Comment utiliser l'IA pour générer des macros de support à partir des tickets passés

Ce que signifie réellement « générer des macros à partir des tickets passés »

Une macro est un ensemble enregistré combinant une réponse type et un jeu d'actions de ticket (définir le statut, ajouter des tags, changer l'assigné) qu'un agent applique en un clic. Les macros sont manuelles par conception, l'agent les choisit et les applique, contrairement aux déclencheurs et automatisations qui se déclenchent d'eux-mêmes, comme le documente Zendesk.

La partie difficile n'a jamais été d'appliquer les macros. C'est de les écrire. La plupart des équipes ont une poignée de macros que quelqu'un a créées à la hâte il y a deux ans, tandis que les vraies questions récurrentes, celles qui dévorent les après-midis de vos agents, n'ont jamais été transformées en modèles parce que personne n'a eu le temps de passer au crible l'historique des tickets pour les repérer.

C'est précisément cet écart que l'IA comble. Il y a deux choses distinctes que l'IA peut faire avec votre historique de tickets, et les gens les confondent constamment :

La première, appliquer une macro existante, est ce que fait la plupart des IA natives de helpdesk : elle lit le ticket ouvert, le compare aux tickets passés, et suggère laquelle de vos macros enregistrées convient. Utile, mais elle ne peut recommander que des macros que vous avez déjà écrites.

La seconde, créer de nouvelles macros, est ce dont ce guide parle vraiment : l'IA lit vos tickets résolus, trouve les réponses récurrentes que vos agents tapent à la main encore et encore, et propose des modèles de macro entièrement nouveaux pour combler les manques. C'est là que se trouvent les vraies économies de temps, et c'est la partie que les équipes nous demandent le plus souvent. Dans l'ensemble de nos appels commerciaux, entraîner l'IA sur les tickets passés d'une entreprise est, de loin, la capacité la plus demandée.

Ce dont vous aurez besoin avant de commencer

Il s'agit d'un guide pratique, soyons donc concrets sur les prérequis :

• L'accès à votre historique de tickets résolus. La plupart des helpdesks permettent d'exporter les tickets en CSV, ou d'y accéder via une API. Vous voulez spécifiquement les tickets résolus, ceux auxquels un agent a réellement répondu, pas du spam ou du bruit de fermeture automatique.
• Une idée de votre volume. Quelques centaines de tickets résolus par sujet courant constituent un plancher sain. En dessous, l'IA devine à partir d'un signal trop faible. (Le propre modèle de Zendesk ne s'active même pas sous 100 tickets, plus de détails ci-dessous.)
• Un endroit où relire les brouillons. Que ce soit un tableur, un document ou l'écran de relecture d'un outil IA, il vous faut un endroit où un agent peut lire et modifier chaque brouillon avant qu'il ne devienne une macro active.
• Une couche IA. Soit le module complémentaire IA natif de votre helpdesk, soit un LLM généraliste dans lequel vous collez des tickets, soit un outil dédié comme eesel AI qui se connecte au helpdesk et gère l'ensemble du cycle pour vous.

Voici le pipeline de bout en bout avant de détailler chaque étape :

Étape 1 : extraire et nettoyer vos tickets passés

Commencez par exporter un échantillon représentatif de tickets résolus. « Représentatif » porte tout le poids de cette phrase, c'est l'étape qui décide silencieusement à quel point vos macros seront bonnes au final.

Quelques points à bien soigner :

• Échantillonnez dans le temps, pas seulement la semaine dernière. Un mois de tickets est biaisé par ce qui s'est passé ce mois-là. Puisez dans une fenêtre plus longue pour que les pics saisonniers ne dominent pas. Une marque de livraison de fleurs avec laquelle nous avons travaillé sur Gorgias a été très attentive à ce point : elle voulait 300 tickets aléatoires par mois sur dix mois, en excluant ses pics de la Saint-Valentin et de la fête des Mères, parce que ces semaines-là ne ressemblaient en rien à un jour normal et auraient biaisé chaque macro vers « où est mon bouquet ».
• Uniquement de vrais tickets, traités par un agent. Retirez les réponses automatiques, le spam et les tickets clos sans réponse d'agent. Vous essayez d'apprendre comment répond votre équipe, pas ce que vos automatisations existantes couvrent déjà.
• Conservez la résolution, pas seulement la question. Un ticket n'est utile ici que s'il contient la réponse réelle de l'agent. Cette réponse est la matière première du texte de la macro.

Si vous n'avez jamais regardé vos données de tickets sous cet angle, une analyse des tickets de support menée séparément vaut le coup, elle vous indique quels sujets méritent d'être transformés en modèle avant même d'écrire une seule ligne.

Étape 2 : laisser l'IA regrouper les questions récurrentes

Confiez maintenant ce tas de tickets à l'IA et demandez-lui de les grouper par intention. Vous cherchez des groupes comme « où est ma commande », « comment réinitialiser mon mot de passe », « demander un remboursement », « changer mon adresse de livraison », les questions qui reviennent des centaines de fois avec seulement les détails qui changent.

C'est l'étape qui est vraiment fastidieuse à la main et vraiment rapide pour un modèle. Une bonne passe d'IA revient avec quelque chose comme : « 47 % de vos tickets relèvent de 9 sujets récurrents ; en voici les 9, classés par volume, avec un ticket type pour chacun. » Ce classement est votre liste de macros à créer, déjà rédigée pour vous.

La même logique de regroupement sous-tend la classification des tickets par IA et le triage, donc si vous avez déjà mis en place le tagging automatique ou le routage, une bonne partie de ce travail est peut-être déjà faite. Les tags eux-mêmes constituent une longueur d'avance pour les groupes.

Étape 3 : transformer chaque groupe en brouillon de macro

Pour chaque groupe, demandez à l'IA de rédiger une macro : une réponse réutilisable écrite dans le ton de votre équipe, généralisée à partir des réponses réelles envoyées par vos agents, avec des espaces réservés là où vont les détails spécifiques.

C'est là que s'entraîner sur vos tickets bat toute bibliothèque de modèles génériques. N'importe qui peut vous fournir une macro standard de « demande de remboursement ». Seul votre propre historique de tickets sait que votre équipe commence toujours par « Nous comprenons tout à fait la frustration », renvoie toujours vers la politique de retour, et demande toujours le numéro de commande dans la foulée. Une macro rédigée à partir de votre historique sonne comme vous ; une macro générique sonne comme une lettre type.

Il y a ici un piège subtil : le public visé. Nous avons vu des équipes dont la base de connaissances est écrite pour des administrateurs alors que leurs tickets viennent des utilisateurs finaux, une équipe de support technique dans les transports, par exemple, dont la documentation ciblait les administrateurs de flottes de bus alors que les tickets venaient des voyageurs. Si vos réponses passées ont été rédigées pour le bon public, vos macros IA en héritent. Sinon, corrigez d'abord les réponses source, faute de quoi les macros seront confiantes mais fausses pour les personnes qui les liront.

Les bonnes macros captent aussi le savoir institutionnel avant qu'il ne franchisse la porte. Une entreprise informatique française du secteur public est venue nous voir précisément parce que deux agents seniors possédant une connaissance approfondie du dépannage ERP quittaient l'entreprise cette année-là, et elle voulait « mettre » cette expertise « dans l'IA » avant qu'elle ne disparaisse. Générer des macros à partir des tickets passés de ces agents est l'une des façons les plus propres de mettre ce savoir en bouteille.

Étape 4 : relire, modifier et ajouter les actions

Ne transmettez jamais une macro rédigée par l'IA directement aux clients. Chaque brouillon est un premier brouillon.

Lors de la relecture, un agent doit :

• Vérifier les faits. L'IA a-t-elle inventé un détail de politique ou un délai de remboursement ? Corrigez-le.
• Ajuster le ton. Retoucher tout ce qui sonne légèrement hors marque.
• Ajouter les actions de ticket. Le texte de la réponse ne représente que la moitié d'une macro. L'autre moitié, c'est ce qui arrive au ticket : mettre le statut sur résolu, ajouter un tag refund-processed, réaffecter au groupe facturation, définir la priorité. L'IA peut suggérer ces éléments à partir des schémas de votre historique, mais un humain les confirme.
• Faire attention aux espaces réservés. Si vous êtes sur Zendesk, échappez correctement les espaces réservés sur les tickets problème/incident (par exemple Hello \{{ticket.requester.first_name}}) pour que le nom d'un demandeur ne fuite pas vers des tickets liés.

Cette étape de relecture est toute la raison de garder des humains dans la boucle. L'IA élimine le problème de la page blanche ; vos agents conservent le jugement. Pour les réponses de remboursement, d'échange et de livraison en particulier, nous avons rédigé un guide dédié sur les modèles de macros IA dont vous pouvez vous inspirer.

Étape 5 : tester sur l'historique réel avant de passer en production

Voici l'étape que presque tout le monde saute, et celle qui sépare une bibliothèque de macros qui aide d'une bibliothèque qui crée silencieusement du retravail.

Avant de publier une nouvelle macro (ou de laisser un agent IA commencer à l'appliquer), faites-la tourner sur un lot de tickets passés et observez ce qui se serait passé. La macro « où est ma commande » s'est-elle déclenchée sur les bons tickets ? S'est-elle déjà déclenchée sur les mauvais ? Quelle est la couverture réaliste, et où la confiance est-elle fragile ?

C'est exactement ce pour quoi le mode simulation d'eesel AI a été conçu : il exécute votre configuration sur des milliers de vos tickets historiques réels et affiche le taux de résolution et la couverture prévus avant qu'un seul client ne le voie. Vous ajustez, relancez, et ne déployez qu'une fois que les chiffres sont satisfaisants.

Le principe reste valable même sans outil dédié : prélevez 50 tickets récents que la macro devrait traiter, appliquez-la manuellement, et évaluez le résultat à l'œil. Une assurance bon marché contre une macro qui déraille à grande échelle.

Étape 6 : publier, puis maintenir la fraîcheur

Une fois qu'une macro passe la relecture et les tests, publiez-la comme macro partagée pour que toute l'équipe en profite, pas comme macro personnelle enterrée dans la liste d'un seul agent. Ensuite, traitez la bibliothèque comme quelque chose de vivant, jamais de terminé.

Vos produits changent, vos politiques changent, et de nouvelles questions récurrentes apparaissent qui n'existaient pas le trimestre dernier. Relancez périodiquement la passe d'exploration, mensuellement est un rythme raisonnable, pour repérer les nouveaux groupes et retirer les macros que plus personne n'applique. C'est la même boucle que derrière la réduction du volume de tickets avec l'IA : l'historique continue de vous apprendre ce qu'il faut automatiser ensuite.

Le faire nativement dans Zendesk, Freshdesk et Gorgias

Si vous préférez rester dans votre helpdesk, voici jusqu'où va l'IA native, et où elle s'arrête.

Zendesk

Zendesk possède deux fonctionnalités IA distinctes pour les macros, qui correspondent précisément aux deux modes évoqués plus haut. Macros suggérées (côté agent) recommande quelle macro partagée existante appliquer : son modèle compare le ticket ouvert aux tickets des neuf derniers mois où une macro a été appliquée. Vous l'activez dans l'Admin Center, sous Outils agent.

Dans la vue agent, les macros suggérées apparaissent dans une section « Suggérée pour ce ticket », et avec le module complémentaire Copilot, chacune porte un niveau de confiance.

La fonctionnalité qui crée réellement des macros à partir de l'historique s'appelle Macro Content Suggestions (côté administrateur) : elle détecte les contenus récurrents dans toutes les réponses des agents du compte et propose de nouvelles macros à créer, à partir des données du mois précédent. Les pièges : elle fait partie du module complémentaire Zendesk AI, les macros suggérées nécessitent au moins 100 tickets qualifiants et 3 macros partagées avant de s'activer, et les nouvelles macros mettent deux semaines à entrer dans le modèle. Puissant, mais verrouillé par le plan et lent à démarrer.

Freshdesk

Freshdesk s'appuie sur Freddy AI pour les suggestions de réponse et l'assistance aux réponses prédéfinies, et son auto-triage apprend la catégorisation à partir des tickets passés. Le récit de la génération de macros à partir de l'historique est plus mince que celui de Zendesk, et les fonctionnalités Freddy les plus fortes se trouvent dans les niveaux supérieurs, ce qui pousse de nombreuses équipes à associer Freshdesk à une couche IA dédiée pour le gros du travail.

Gorgias

Gorgias est centré sur l'e-commerce et solide sur les macros liées aux données de commande Shopify, mais comme les autres, le flux « apprendre de tout mon historique de tickets et rédiger de nouveaux modèles » est un terrain où un outil conçu pour cet usage a tendance à aller plus loin que la fonctionnalité native.

Le fil conducteur : les assistants natifs sont pratiques si vous êtes déjà bien implanté dans une plateforme et sur le bon plan, mais ils sont enfermés dans cette plateforme, limités par des modules complémentaires et des seuils, et offrent peu ou pas de moyen de tester une macro sur l'historique avant sa mise en ligne.

Erreurs courantes à éviter

• Transformer des cas isolés en modèles. Si une question revient trois fois par an, elle n'a pas besoin de macro. Classez par volume et transformez en modèle le haut de la liste.
• Sauter la relecture humaine. Les brouillons de l'IA sont des premiers brouillons. Les envoyer sans les relire, c'est ainsi qu'un délai de remboursement erroné se retrouve dans 4 000 réponses.
• Oublier les actions. Une macro qui rédige une belle réponse mais ne définit ni le statut ni les tags ne fait que créer un second clic. Intégrez les actions de ticket.
• Ne jamais relancer la passe d'exploration. Une bibliothèque construite une fois et jamais rafraîchie devient obsolète en un trimestre.
• Ne pas tester avant le lancement. Si votre outil peut simuler sur des tickets passés, utilisez-le. Sinon, faites une vérification manuelle ponctuelle sur 50 tickets.

Essayez eesel pour vos macros à partir des tickets passés

eesel AI est construit exactement autour de cette boucle. Il se connecte à Zendesk, Freshdesk, Gorgias et plus de 100 autres outils, s'entraîne sur vos tickets passés et votre base de connaissances pour rédiger des réponses dans le ton de votre équipe et, la partie difficile à trouver ailleurs, vous permet de simuler l'ensemble sur des milliers de vos tickets historiques réels afin de voir la précision et la couverture prévues avant la mise en ligne.

Il n'y a pas de frais par siège ni de mauvaise surprise par résolution (voir les tarifs), et vous pouvez démarrer gratuitement, ce qui vous permet d'explorer votre propre historique de tickets et de voir les macros qu'il rédige avant de vous engager à quoi que ce soit. Si votre objectif est moins de réponses répétitives et une bibliothèque de macros qui reflète réellement la façon dont votre équipe travaille, c'est le chemin le plus rapide pour y arriver.