Une boîte de réception partagée - info@, service-client@, planning@ - reçoit du courrier toute la journée. Quelqu'un lit ce courrier, déterminé de quoi il s'agit et le transmet au bon traitant ou service. Cela passe souvent par un système de messagerie couplé à un système de tickets. La question n'est pas de savoir si l'IA peut lire des e-mails - elle le peut depuis longtemps - mais si l'IA peut effectuer la catégorisation et la transmission de manière autonome, ou si un humain doit continuer à superviser.
Cette tâche obtient un score élevé en volume : une boîte de réception recevant des dizaines ou des centaines d'e-mails par jour est exactement le genre de travail répétitif que vise l'automatisation. Des volumes élevés rendent rentable l'entraînement d'un système ou l'établissement de règles, même si chaque e-mail n'est pas traité parfaitement.
Le degré de structuration de la tâche est toutefois faible (2 sur 5). Un e-mail est un texte libre, écrit par un client, un fournisseur ou un collègue qui ne respecte pas un format fixe. Un e-mail est une réclamation déguisée en question, un autre est une demande de devis avec trois sous-questions, un troisième est un spam qui semble accidentellement pertinent. Là où un formulaire avec des champs fixes est facile à classer, un modèle d'IA doit d'abord reconnaître l'intention dans un texte libre avant de pouvoir catégoriser. C'est possible, mais cela se passe plus souvent mal que pour une entrée structurée.
Le contact client obtient également un score faible (2 sur 5), ce qui est une raison de prudence : beaucoup de ces e-mails viennent de clients ou de partenaires. Un e-mail mal transmis d'un client mécontent qui attend deux jours une réponse coûte plus que le temps que le tri aurait dû faire gagner. Plus le contact client est élevé, plus il faut être prudent avec l'automatisation complète - c'est un schéma que l'on retrouve également dans les tâches du service RH, où la communication à caractère personnel demande souvent un peu plus de supervision que prévu (voir quel travail l'IA peut-elle reprendre au service RH).
Supposons qu'un e-mail arrive avec comme objet « question concernant la facture 2024-1187 ». Une règle de classification ou un modèle entraîné reconnaît le modèle (numéro de facture, mot-clé « question ») et transmet l'e-mail au service comptable. Cela fonctionne bien dans la plupart des cas et constitue un exemple classique de reconnaissance de texte que l'IA maîtrise aujourd'hui.
Mais supposons que ce même e-mail commence par « j'ai déjà été appelé trois fois et toujours pas aidé, c'est maintenant la dernière fois que... » et ne mentionne la facture qu'après. Un modèle qui se base uniquement sur des mots-clés ou des catégories d'intention risque de manquer l'urgence et le besoin d'escalade. C'est ici qu'intervient la marge d'appréciation (3 sur 5) : évaluer à quel point quelque chose est urgent ou sensible est moins univoque que la simple reconnaissance d'un objet.
Le résultat dépend fortement de ce qui arrive dans la boîte de réception. Une boîte de réception qui reçoit principalement des confirmations automatisées, des statuts de commande et des questions standard a un degré de structuration bien plus élevé que celui évalué ici. Pensez à une boîte de réception couplée à une boutique en ligne avec un nombre limité de types de questions récurrentes - là, la classification peut fonctionner presque sans erreur, et le résultat se situe plus près de la catégorie 1.
À l'inverse : la boîte de réception d'un cabinet d'avocats ou d'un service des réclamations, où chaque e-mail peut être juridiquement ou émotionnellement sensible, a un score de contact client plus faible et des coûts d'erreur plus élevés que la moyenne présentée ici. Là, le résultat se déplace vers la catégorie 3, du travail humain avec l'IA comme outil de pré-tri.
C'est précisément pourquoi une analyse spécifique à la tâche en dit plus qu'une affirmation générale sur « le tri des e-mails ». Le même nom de tâche peut être largement automatisable dans une entreprise et rester principalement du travail humain dans une autre, selon le type de courrier, la sensibilité des expéditeurs et les conséquences d'une erreur.
Pour une boîte de réception partagée moyenne avec un contenu mixte, le tri des e-mails relève de la catégorie 2 : partiellement automatisable, avec supervision humaine. L'IA peut, sur la base de règles de classification ou d'un modèle entraîné, effectuer une première répartition et transmettre directement la plupart des messages de routine. En cas de doute - un objet peu clair, un ton émotionnel, un expéditeur inconnu - le système doit escalader vers un humain qui approuve ou corrige. Une reprise complète (catégorie 1) n'est réaliste que pour les boîtes de réception à contenu fortement prévisible et répétitif et à faible contact client. Le travail purement humain (catégorie 3) s'impose pour les boîtes de réception où presque chaque e-mail est sensible, juridiquement chargé ou critique pour la relation.
Cette classification ne concerne d'ailleurs pas les décisions relatives au personnel : si et comment une organisation redistribue les heures libérées relève d'une autre évaluation et répond à ses propres exigences légales. Des arbitrages comparables entre volume et sensibilité se retrouvent également dans les tâches de planification, où vous pouvez lire quel travail l'IA peut reprendre en matière de planification (/welk-werk-kan-ai-overnemen-op-de-planning), ou dans les processus documentaires comme on peut le voir sur la page consacrée au processus de signature des documents.
Que le tri dans votre propre boîte de réception se rapproche de la catégorie 1 ou de la catégorie 3 dépend du type de courrier reçu et de qui sont les expéditeurs - cela ne se déduit pas d'un simple nom de tâche. Le quickscan gratuit de ftetoai.com donne, avec douze questions, sans compte, une première indication de la part des heures de votre profil de fonction qui peut aujourd'hui être reprise par l'IA. L'analyse complète du travail, calculée au niveau des tâches, est encore en construction ; nous ne la proposons donc pas encore ici, mais le quickscan offre déjà un point de départ honnête.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.