Le service client est souvent résumé en une phrase : "tout ça passe par des chatbots, non ?" Dans la pratique, le service se compose de dizaines de tâches qui n'ont que peu de rapport entre elles. Un appel téléphonique entrant à propos d'une livraison non conforme demande autre chose que la saisie d'une commande, et l'établissement d'un devis demande encore autre chose que le traitement d'une réclamation. Notre taxonomie recense 82 tâches dans ce domaine. Certaines peuvent aujourd'hui déjà être largement reprises par l'IA, d'autres nécessitent qu'un collaborateur approuve ou rejette le résultat, et une partie reste du travail humain. Le schéma derrière cette répartition est plus utile qu'une liste de 82 lignes séparées.
Les tâches les plus complètement automatisables ont deux caractéristiques communes : elles sont à haute fréquence et la réponse ou l'étape suivante peut être largement déduite des données existantes. Vérifier et communiquer le statut d'une commande en est un bon exemple : le système sait déjà où se trouve une commande, et la tâche consiste en fait à rechercher cette information et à la traduire pour le client. Les conversations en chat en direct et via chatbot relèvent également en grande partie de cette catégorie, en particulier pour les questions standard sur les horaires d'ouverture, la politique de retour ou les questions fréquentes sur les produits. La saisie des commandes dans le système est un troisième exemple : si la saisie découle d'une demande client claire avec des champs fixes, il y a peu d'interprétation nécessaire et peu de risque en cas de choix erroné.
Le point commun de ces tâches est qu'une erreur est généralement rapidement visible et réparable, et que la marge de décision est faible. Il existe une réponse clairement correcte ou une étape suivante clairement définie, et celle-ci peut être automatisée sans qu'un humain doive constamment surveiller le processus.
Une grande partie du travail au service client se situe dans une position intermédiaire : l'IA peut effectuer la plus grande partie du travail, mais un collaborateur doit approuver ou rejeter le résultat avant qu'il n'atteigne le client ou n'entre dans le système. L'établissement de devis en est un exemple frappant. L'IA peut, sur la base de la demande du client, composer une proposition de prix avec produits, services et conditions, mais la marge finale, les exceptions et les accords spécifiques au client nécessitent généralement le regard de quelqu'un qui connaît la relation client. Le traitement des modifications de commande relève de la même catégorie : effectuer un changement d'adresse est trivial, mais une modification qui a des conséquences sur le délai de livraison, le prix ou le stock dans plusieurs systèmes nécessite un point de contrôle.
L'enregistrement des réclamations relève également de cette catégorie, mais du côté plus prudent : l'IA peut bien consigner les faits, mais l'évaluation de savoir si quelque chose est un incident isolé ou le signal d'un problème structurel est quelque chose qu'un collaborateur doit juger avant que l'enregistrement ne prenne davantage d'ampleur au sein de l'organisation. Dans tous ces cas, le gain n'est pas que la tâche disparaisse, mais que la plus grande partie du travail passe de l'exécution à l'évaluation.
Le traitement du fond des réclamations est l'exemple le plus clair de travail qui reste du travail humain. Il ne s'agit pas ici de suivre une procédure, mais de peser une situation individuelle, d'évaluer ce dont un client a besoin pour se sentir entendu, et de prendre une décision qui ne découle pas d'un script. Le suivi des devis en attente relève également en partie de cette catégorie : l'envoi d'un rappel est automatisable, mais la conversation qui suit lorsqu'un client hésite ou négocie nécessite quelqu'un capable de s'adapter. Les escalades complexes sur les réseaux sociaux, où un client insatisfait réagit publiquement et où le ton de l'organisation est en jeu, ne peuvent pas non plus être laissées à un modèle sans créer de risque pour la réputation.
Le point commun de cette catégorie est que la tâche repose sur le jugement, la relation ou l'imprévisibilité, et qu'une mauvaise évaluation ne peut pas simplement être corrigée après coup.
Si l'on superpose ces trois catégories aux 82 tâches, il n'apparaît pas de coupure nette entre "le front office reste humain" et "le back office devient IA". La répartition traverse les deux : certaines tâches de front office comme le chat en direct sont bien automatisables, tandis que certaines tâches de back office comme l'évaluation d'une modification de commande inhabituelle nécessitent un contrôle. La question à se poser pour chaque tâche est : dans quelle mesure le résultat est-il prévisible, et quelle est l'ampleur des dégâts en cas d'erreur ?
Ce schéma n'est pas unique au service client. Dans ce que l'IA peut reprendre dans le commerce de gros et dans quel travail l'IA peut reprendre aux achats, la répartition entre les trois catégories tient également moins à l'intitulé du poste et davantage à la nature de la tâche individuelle. Qui recherche une structure a donc tout intérêt à examiner chaque tâche individuellement plutôt qu'à généraliser par service ou par fonction.
Une dernière remarque : si ces résultats sont utilisés dans une discussion sur les effectifs ou les postes, des exigences légales propres s'appliquent, auxquelles cette page ne change ni n'ajoute rien. Cet aperçu décrit des tâches, pas des décisions relatives au personnel.
Pour voir comment cette répartition se traduit pour votre propre service client, il est peu utile de deviner sur la base d'intitulés de poste. Le rapport entre les trois catégories dépend du mix de tâches que vos collaborateurs effectuent réellement, des systèmes qui y sont associés et de la complexité des demandes de vos clients. Ftetoai propose à cet effet un quickscan gratuit : douze questions, sans compte, avec pour résultat une indication de la part des heures de votre profil qui peut aujourd'hui être reprise par l'IA. Le scan de travail complet, qui approfondit les tâches individuelles, est encore en construction ; nous ne le proposons pas ici délibérément avant qu'il ne soit prêt.
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.