Chatbot Support Client IA
Un support de premier niveau qui répond depuis la documentation interne
En bref
Pour un client sous NDA, Canopy a branché un chatbot de support sur la documentation interne, en RAG avec Mistral.ai. Il ne répond qu’à partir de documents internes, passe la main à un agent humain sous un seuil de confiance, et traite seul huit demandes courantes sur dix.
Résultats en chiffres
- 80 %
- des demandes courantes traitées sans agent
- < 2 secondes
- pour rendre une réponse
Par Simon Duchène, fondateur de Canopy · Mis à jour le
Qui est le client ?
Projet sous NDA : un chatbot branché sur la documentation interne du client, qui répond seul aux questions récurrentes du support et passe la main à un humain dès qu'il sort de son périmètre. Huit demandes sur dix ne remontent plus aux agents.
Quel était le défi ?
Les agents passaient leurs journées sur les mêmes 20 questions. Automatiser était évident ; le faire sans dégrader le service l'était moins.
- Un chatbot qui invente une réponse fait plus de dégâts qu'un délai d'attente. Toute réponse devait s'appuyer sur un document interne, jamais sur la mémoire du modèle.
- Il devait reconnaître ses limites et basculer vers un agent humain plutôt que d'improviser.
- Les conversations contiennent des données clients : aucune ne devait sortir de l'infrastructure existante.
- Le tout sans refonte de l'outil de support en place.
Qu’avons-nous construit ?
Le système repose sur du RAG : avant de répondre, il va chercher les passages pertinents dans la documentation du client, et rédige uniquement à partir de ce qu'il a trouvé.
- Mistral.ai pour la génération, choisi après comparaison sur leurs propres tickets.
- Une base vectorielle qui indexe la documentation interne, réindexée à chaque mise à jour.
- Un backend Javascript sur Cloudflare, dans la même infrastructure que le reste.
- Un seuil de confiance : en dessous, le bot ne répond pas et transfère à un agent avec l'historique de la conversation.
- Une interface d'administration pour corriger la base de connaissances quand une réponse part de travers, et voir l'effet dès la question suivante.
Quelles fonctionnalités ?
- ·Réponses tirées de la documentation interne, avec la source citée
- ·Transfert à un agent humain sous le seuil de confiance
- ·Historique de conversation transmis à l'agent lors du transfert
- ·Pouce vers le haut ou le bas sur chaque réponse
- ·Journal des conversations consultable
- ·Détection des questions sans réponse dans la base
- ·Interface d'administration de la base de connaissances
- ·API pour brancher le bot sur d'autres canaux
- ·Données hébergées dans l'infrastructure du client
Quels résultats ?
- 01
80 % des demandes courantes traitées sans agent
- 02
Réponse rendue en moins de 2 secondes
- 03
Les agents ne traitent plus que les cas non standard
- 04
Aucune baisse de satisfaction constatée après bascule
Comment chaque exigence a-t-elle été tenue ?
| Aspect | L’exigence | La réponse |
|---|---|---|
| Fiabilité | Aucune réponse inventée : tout doit venir d’un document interne | RAG : la réponse est rédigée à partir des seuls passages retrouvés, source citée |
| Limites | Reconnaître ce qu’il ne sait pas plutôt qu’improviser | Sous un seuil de confiance, transfert à un agent humain avec l’historique |
| Données | Aucune donnée client hors de l’infrastructure existante | Backend sur Cloudflare, dans la même infrastructure que le reste du client |
| Outil en place | Pas de refonte de l’outil de support | Une API pour brancher le bot sur les canaux existants |
Témoignage
« Cette solution nous a permis d'optimiser significativement notre support client tout en maintenant une qualité de service exceptionnelle. L'approche RAG et l'utilisation de Mistral.ai nous donnent un avantage concurrentiel certain. »
Questions fréquentes
Le chatbot peut-il inventer une réponse ?
Non. Il fonctionne en RAG : avant de répondre, il cherche les passages pertinents dans la documentation interne et rédige uniquement à partir de ce qu’il a trouvé, en citant la source.
Que se passe-t-il quand il ne sait pas répondre ?
En dessous d’un seuil de confiance, il ne répond pas : il transfère la conversation à un agent humain, avec tout l’historique.
Les données des clients sortent-elles de l’infrastructure ?
Non. Le backend tourne sur Cloudflare, dans la même infrastructure que le reste du client, et les données restent hébergées chez lui.
Lexique du projet
- Chatbot
- Un chatbot est un programme qui dialogue avec un utilisateur en langage naturel ; on parle aussi d’agent conversationnel. Source : Wikipédia
- RAG
- Le RAG est une technique où le modèle de langage va d’abord chercher des passages dans un fonds documentaire, puis rédige sa réponse à partir de ces seuls passages. En français, on parle de génération augmentée par récupération. Source : Wikipédia
- Base vectorielle
- Une base de données vectorielle est une base qui stocke des textes sous forme de vecteurs numériques, pour retrouver les passages les plus proches d’une question par le sens plutôt que par les mots exacts. Source : Wikipédia
- Hallucination
- Une hallucination est une réponse produite par un modèle d’IA, présentée comme vraie, mais qui ne repose sur aucune donnée réelle. Source : Wikipédia
- WebSocket
- WebSocket est un protocole qui garde une connexion ouverte entre le navigateur et le serveur, pour échanger des messages en temps réel. Source : Wikipédia
Stack
On démarre le vôtre ?
Brief en 2 minutes via l’estimateur, ou écrivez-nous. Réponse sous 48 heures.