Comment Just AI a Aidé une Banque à Franchir le Plafond de l'Automatisation avec des Agents LLM

L'équipe Just AI a publié une analyse d'un cas réel : comment transitionner le support client d'une banque de bots basés sur NLU vers des agents LLM sans se retrouver avec une vague d'hallucinations à la place de la croissance de l'automatisation.

Le Plafond qu'on ne Peut pas Contourner

Quand les scénarios NLU se développent à des centaines de branches, ajouter de nouveaux dialogues cesse d'aider. Le bot commence à faire des erreurs sur les cas limites, nécessite un soutien constant du balisage et ne peut pas gérer les formulations non standard. Le pourcentage d'automatisation stagne.

La banque a dû affronter exactement cela : un système NLU mature pour le cashback avait atteint sa limite. Le problème ne venait pas de la qualité de la configuration — le problème était dans l'architecture.

Les bots NLU classiques fonctionnent selon des règles rigides : ils peuvent reconnaître les intentions sur lesquelles ils ont été entraînés, mais ont du mal avec les variations sémantiques et le contexte au sein de longs dialogues.

Ce Qui a Changé avec les Agents LLM

Just AI a proposé une transition vers une architecture d'agents LLM. Au lieu d'un arbre de scénarios rigide — un modèle de langage qui comprend le sens des demandes, maintient le contexte et génère des réponses basées sur les bases de connaissances actuelles.

Changements clés du système :

• Classificateur NLU remplacé par la compréhension LLM — incluant les paraphrases et les formulations non standard
• Prise en charge des dialogues multi-tour avec préservation du contexte
• Les réponses sont construites à partir de la base de connaissances de la banque, pas des scripts en dur
• Un agent-juge introduit qui valide chaque réponse avant d'envoyer
• Si une réponse n'est pas confirmée par la source — elle est bloquée et le client est acheminé vers un agent en direct

Agent-Juge Contre les Hallucinations

Le risque principal lors de la mise en œuvre de LLM dans le support bancaire est les hallucinations : le modèle peut signaler en toute confiance des conditions de cashback incorrectes ou des règles inexistantes. Pour une banque, ce n'est pas seulement une mauvaise UX — c'est un risque réglementaire et réputationnel.

Just AI l'a résolu par vérification à deux niveaux. Le premier agent génère une réponse. Le deuxième — l'agent-juge — le vérifie par rapport à la base de connaissances d'origine. Le client reçoit soit une réponse correcte, soit est transféré à un opérateur en direct.

« Le plafond de l'automatisation n'est pas un bug, c'est une limite architecturale de NLU.

Nous avons aidé la banque à le dépasser en changeant la technologie, pas en ajustant les paramètres, » — Just AI.

Ce que Cela Signifie

La transition des bots NLU aux agents LLM n'est pas une mise à niveau, c'est un changement de paradigme. Pour les banques et autres sociétés réglementées, cela n'est possible qu'avec un contrôle de qualité intégré : l'agent-juge devient un composant architectural obligatoire, non une option.