce 42,6 % non pondéré surreprésenterait les résiliations, échantillonnées à 5 % de leur volume alors que le suivi de commande l’était à 1,3 %. La pondération par N corrige ce biais.
Les lignes par motif forment la liste des actions : les résiliations et les questions de facturation échouent le plus, elles reçoivent donc les premières corrections, ou repassent aux humains jusqu’à ce qu’elles s’améliorent.
En quoi le taux de résolution correcte diffère-t-il du containment, de la déflexion, du FCR et du taux de résolution ?
Le containment, la déflexion, la résolution au premier contact et le taux de résolution de l’éditeur comptent tous des conversations qui se sont terminées d’une certaine façon. Le taux de résolution correcte compte les conversations qui se sont bien terminées : c’est le seul des cinq qui exige une réponse juste, une action réalisée et un problème qui reste réglé pendant 7 jours.
| Indicateur | Ce qu’il compte | Vérifie l’exactitude ? | Fenêtre de recontact | Qui le définit |
|---|---|---|---|---|
| Taux de containment (en anglais) | Conversations terminées sans humain | Non | Aucune | Vous ou l’éditeur |
| Taux de déflexion | Demandes qui n’ont jamais atteint une file humaine | Non | Aucune | Variable selon les équipes ; voir pourquoi le taux de déflexion cache les mauvaises conversations |
| Résolution au premier contact (FCR, en anglais) | Problèmes réglés dès la première interaction | Souvent par enquête, pas par les enregistrements | Fixée par vous | Vous |
| Taux de résolution de l’éditeur | Conversations que l’éditeur marque comme résolues | Parfois, en lisant la transcription | Courte et limitée au canal | L’éditeur |
| Taux de résolution correcte | Résolue, juste, autorisée, action réalisée, sans recontact | Oui, par rapport à la politique et aux enregistrements des systèmes | 7 jours, tout canal | Vous |
Les définitions des éditeurs diffèrent. Intercom compte une « assumed resolution » (résolution présumée) quand le client quitte la conversation « sans demander d’aide supplémentaire », et ne la retire que si le client revient dans la même conversation (Intercom, en anglais). Zendesk distingue les résolutions « contained » (contenues) des résolutions « verified » (vérifiées), pour lesquelles un modèle de langage relit la transcription (Zendesk, en anglais). Ada compte les résolutions jugées pertinentes, exactes et sûres par une relecture par LLM (Ada, en anglais). Aucune de ces définitions, telle que documentée, ne cherche les recontacts sur d’autres canaux, et la seule relecture de la transcription ne peut pas confirmer qu’un remboursement ou une résiliation a bien été enregistré : c’est pourquoi il vous faut un chiffre que vous définissez vous-même.
Le FCR est le plus proche cousin : le taux de résolution correcte est un FCR dont les contrôles d’exactitude et d’action sont rendus explicites, ce qui le fait fonctionner de la même façon pour un agent IA et pour une personne.
Pourquoi segmenter le taux de résolution correcte par motif ?
Segmentez par motif, car un taux global masque l’endroit où l’agent échoue, et parce que le mix de motifs détermine le chiffre affiché. Un agent qui reçoit plus de questions simples de suivi de commande ce mois-ci affichera un taux plus élevé sans s’être amélioré. Les taux par motif montrent les vrais changements et indiquent quels motifs corriger, étendre ou reprendre.
Trois règles gardent la comparaison juste :
- Comparez ce qui est comparable. Quand vous comparez des mois, des éditeurs ou une équipe humaine avec l’agent IA, comparez motif par motif, ou repondérez les deux sur le même mix de motifs.
- Dimensionnez chaque motif pour une décision. Environ 97 conversations jugées par motif donnent ±10 points : assez pour voir que les résiliations à 30 % sont défaillantes, pas assez pour voir un mouvement de 3 points.
- Surveillez d’abord les motifs à risque. Les motifs où l’agent fait bouger de l’argent ou modifie un compte méritent un échantillon plus grand, car une mauvaise action y coûte plus cher qu’une mauvaise réponse sur les délais de livraison.
Choisir les motifs à confier à l’agent dès le départ est le sujet de quelles demandes automatiser en premier.
Comment calculer le coût par résolution correcte ?
Coût par résolution correcte = coût total de fonctionnement de l’agent IA sur la période / résolutions correctes estimées. Prenez tout ce que vous payez pour le faire tourner (facture de l’éditeur, frais de plateforme, temps interne consacré à la base de connaissances et au contrôle qualité), et divisez par les résolutions correctes, pas par les résolutions que l’éditeur vous a facturées.
Pour poursuivre l’illustration, avec un prix illustratif de 0,99 $ par résolution facturée :
| Ligne | Formule | Valeur |
|---|---|---|
| Résolutions facturées | 20 000 x 62 % | 12 400 |
| Facture de l’éditeur | 12 400 x 0,99 $ | 12 276 $ |
| Coût interne de fonctionnement (illustratif) | entretien de la base de connaissances, temps de contrôle qualité | 3 000 $ |
| Coût total | somme | 15 276 $ |
| Coût par résolution facturée | 15 276 $ / 12 400 | 1,23 $ |
| Coût par résolution correcte | 15 276 $ / 9 563 | 1,60 $ (intervalle de 1,45 $ à 1,78 $) |
L’intervalle divise par l’estimation basse et haute des résolutions correctes (8 565 et 10 560). Pour une vision plus complète, ajoutez le coût humain des recontacts que créent les fausses résolutions, et calculez le même chiffre pour votre équipe humaine (coût chargé des heures passées / résolutions correctes) avant de décider quoi automatiser. Notre ensemble plus large d’indicateurs des agents IA au service client montre où ce chiffre se place à côté de la qualité des escalades et des abandons silencieux.
Quand le taux de résolution correcte n’en vaut-il pas la peine ?
Renoncez à l’échantillonnage quand l’agent traite quelques centaines de conversations par mois : jugez-les toutes et calculez le taux exact. L’indicateur compte aussi moins pour un agent qui répond seulement à des questions d’information simples, sans actions ; un comptage des recontacts et un contrôle d’exactitude léger peuvent suffire. Dans ces cas, ce calculateur n’est pas pour vous.
Ce n’est pas non plus un moyen de trouver des défaillances individuelles. Un échantillon de 440 donne le taux à environ 5 points près, mais fera rarement apparaître une défaillance qui touche 1 client sur 500 ; pour les trouver, il faut évaluer chaque conversation.
Par où commencer à mesurer le taux de résolution correcte cette semaine
Il vous faut un tableur, une ou deux personnes pour juger et un accès en lecture à votre système de commandes ou de facturation. La première semaine vous donne un premier taux avec sa marge et la liste des motifs à corriger ; les définitions comptent plus que les décimales.
- Jour 1 : écrivez les quatre contrôles, avec un exemple réussi et un exemple échoué pour chacun, et la règle des 7 jours.
- Jour 2 : exportez les conversations traitées le mois dernier avec leur motif, et tirez un échantillon aléatoire par motif à l’aide du tableau de dimensionnement ci-dessus.
- Jours 3 et 4 : jugez chaque conversation, vérifiez les actions annoncées dans les enregistrements des systèmes et cherchez les recontacts sur tous les canaux.
- Jour 5 : collez les comptages dans le calculateur, lisez les taux par motif et calculez le coût par résolution correcte.
Une fois que vous savez quels motifs échouent, l’étape suivante consiste à repérer ces défaillances sur chaque conversation plutôt que sur un échantillon mensuel. AutoPilot de Kaizo évalue chaque conversation résolue selon votre propre grille, et chaque note renvoie aux éléments de preuve de la conversation ; voyez le contrôle qualité des agents IA pour comprendre le fonctionnement, ou réservez une démo pour le voir sur les conversations de votre propre agent IA.
Questions fréquentes
Qu’est-ce qu’un bon taux de résolution correcte ?
Il n’existe pas de référence publiée, car presque personne ne définit encore l’indicateur de la même façon. Suivez votre propre taux par motif d’un mois sur l’autre, et surveillez l’écart avec le taux de résolution de l’éditeur. Un écart qui se réduit signifie que les corrections fonctionnent ; un taux éditeur stable et élevé avec un taux correct en baisse signifie que le tableau de bord s’éloigne de la réalité.
Peut-on utiliser le taux de résolution correcte pour les conseillers humains ?
Oui. Les quatre contrôles s’appliquent à toute conversation, et la formule est la même. Pour une personne, « résolue » signifie que le conseiller a clôturé la conversation sans la transférer. Comparez les humains et l’agent IA motif par motif, jamais sur des taux globaux, car ils traitent en général des mix très différents.
Pourquoi une fenêtre de recontact de 7 jours ?
Les fenêtres des éditeurs sont courtes et se limitent en général à la même conversation, alors que beaucoup de défaillances apparaissent plus tard : un remboursement qui n’arrive jamais, un deuxième prélèvement à la facturation suivante. Sept jours en attrapent la plupart. Pour les motifs de facturation, prolongez la fenêtre jusqu’à la date de la facture suivante.
Un LLM juge peut-il calculer le taux de résolution correcte ?
Un LLM juge peut évaluer à grande échelle les contrôles de réponse et de politique, si vous le calibrez sur des verdicts humains. Il ne peut pas voir les enregistrements des systèmes ni les contacts sur d’autres canaux en lisant seulement la transcription : croisez-le avec les données de commande et l’historique des contacts avant de déclarer une conversation correcte.
Les conversations « impossibles à juger » pèsent-elles sur le taux ?
Non. Retirez-les du nombre de conversations jugées, indiquez combien il y en avait, et corrigez les données manquantes si elles dépassent environ 5 % de l’échantillon. Si elles se concentrent sur un motif, le taux de ce motif est moins fiable que ne le suggère sa marge.
