Remplacer le support par ChatGPT a fait chuter les ventes de 20 % à 3 % : ce que l'IA ne sait pas faire

Tout responsable du support qui lance un assistant IA observe le même scénario. D'abord, l'équipe a peur : « on va me remplacer ». Puis elle se rassure : « il est idiot ». Et quand le bot commence réellement à aider, l'inquiétude revient. Voyons où l'IA est réellement plus forte que les humains, où elle échoue et que faire avec l'équipe.

Ce que l'IA a déjà pris

Une part importante du travail de la première ligne n'est pas la communication avec le client, mais le routage et la recherche d'informations. Ici, la machine est objectivement plus rapide. Dans une grande entreprise informatique, un assistant a réuni des sources de connaissances dispersées en une recherche unique. Auparavant, les ingénieurs passaient des heures à fouiller la documentation et les archives de tickets ; ils obtiennent désormais en quelques minutes les sections utiles et les descriptions de problèmes similaires. Le temps de réponse aux demandes de la banque cliente a diminué de 29 %.

Un détail important : l'entreprise a aussi revu la motivation de ses employés. On les a incités non seulement à utiliser l'outil, mais aussi à enrichir la base de solutions types. Sans cela, la recherche se heurte vite à des données obsolètes.

Il en va de même pour la classification des demandes par thème et par priorité, les brouillons de réponses aux questions courantes (avec vérification humaine) et l'extraction de faits à partir de l'historique des tickets. L'agent peut souffler à l'opérateur, en pleine conversation : « Un cas similaire a eu lieu en mars, voici la solution ». Si un spécialiste consacre 60 % de son temps à ces tâches, l'IA ne lui prend pas son travail : elle lui libère du temps.

Là où l'IA échoue

Une expérience révélatrice : une équipe produit a remplacé la première ligne par ChatGPT. Environ 20 % des ventes passaient par le support, les managers transformaient les échanges en commandes. Après l'automatisation, cette part est tombée à 3 %. Le bot répondait aux questions, mais n'entendait pas les doutes, ne proposait pas d'alternatives et ne levait pas les objections. Il informait, il ne vendait pas.

Le deuxième problème est familier à tous ceux qui ont connecté un LLM au support : le modèle invente des faits avec aplomb et ne dit presque jamais « je ne sais pas ». Solution pratique issue des discussions : écrire explicitement dans le prompt « si tu ne trouves pas la réponse dans le contexte, dis que tu ne sais pas », et ajouter une vérification obligatoire de la réponse avant l'envoi. Mais ces règles sont elles aussi conçues et contrôlées par un humain.

Il existe d'autres points faibles :

• Les émotions. La phrase « je comprends votre déception » ne change pas le ton de la conversation lorsque le client est à bout.
• Le jugement en situation d'incertitude. Le bug n'est pas reproductible, deux services disent des choses différentes, il faut décider d'escalader ou d'attendre. L'IA proposera des options, c'est l'humain qui tranche.
• Les problèmes systémiques. L'IA cherche dans ce qu'on lui a donné. Un humain remarque que c'est la cinquième demande de ce type en une semaine et lance une analyse des causes.
• La confiance. Les clients pardonnent une erreur à un humain, mais un bot qui se trompe sans le reconnaître perd leur confiance durablement.

Que faire en tant que responsable

Le principal risque ne vient pas de l'IA elle-même, mais d'une direction qui a décidé que « l'IA fera tout » et a réduit les effectifs. C'est exactement ainsi que les ventes via le support ont été divisées par six.

Étapes pratiques :

• Changez les KPI. Si les employés sont évalués au nombre de tickets clos, ils résisteront à un bot qui les clôt plus vite. Ajoutez les métriques « qualité de la base de connaissances » et « part des cas résolus avec l'assistant IA », et retirez le poids de la vitesse de réponse pour les catégories complexes.
• Consacrez environ 10 % du temps à l'amélioration de la base et à l'analyse des erreurs de l'IA.
• Expliquez à la hiérarchie : l'IA accélère la recherche, mais ne remplace pas le jugement.

L'auteur décrit trois trajectoires d'évolution pour ceux dont les tâches sont reprises par l'IA. L'ingénieur des connaissances rédige les instructions, vérifie les réponses du modèle et met à jour la base (formation de 3 à 6 mois). Le spécialiste des cas complexes L2+ analyse les causes, lit les logs et mène les négociations (6 à 12 mois). L'analyste qualité du support examine ce que l'IA résout et ce qu'elle rate, et fait le lien avec le produit (jusqu'à un an).

Limites et conclusion

L'article s'appuie sur des cas isolés, sans révéler les entreprises ni la méthodologie ; les chiffres (29 %, 20 % → 3 %) sont à considérer comme des illustrations, et non comme un benchmark. De plus, le texte se termine par la promotion d'un cours et d'un webinaire, si bien que l'accent mis sur les « nouveaux métiers » a en partie une visée commerciale.

Mais la conclusion pratique est sensée : ne mesurez pas le support à la vitesse de réponse par ticket, vous ne gagnerez pas cette course contre la machine. Confiez à l'IA la recherche, le tri et les brouillons, et laissez aux humains les ventes, les escalades, la recherche des causes profondes et la responsabilité de ce que le bot sait et dit. Gagne celui qui construit un système où l'on a moins souvent à répondre, parce que le problème a été réglé dans le produit.