Optimiser l’assistance client grâce à un chatbot IA (RAG)

OBJECTIF : améliorer la qualité du selfcare digital et réduire les sollicitations ‘triviales’ vers les centres de contact,

MÉTHODE : Temps Partagé

RYTHME : Phase de cadrage & conception : 20 jours Phase de développement & intégration : 12 semaines Phase de recette & optimisation : 6 semaines Lancement : 1er avril (à la date initialement prévue)

DURÉE : Plusieurs mois

Entreprise

le Client est un opérateur de Réseau Mobile Virtuel (MVNO) français

Contexte et problématique

Dans un contexte de digitalisation de la relation client, le Client (un MVNO français) s’appuyait depuis plusieurs années sur un chatbot de première génération, basé sur une logique arborescente. Bien qu’ayant rempli son rôle, ce dispositif montrait ses limites en termes de compréhension du langage naturel, de pertinence des réponses et de capacité à traiter des demandes variées.

Parallèlement, la majorité des sollicitations clients continuait d’être traitée via les centres de contact, générant des coûts opérationnels élevés sur des demandes récurrentes de niveau 1 et 2.

L’enjeu du projet était double :

améliorer la qualité du selfcare digital en proposant une assistance plus fluide et plus pertinente,
réduire les sollicitations ‘triviales’ vers les centres de contact, en augmentant la capacité de résolution autonome.

Mission et actions

Cadrage et conception

Définition du périmètre fonctionnel et des cas d’usage prioritaires (assistance de premier niveau)
Prise en compte du cadre réglementaire (RGPD, gestion des données personnelles) et des contraintes sécuritaires
Structuration des sources documentaires (FAQ, contenus assistance, documents internes)
Construction du cahier des charges fonctionnel

Pilotage du développement et du POC RAG

Collaboration avec le fournisseur sur l’intégration du moteur RAG
Paramétrage des modèles et du preprompt
Mise en place de garde-fous (sécurité, périmètre, conformité)

Recette et évaluation des performances

Élaboration d’un jeu de tests (questions utilisateurs) et organisation de la recette métier
Définition d’une grille de scoring (pertinence, exactitude, ton, conformité)
Analyse comparative des modèles IA

Optimisation du système

Enrichissement des contenus et transformation des données (RAG-friendly)
Ajustement du preprompt (gestion des cas sensibles, ambiguïtés, tarification)
Mise en place de règles de gouvernance des réponses

Déploiement et mise en production

Intégration du chatbot sur le site d’assistance
Suivi des premiers usages et monitoring des interactions
Mise en place des premiers indicateurs de performance et de satisfaction

Timing mission

Phase de cadrage & conception : 20 jours
Phase de développement & intégration : 12 semaines
Phase de recette & optimisation : 6 semaines
Lancement : 1^er avril (à la date initialement prévue)

Résultats

+1000 interactions clients traitées dans les premiers jours suivant le lancement
Amélioration de la fluidité et naturalité des échanges
Meilleure pertinence des réponses sur les demandes courantes
Potentiel de réduction des sollicitations centres de contact (N1–N2)
Acculturation des équipes aux technologies d’IA générative
Mise en place d’une brique technologique structurante pour les futurs cas d’usage IA