Agent IA de support client : 217 200 $ économisés par an

Avec 12 M$ de chiffre d’affaires annuel et 40 % de croissance sur un an, la marque gagnait sur le produit et le marketing pendant que le support craquait. Six agents traitaient environ 4 800 tickets par mois dans Gorgias. Le délai moyen de première réponse avait grimpé à 4,2 heures, avec des pointes à plus de 12 heures lors des lancements, et le CSAT était tombé de 4,6 à 3,9 en six mois.

L’analyse des tickets a rendu la cause évidente. Environ 70 % du volume relevait de catégories prévisibles : suivi de commande (23 %), tailles et compatibilité (18 %), retours et échanges (16 %), codes de réduction (8 %) et politique de livraison (5 %). Chacune de ces demandes, qui se traitent en appliquant des règles, prenait encore 6 à 8 minutes à un agent, pendant que les 1 500 tickets mensuels qui exigeaient vraiment un humain attendaient dans la file.

Le fondateur l’a résumé sans détour : six personnes payées 58 000 $ chacune répondaient aux 15 mêmes questions 3 000 fois par mois. Un chatbot Gorgias à base de règles avait été essayé. Il traitait environ 8 % des tickets avant que les clients ne le contournent.

Une évaluation de maturité IA à 8 000 $ est venue en premier : classification de 28 400 tickets issus de 6 mois d’historique Gorgias, audit de chaque source de connaissance (catalogue Shopify de 420 références, politiques, guides des tailles, données de suivi ShipStation) et étude d’architecture. Le fine-tuning a été écarté, car il aurait figé les incohérences des réponses passées des agents. Un pipeline RAG avec GPT-4o et appel d’outils a été retenu : l’agent fonde chaque réponse sur les données actuelles de produits, de politiques et de commandes. L’évaluation prévoyait 60 à 70 % de tickets automatisables et 180 000 à 240 000 $ d’économies annuelles.

Le développement a placé les connaissances sur les produits, les politiques et les commandes derrière une recherche sémantique (Pinecone, avec synchronisation Shopify chaque nuit) et mis en place un accès API sécurisé à Shopify et à ShipStation pour consulter les commandes en temps réel. L’agent est soumis à un seuil de confiance : il ne répond de façon autonome que si la confiance de la classification d’intention dépasse 0,85 et la pertinence des documents retrouvés 0,80. En dessous de l’un ou l’autre seuil, le ticket passe à un humain, avec le brouillon de l’IA et le contexte déjà chargés. L’agent peut aussi agir : lancer un retour, générer une étiquette, appliquer un code de réduction ou modifier une adresse, chaque fois avec la confirmation du client.

Les tests sur 2 000 tickets historiques dont la résolution était connue ont donné 94,2 % d’exactitude sur la classification d’intention, 91,7 % d’exactitude des réponses, 99,1 % de conformité aux politiques et une note de 4,3 sur 5,0 pour la proximité de ton avec le meilleur agent de l’équipe. Le déploiement s’est fait par paliers sur deux semaines : 10 % des tickets avec relecture humaine complète, puis 30 % avec relecture des seuls cas signalés, puis 100 % des tickets éligibles en autonomie.

Sur les 90 premiers jours de déploiement complet, par rapport aux 90 jours précédents : l’IA a résolu 3 149 tickets par mois (64 %) sans intervention humaine, les tickets nécessitant un humain ont baissé de 63 % pour s’établir à 1 771 par mois, et le délai de première réponse est passé de 4,2 heures à 6 minutes pour les réponses de l’IA et à 1,8 heure pour celles des humains. Le CSAT est remonté de 3,9 à 4,5.

Le coût mensuel d’exploitation du support est passé de 29 200 $ à 11 100 $, soit une baisse de 62 % qui représente 217 200 $ en base annuelle. Rapporté à un investissement de 92 000 $ la première année (8 000 $ d’évaluation, 42 000 $ de développement, 3 500 $ par mois d’exploitation), le ROI net de la première année atteint 125 200 $ (136 %), avec un amortissement en 5,1 mois.

Trois agents ont été réaffectés à la prise de contact proactive, à la gestion des clients VIP et à l’expérience après achat, ce qui a contribué à une hausse de 14 % du taux de réachat au trimestre suivant. Lors d’une opération promotionnelle où le volume de tickets a doublé, l’IA a tenu un délai de réponse moyen de 4 minutes. L’équipe entièrement humaine affichait 14 heures en moyenne lors d’opérations comparables.