Décorréler IA et connaissance : le piège que les services clients doivent éviter

Selon une enquête LinkedIn, 80 % des services clients comptent intégrer l'intelligence artificielle dans leurs activités d'ici 2024, pour créer ce qu'ils appellent des "conseillers augmentés". L'IA est ainsi soit mise à disposition du conseiller, et lui propose des ébauches de réponses, soit directement du client à travers des chatbots, des voicebots ou des FAQ.

Cependant, une fois déployée, l'IA peut produire des réponses non pertinentes, incomplètes ou obsolètes, engendrant ainsi déception et frustration chez les utilisateurs. Ces échecs ne relèvent pas de l'algorithme en soi, mais plutôt de la qualité des connaissances injectées dans celui-ci, nécessitant une réévaluation.

D'après une étude Ipsos menée pour iAdvize, 72 % des Français manifestent un intérêt pour l'aide fournie par les IA génératives afin d'obtenir des informations détaillées sur les produits et services recherchés, et 65% sur les questions d'après-vente. Pour répondre à ces attentes, améliorer les interactions et exploiter pleinement le potentiel de l'IA, les entreprises devraient avant tout garantir une structure adéquate de leurs bases de connaissances.

L'impact d'une IA mal alimentée

L'intelligence artificielle générative est alimentée par un certain nombre de données, nécessaires au fonctionnement de son algorithme. Ce dernier va ainsi les collecter, les analyser et les restituer au conseiller. Dans le cas de la suggestion de réponses à un conseiller ou un chatbot, les données d'entrée sont en fait de la connaissance métier, des procédures, des fiches produits.

Si cette connaissance à l'entrée est inexistante, non pertinente ou obsolète, alors les résultats le seront également. Ce qui risque de pénaliser l'expérience client et d'avoir un impact sur les indicateurs clés du service client. Par exemple, en augmentant le taux de réitération, les clients n'ayant pas eu la réponse attendue recontacteront le service client par un autre canal. Ou en diminuant le NPS ou la CSAT car les clients, frustrés, risquent d'être insatisfaits de leur interaction.

Les services clients auront donc investi dans une technologie qui ne permet pas de fidéliser et donc n'est pas rentable. Pour générer des propositions de réponse pertinentes au conseiller ou au client, il faut ainsi nourrir l'IA à l'aide d'une base de connaissance de qualité.

D'ailleurs, dans son rapport 2023 sur les technologies dans les services et supports clients, Gartner place en bonne position les systèmes de knowledge management, parfois en place dans les organisations mais souvent mal exploités.

Les bonnes pratiques pour une IA fonctionnelle

Une base de connaissance de qualité, c'est une base centralisée, harmonisée et mise à jour régulièrement. L'IA pourra ainsi se servir de la base de connaissance comme d'une FAQ dynamique.

Tous les tutoriels, procédures, modes opératoires, doivent donc être rassemblés dans une source de vérité unique, plutôt que dispersés dans différents espaces de stockage, comme l'intranet, la base documentaire, les notes personnelles. Cette centralisation permet d'éviter les incohérences et les doublons, tout en facilitant la mise à jour et la maintenance et facilite aussi l'accès par l'IA à la connaissance pour des résultats plus rapides.

Une fois que l'IA accède aux données, il lui faut ensuite pouvoir les lire. L'harmonisation des informations est essentielle pour assurer que l'IA puisse interpréter et utiliser efficacement les données. Cela implique de normaliser la structure et le format des informations, par exemple sous forme d'arbres de décisions, de manière que l'IA puisse les comprendre et les utiliser de manière cohérente. Cette harmonisation facilite la lisibilité par l'IA, mais elle profite également aux conseillers humains qui travaillent en tandem avec la technologie. Elle assure une compréhension homogène des données, réduisant ainsi les risques d'erreurs humaines et améliorant la qualité du service fourni.

Si les données sont centralisées et harmonisées, il faut également qu'elles soient à jour. Les informations peuvent rapidement devenir obsolètes, en particulier dans des secteurs à la législation mouvante comme l'assurance ou qui vendent un volume conséquent de références comme le retail. Pour maintenir la pertinence des résultats proposés par l'IA, il est essentiel de mettre en place des dates limites pour les informations et des alertes de mise à jour. La gestion de l'obsolescence garantit que l'IA ne fournira pas de données incorrectes ou dépassées, ce qui peut avoir des conséquences négatives sur les décisions et les actions des utilisateurs.

Enfin, cette base de connaissance doit être collaborative. Des systèmes de collecte de feedbacks ou de notifications suivies permettent aux administrateurs, aux conseillers et aux clients d'interagir et de co-construire la connaissance. La collecte de feedbacks fournit des informations précieuses sur la qualité des réponses de l'IA, tandis que les notifications suivies permettent de surveiller les mises à jour, les modifications et les questions en attente. Cette interaction constante contribue à améliorer la pertinence et la précision des connaissances de l'IA au fil du temps.

En conclusion, l'IA doit s'appuyer sur une connaissance centralisée, harmonisée et à jour.