Automatisation du help desk : que faut-il automatiser (et comment commencer)

Ce que signifie vraiment l'automatisation du help desk

Une fois le marketing enlevé, l'automatisation du help desk tient en une idée : un ticket arrive, et au lieu qu'un humain fasse chaque étape à la main, le logiciel se charge automatiquement des étapes ennuyeuses.

Ces étapes sont plus séparables qu'il n'y paraît. Un même ticket est lu, catégorisé, tagué, assigné à la bonne personne ou file, répondu, puis clôturé. L'automatisation des tickets peut prendre en charge n'importe laquelle de ces étapes, ou toutes. Une règle qui route chaque ticket contenant « facture » vers votre équipe de facturation est de l'automatisation. Un agent d'IA qui lit une demande de remboursement, vérifie la commande et rédige la réponse en est une aussi. Ils se situent aux deux extrémités opposées du même spectre.

La raison pour laquelle cela compte plus qu'avant : le volume et les effectifs s'écartent l'un de l'autre depuis des années. Dans les appels auxquels j'assiste, la même phrase revient sans cesse, une variante de ce qu'un directeur du support a formulé ainsi : « nos clients sont bien plus nombreux que nos employés ». On ne peut pas recruter pour s'en sortir, et on ne le souhaite pas non plus, parce que la majeure partie du volume entrant, ce sont les mêmes quelques questions. L'automatisation, c'est comment on comble cet écart sans doubler l'équipe.

Ce que vous pouvez réellement automatiser aujourd'hui

Voici la partie que la plupart des aperçus passent sous silence : tout ne mérite pas d'être automatisé, et les gains ne sont pas répartis équitablement. Voici à peu près l'ordre dans lequel je m'y attaquerais, en commençant par le plus simple et le plus sûr.

• Le tri et le routage. Décider de quoi parle un ticket et où il doit aller. C'est ce qu'il y a de plus sûr à automatiser, car une erreur signifie simplement qu'un humain le réoriente, aucun client ne voit une mauvaise réponse. La classification de tickets par IA est désormais assez fiable pour que ce soit presque une évidence.
• Le tagging et le remplissage des champs. Appliquer les bons tags, la bonne priorité et les bons champs personnalisés. Fastidieux, à fort volume et invisible pour le client. Automatiser les tags de tickets améliore aussi chaque rapport et chaque règle en aval.
• La rédaction de réponses. L'IA rédige une réponse suggérée et la laisse sous forme de note interne qu'un agent doit vérifier et envoyer. C'est le mode par lequel je ferais démarrer n'importe quelle équipe, car un humain reste le dernier contrôle.
• La résolution complète des tickets simples. WISMO (« où est ma commande »), réinitialisations de mot de passe, statut de remboursement, changements d'abonnement. Le répétitif, qui peut être résolu directement à partir de votre documentation et de vos anciens tickets.
• Repérer les lacunes de connaissance. Une bonne automatisation vous indique quelles questions elle n'a pas pu résoudre, afin que vous puissiez écrire l'article manquant de la base de connaissances au lieu de deviner.

C'est sur ces deux derniers points que l'IA prend une avance décisive sur les règles. Une règle ne peut pas reconnaître qu'une approche à froid du type « nous vendons une liste de 16 973 contacts de participants » est du spam et rédiger un refus poli ; une IA entraînée sur vos anciens tickets le peut, parce qu'elle a déjà vu ce schéma. Une équipe que j'ai étudiée a atteint 100 % de détection de spam sans faux positifs sur les ~22 % de sa boîte de réception qui étaient des indésirables, du temps que plus personne n'a à y consacrer.

Automatisation par règles vs automatisation par IA

C'est la distinction qui détermine jusqu'où va réellement votre automatisation, il vaut donc la peine d'être précis à ce sujet.

L'automatisation par règles, c'est si ceci, alors cela. Si l'objet contient « annuler », appliquer le tag de résiliation et router vers la rétention. C'est déterministe, rapide et totalement prévisible, exactement ce qu'il vous faut pour les parties du support qui sont prévisibles. Le hic, c'est qu'elle est aveugle au sens. Changez la formulation en « je veux fermer mon compte » et la règle passe complètement à côté. Vous finissez par entretenir une pile de déclencheurs toujours plus grande, et chaque cas particulier est une nouvelle règle que quelqu'un doit écrire et retenir.

L'automatisation par IA fonctionne à l'inverse. Au lieu de faire correspondre des mots-clés, elle lit le ticket, en déduit l'intention et décide quoi faire, en s'appuyant sur votre documentation d'aide et votre historique de tickets résolus. Elle gère des formulations qu'elle n'a jamais vues, parce qu'elle raisonne sur la demande plutôt que de comparer des motifs de texte.

Aucune des deux ne l'emporte franchement, et les équipes qui réussissent utilisent les deux : des règles pour la plomberie déterministe, un agent d'IA pour tout ce qui nécessite de comprendre ce que le client voulait dire. Ce qu'il ne faut pas faire, c'est ce que devient trop souvent le « support par IA » : un moteur de règles avec une peau de chatbot, avec toute la fragilité de l'ancienne méthode en plus d'un faux sentiment d'intelligence.

La chose la plus importante que l'IA doit réussir, ce n'est pas de répondre, c'est de savoir quand ne pas le faire. Un responsable CX que j'ai entendu l'a mieux formulé que je ne pourrais le faire :

« L'IA ne pourra jamais répondre à 100 % des questions... J'ai besoin d'une IA qui ne traite que les tickets pour lesquels elle est confiante et qui laisse tous les autres tranquilles. »

un responsable CX d'une marque DTC de compléments alimentaires, lors d'un appel commercial eesel

Cet instinct est le bon, et c'est tout l'enjeu. Une automatisation qui répond à tout avec assurance est pire qu'une automatisation qui répond à 40 % des tickets et escalade proprement le reste.

Est-ce que le calcul tient vraiment la route ?

Avant de consacrer un trimestre entier à déployer ceci, il est légitime de se demander si les économies sont réelles ou si ce n'est qu'un fantasme de slide. La réponse honnête, c'est que cela dépend entièrement du caractère répétitif de votre file d'attente ; au lieu de citer une moyenne du secteur, entrez donc vos propres chiffres.

Les chiffres qui donnent du sens à tout cela proviennent de déploiements réels, pas de moyennes. Une application d'analyse pour la gig economy a résolu 73 % des demandes de niveau 1 dès son premier mois, avec des résultats visibles en l'espace d'un essai de 7 jours. Une équipe britannique a généré 56 tâches résolues à partir de seulement 9 macros synchronisées. Le point n'est pas le chiffre précis, c'est que le gain suit directement le caractère répétitif de votre volume, c'est pourquoi le calculateur pose d'abord cette question.

Un point à souligner sur le coût : beaucoup d'outils facturent au poste d'agent, ce qui vous pénalise discrètement quand votre équipe grandit. eesel facture plutôt à la résolution, si bien que la ligne de coût évolue avec le travail automatisé, pas avec les effectifs. Si vous êtes en train de comparer des options, cette différence de modèle tarifaire compte plus que l'étiquette de prix.

Comment le déployer sans briser la confiance

C'est ici que la plupart des projets d'automatisation du help desk réussissent ou échouent. La technologie est rarement le problème ; le déploiement, si. Voici la séquence que je suivrais réellement.

1. Commencez en mode copilote. L'IA rédige une réponse et la laisse sous forme de note interne. Un humain la lit et l'envoie (ou la corrige). Vous obtenez immédiatement le bénéfice de rapidité, le client ne voit que des réponses approuvées par un humain, et chaque correction faite par votre équipe devient une donnée d'entraînement. La confiance de personne n'est encore en jeu.

2. Simulez avant de rendre quoi que ce soit autonome en production. C'est l'étape que les équipes sautent et regrettent ensuite. Avant de laisser l'IA répondre seule, faites-la tourner sur vos derniers milliers de tickets réels clôturés et lisez ce qu'elle aurait répondu. Vous repérez les lacunes (sujets sur lesquels elle trébuche, tons mal ajustés) sur des données historiques, où une mauvaise réponse ne coûte rien.

3. Automatisez un seul type de ticket bien délimité. Pas « tout le support ». Choisissez la catégorie la plus répétitive et la moins risquée (WISMO ou le statut de commande est le grand classique) et laissez l'IA gérer entièrement seulement celle-là, avec un routage basé sur la confiance pour que tout ce dont elle n'est pas sûre continue d'aller vers une personne.

4. Élargissez la portée à mesure que les chiffres se confirment. Ajoutez le type de ticket suivant une fois le premier stabilisé. Continuez de router les cas incertains vers des humains. L'autonomie se gagne catégorie par catégorie, ce n'est pas un interrupteur que l'on active dès le premier jour.

L'ensemble de la trajectoire est le suivant : d'abord seulement des brouillons, puis une réponse automatique supervisée sur un seul point, puis un élargissement. Cela paraît plus lent que « tout activer d'un coup », et c'est bien le but, car les équipes qui activent tout d'un coup sont celles qui finissent par tout désactiver deux semaines plus tard.

Les erreurs que je vois les équipes commettre

• Automatiser la réponse avant le routage. Si votre tri est un désordre, automatiser les réponses ne fait qu'accélérer l'arrivée de mauvaises réponses chez les mauvais clients. Mettez d'abord de l'ordre dans le workflow.
• Aucun seuil de confiance. Une IA sans le comportement « je ne suis pas sûre, j'escalade » répondra avec assurance à des choses qu'elle ne devrait pas. Ce n'est pas négociable.
• Laisser la base de connaissances se dégrader. L'automatisation ne vaut que ce sur quoi elle a été entraînée. Si votre base de connaissances est obsolète, vos réponses automatisées le sont aussi.
• Mesurer la déviation plutôt que la résolution. Un ticket que le client a abandonné par frustration compte aussi comme « dévié ». La déviation peut être une métrique de vanité ; la résolution et la satisfaction client sont ce qui compte réellement.
• Sauter la simulation. Passer en production à l'aveugle est le moyen le plus rapide d'avoir une mauvaise première semaine et une équipe qui ne fera plus jamais confiance à l'outil.

Les métriques qui vous disent que ça fonctionne

On ne peut pas gérer ce qu'on n'observe pas, et l'automatisation facilite le fait de se leurrer si l'on suit le mauvais indicateur. Les chiffres que je garderais sur un tableau de bord :

• Le taux de résolution automatisée (et non la déviation) : quelle part des tickets l'IA a réellement clôturée correctement.
• Le taux d'escalade : à quelle fréquence elle transmet la main. Trop élevé signifie qu'elle ne justifie pas son coût ; anormalement bas signifie qu'elle en fait peut-être trop.
• Le temps de première réponse et le temps de résolution complet, avant et après.
• Le CSAT spécifiquement sur les tickets automatisés, afin de repérer les baisses de qualité avant qu'elles ne se propagent.

Si votre outil ne peut pas vous montrer ces éléments séparément pour le travail automatisé, c'est déjà un signal d'alarme en soi. Un bon ensemble de KPI fait la différence entre « l'automatisation fonctionne » en tant que sensation et en tant que fait.

Essayer eesel

Si vous avez lu jusqu'ici, vous savez déjà que la partie difficile n'est pas de décider d'automatiser, mais de le déployer sans qu'un bot trop sûr de lui donne discrètement de mauvaises réponses. C'est exactement le problème autour duquel eesel est construit.

eesel se connecte au help desk que vous utilisez déjà (Zendesk, Freshdesk, Gorgias, Front, et plus), apprend de vos anciens tickets et de votre documentation d'aide dès le premier jour, et rédige, trie ou résout entièrement selon le niveau d'autonomie que vous lui avez accordé. Ce qui me convaincrait vraiment de vous le vendre, c'est la simulation : vous la faites tourner sur des milliers de vos propres tickets clôturés et voyez le taux de résolution exact avant qu'un seul client ne soit concerné. Et parce qu'il est facturé à la résolution plutôt qu'au poste, le coût suit le travail effectué, pas la taille de votre équipe.

Vous pouvez commencer en mode copilote, garder un humain sur chaque réponse, et élargir la portée à votre propre rythme. Essayez eesel gratuitement, ou lancez une simulation sur vos propres tickets pour voir ce qu'elle résoudrait avant de vous engager.