Intégrer l’IA au cœur d’un service client n’est jamais un sujet purement technologique.
C’est un travail de fond, fait de décisions engageantes, de garde-fous assumés, et d’arbitrages constants entre automatisation, qualité de service et confiance des utilisateurs.
Lors des Grands RETEX (un évènement Product Awards qu’IKXO organise avec Le Ticket), Alan est venu partager un retour d’expérience particulièrement éclairant : la mise en place progressive d’agents IA capables de traiter une part croissante des demandes du service client, sans jamais retirer l’humain de l’équation. Marie Hardel, responsable du service client, et Grégoire Lambert, Product Manager IA, ont détaillé les choix produit, organisationnels et méthodologiques qui ont structuré cette trajectoire : comment démarrer sans dégrader l’expérience membre, comment dépasser les premiers plafonds d’automatisation, et comment faire évoluer le rôle des équipes pour les placer au cœur du dispositif.
Un retour d’expérience précieux pour les Product Leaders confrontés au même enjeu : comment automatiser à grande échelle tout en préservant la qualité de service, la confiance… et la place de l’humain.
Pourquoi Alan a mis l’IA au cœur du service client
Ce choix n’allait pas de soi. Chez Alan, le service client n’est pas un centre de coûts : il fait partie intégrante de la proposition de valeur et concentre des sujets sensibles (santé, remboursements, montants importants).
Trois raisons expliquent ce pari.
Un différenciateur produit
Le service client est historiquement une force d’Alan. Investir l’IA sur ce point de contact critique visait à renforcer un avantage concurrentiel, pas à le fragiliser.
Un enjeu de passage à l’échelle
Avec une croissance annuelle élevée, maintenir une qualité de service constante à taille d’équipe quasi stable impose un levier structurel.
Un terrain d’apprentissage exigeant
Beaucoup de volume, des cas récurrents, mais une complexité métier forte : un contexte idéal pour itérer, à condition de poser des garde-fous clairs.
Une expérience membre pensée pour la confiance (et la réversibilité)
Dès la démo, un principe ressort nettement : l’IA n’est jamais un point de non-retour.
Côté membre
Lorsqu’une question est posée (ex. remboursement d’ostéopathie), un agent IA répond instantanément :
– réponse contextualisée,
– accès direct aux garanties,
– capacité à poursuivre l’échange.
L’humain reste accessible à tout moment
Le membre peut demander un humain par chat, email ou rappel téléphonique. Et surtout, l’IA sait transférer d’elle-même quand la situation devient ambiguë. « Quand la conversation devient plus complexe, l’IA redirige automatiquement vers un humain. », Marie Hardel. Cette réversibilité n’est pas un détail UX. Elle conditionne l’acceptabilité de l’automatisation sur des sujets à fort enjeu et installe la confiance dans la durée.
Démarrer petit, puis spécialiser pour passer à l’échelle
Comme souvent en produit, Alan commence par réduire drastiquement le périmètre.
Un MVP volontairement contraint
– un seul point d’entrée (le tableau de garanties),
– uniquement des questions simples,
– 100 % des conversations relues au départ.
Tant que l’accès à un humain est clair et rapide, l’expérience est jugée satisfaisante. Le signal est positif : l’équipe peut continuer.
Le premier plafond : l’agent généraliste
Une première tentative d’agent plus large, basé sur le centre d’aide, montre vite ses limites. Le taux d’automatisation progresse… puis plafonne.
Le vrai tournant : les agents spécialisés
Alan bascule alors vers une architecture composée :
– d’un agent “sélecteur” qui qualifie la demande,
– d’agents spécialisés, chacun responsable d’un domaine métier,
– de bases de connaissances dédiées.
Pourquoi cette approche fonctionne mieux ? Parce qu’elle épouse directement la structure de l’équipe Care. « On a reproduit exactement la structure de nos équipes Care. », Grégoire Lambert.
Le passage à l’échelle ne tient pas tant à la performance des modèles qu’à l’alignement entre architecture technique et organisation.
Le plateau : quand la technique ne suffit plus
Après plusieurs mois, l’équipe se heurte à un plateau :
– les cas simples sont largement automatisés,
– les tickets restants sont plus complexes,
– l’architecture existante n’apporte plus de gains.
Un moment de doute classique, mais déterminant.
Le déclic : faire de l’évaluation un levier central
Pour sortir de cette stagnation, Alan change de priorité : l’évaluation devient centrale dans le dispositif. « Quand on ne sait plus comment améliorer un agent, la clé, c’est d’investir dans l’évaluation. », Grégoire Lambert.
Deux types d’évaluation sont alors structurés.
Évaluation en ligne (post-production)
Analyse fine des conversations réelles : erreurs de compréhension, transferts inadaptés, problèmes de ton ou de formulation.
Évaluation hors ligne (pré-production)
Rejeu de centaines de conversations passées pour comparer différentes configurations (prompts, paramètres, modèles).
L’outil utilisé n’a rien de spectaculaire : un run déclenche un tableau comparatif des réponses. Mais c’est précisément ce dispositif simple qui permet de structurer l’apprentissage et reprendre une trajectoire de progression continue.
Repenser la base de connaissances : des workflows aux playbooks
Autre levier décisif : la manière de structurer la connaissance. Au départ, Alan utilise des workflows (arbres de décision).
Avantage : très prescriptif.
Inconvénients :
– rigidité,
– maintenance lourde,
– difficulté à tirer parti des capacités réelles des LLM.
L’équipe bascule alors vers des playbooks, des guides en langage naturel, plus simples à éditer et plus adaptés aux modèles récents. « Les workflows rendent l’IA un peu bête. Les playbooks jouent sur les forces des modèles. », Grégoire Lambert.
Dans des organisations très documentées, la structure de la connaissance peut ainsi devenir un frein si elle n’évolue pas avec les capacités technologiques.
Un projet autant humain qu’organisationnel
Ce projet transforme profondément le rôle des équipes Care.
Des experts métier devenus superviseurs d’agents
Chez Alan, les agents service client (plutôt seniors) deviennent garants :
– de la qualité des réponses,
– du ton,
– de la performance des agents IA.
Des outils pour donner la main au métier
Pour rendre cette autonomie possible, Alan développe des outils internes :
– gestion des agents avec versioning,
– analyse conversationnelle,
– tests de nouvelles configurations sans compétence technique.
« Notre vision, c’est de leur donner une autonomie totale sur les agents. », Marie Hardel. Sans responsabilité clairement définie sur la qualité et l’amélioration continue, l’automatisation finit par plafonner.
Et après ?
Alan ne vise pas 100 % d’automatisation. Certains membres ne souhaitent pas interagir avec une IA, et certains cas resteront complexes.
Les pistes évoquées :
– IA vocale,
– davantage d’agentique (actions, tool calling),
– évolution vers un service client plus proactif.
Les enseignements à retenir
1. La patience est clé : l’impact significatif vient après des mois d’itérations.
2. L’évaluation est un levier stratégique : sans mesure fine, impossible de progresser sur les cas complexes.
3. L’IA au support est d’abord un sujet d’organisation : architecture, ownership, collaboration produit–métier font la différence.
4. Humain et IA se renforcent mutuellement : à condition de concevoir une expérience réversible et de traiter la confiance comme un produit.
Checklist rapide pour démarrer
– Démarrer sur un périmètre très restreint
– Garantir une escalade humaine explicite
– Définir un seuil de qualité avant déploiement
– Outiller l’évaluation (online et offline)
– Structurer la connaissance en langage naturel
Conclusion
Le retour d’expérience d’Alan montre que réussir l’IA en produit ne consiste pas à chercher un effet “waouh”, mais à construire une trajectoire maîtrisée : des garde-fous clairs, des boucles d’apprentissage solides et une organisation alignée.
D’autres retours d’expérience issus des Grands RETEX tout aussi concrets sont à découvrir sur notre blog : Lancer un produit dans un nouveau pays : le retour d’expérience BlaBlaCar et Quand le produit devient le moteur de l’expérience hôtel : le retour d’expérience Accor.
Une lecture complémentaire de ce Grand RETEX est également disponible sur Le Ticket.
