Singapore Airlines remplace son chatbot à scénarios par un LLM et double son CSAT

C'est une douleur bien connue de tous ceux qui ont construit un support client : le chatbot à scénarios. Chaque intention doit être décrite, chaque branche dessinée à l'avance, et la personne écrit quelque chose comme « mon vol est annulé, et j'ai un transfert et un hôtel, que faire ? ». En réponse, le bot affiche un menu de cinq options. Singapore Airlines est passée par là et a réécrit son bot Kris avec un LLM. La compagnie partage des chiffres et des détails d'architecture dont on peut tirer quelques enseignements.

Ce qui a changé dans Kris

Dans l'ancien schéma basé sur dialog-flow, la couverture des thèmes dépendait du nombre de dialogues décrits manuellement. Si l'intention voulue n'existait pas, la conversation partait le plus souvent vers un opérateur, alors que la question aurait pu être réglée en libre-service. Un tel système est difficile à faire évoluer : chaque nouveau thème implique une nouvelle branche.

Après le passage à l'API d'OpenAI, le bot analyse lui-même l'intention du client formulée librement, répond à partir d'une base de connaissances, tient une conversation portant sur plusieurs sujets à la fois et transmet le chat à un employé humain avec le contexte. Aujourd'hui, Kris répond aux questions générales, traite les demandes spéciales, signale en temps réel les perturbations de vols et exécute une partie des transactions. Les prochaines étapes prévues : modification de réservations, opérations sur les bagages et scénarios agentiques plus complexes.

Résultat selon la compagnie : le CSAT a doublé. Par ailleurs, les opérateurs ont reçu un outil de synthèse d'appels, fondé sur la même API, afin de passer moins de temps à l'analyse après la conversation. Le temps moyen de traitement d'une demande a diminué d'environ 10 %.

Flight Recommender : le modèle appelle des outils au lieu d'inventer les prix

Le second produit est Flight Recommender. Le client décrit son voyage en langage courant, au lieu de manipuler sans cesse les filtres de dates et de destinations. L'usage a presque triplé en un an.

Le système ne repose pas sur l'idée que « le modèle connaît les vols ». Entre le modèle et l'utilisateur se trouve une couche d'orchestration connectée aux données de tarifs et de disponibilité des places. Le modèle interprète la demande, appelle les outils nécessaires et restitue le résultat en langage humain. Les prix et la disponibilité proviennent des systèmes de la compagnie, et non de la mémoire du modèle.

Autour de cela, des mécanismes de protection ont été mis en place : validation des entrées et des sorties, traitement des requêtes malveillantes et inappropriées, réduction des hallucinations, gestion des données personnelles et accès limité au seul contexte nécessaire à chaque requête. L'étape suivante consiste à transformer la recherche en dialogue, où l'on peut affiner une idée sans repartir de zéro.

L'IA sur tout le cycle de développement, pas seulement dans le code

La partie du cas la plus applicable pour les équipes concerne le développement. Les modèles sont utilisés aux étapes de clarification des exigences, d'analyse des réunions avec les parties prenantes, de rédaction des spécifications, de recherche de cas limites, de génération de cas de test, de revue d'architecture et de découpage de grandes tâches en morceaux vérifiables.

Exemple tiré du texte : pour une fonctionnalité commerciale, l'équipe a d'abord demandé au modèle de contester les hypothèses et de repérer les exigences ambiguës. Ce n'est qu'ensuite que l'IA a aidé à élaborer des variantes de design, des plans d'implémentation, des tests et du code. Sur certaines activités, le gain de productivité a atteint 20 %. Le rôle des humains est passé de la production d'artefacts à la définition des tâches, à la revue et à la validation.

Il existe aussi une plateforme interne, Jarvis, avec contrôle d'accès. Les employés y travaillent avec des PDF, Word, Excel et des présentations, et y construisent leurs propres workflows et de petites bases de connaissances. Plus de 60 % du personnel l'utilise chaque mois.

À garder en tête à la lecture

Il s'agit d'une étude de cas publiée sur le site d'OpenAI, donc d'un contenu à visée commerciale. La méthodologie de mesure du CSAT n'est pas divulguée, et l'on ignore à quoi exactement la comparaison a été faite et sur quelle période. Les chiffres sur le temps de traitement (environ 10 %) et sur le développement (jusqu'à 20 %) sont bien plus modestes que le « doublement » du titre. Il vaut mieux les considérer comme un repère réaliste que comme une promesse.

Conclusion pratique pour les équipes qui construisent du support ou de la recherche :

• Les bots à scénarios butent sur la couverture manuelle des thèmes. Un LLM avec base de connaissances lève cette limite, mais exige une base de qualité et un transfert soigné à l'opérateur avec le contexte.
• Les faits (prix, disponibilité, statuts de vols) doivent venir d'outils, le modèle étant réservé à la compréhension de la demande et à la formulation de la réponse.
• Prévoyez dès le départ les guardrails, le contrôle des données personnelles et la revue humaine, et non après le premier incident.
• Il est judicieux de déployer la vérification des exigences et la génération d'edge cases avant la génération automatique de code : c'est là que l'équipe de Singapore Airlines décrit le bénéfice le plus évident.