Pourquoi votre chatbot e-commerce ne résout pas les demandes clients
FAQ limitée, données absentes, règles métier mal définies : voici pourquoi beaucoup de chatbots e-commerce bloquent et comment construire un agent IA réellement utile.
Pourquoi votre chatbot e-commerce ne résout pas les demandes clients
Beaucoup de sites e-commerce ont déjà une bulle de chat. Pourtant, dès qu'un client pose une question précise, la conversation finit souvent par un message générique ou une redirection vers le support.
Le problème vient généralement de la conception du système.
Un chatbot connecté uniquement à une FAQ peut répondre à des questions générales. Il devient beaucoup moins utile quand la demande concerne une commande, une exception de retour, un produit précis ou une règle propre à l'entreprise.
Pour obtenir un vrai gain sur le SAV, l'agent doit connaître le business et pouvoir agir sur les bons systèmes.
La vidéo complète
Je développe ce sujet dans cette vidéo :
Le chatbot classique atteint vite ses limites
Les anciens chatbots fonctionnaient souvent avec des arbres de décision.
Le client choisissait parmi plusieurs boutons :
- livraison ;
- retour ;
- remboursement ;
- autre demande.
Chaque choix ouvrait une nouvelle branche. Cette logique fonctionne pour quelques scénarios très cadrés, mais elle génère rapidement de la friction dès que la demande sort du chemin prévu.
Les chatbots IA ont amélioré la compréhension du langage naturel. Pourtant, connecter un LLM à une FAQ ne suffit toujours pas.
Un client peut écrire :
Ma commande devait arriver hier, le suivi n'a pas bougé depuis quatre jours et j'en ai besoin avant vendredi.
Pour répondre correctement, l'agent doit comprendre l'intention, identifier la commande, consulter le transporteur, appliquer les règles de l'entreprise et décider si le dossier doit être transmis à un humain.
Une FAQ seule ne contient pas toutes ces informations.
Capacité 1 : comprendre l'intention
La première étape consiste à comprendre ce que le client cherche réellement à faire.
Dans un e-commerce, les intentions fréquentes peuvent être :
- suivre une livraison ;
- demander un retour ;
- obtenir un remboursement ;
- modifier une commande ;
- comparer des produits ;
- obtenir une recommandation ;
- signaler un problème de paiement ;
- faire une réclamation.
Ces demandes peuvent être proches dans leur formulation tout en demandant des traitements différents.
L'agent doit donc identifier l'intention avant de choisir les données et les outils nécessaires.
Capacité 2 : accéder aux bonnes données
Une réponse précise demande souvent des informations qui ne sont pas présentes dans la base documentaire.
Pour une question sur une commande, l'agent doit consulter le système de commandes.
Pour une recommandation, il doit accéder au catalogue.
Pour une demande concernant le panier actuel, il peut avoir besoin des informations de session du site.
Pour une livraison, il peut devoir appeler l'API du transporteur.
Les données constituent une partie centrale du projet. Sans elles, le modèle peut seulement produire une réponse générale.
C'est aussi pour cette raison que les intégrations avec Shopify, Prestashop, WooCommerce, un ERP ou un CRM ont autant d'importance.
Capacité 3 : appliquer les règles métier
Une entreprise possède ses propres règles.
Un retour peut être autorisé pendant une certaine période. Une catégorie de produits peut avoir des conditions spécifiques. Certains remboursements peuvent demander une validation. Une réclamation peut être transférée automatiquement à une équipe donnée.
Ces règles doivent être formalisées.
L'agent peut alors utiliser les informations disponibles pour choisir une action dans un cadre défini.
Exemple :
- la commande est éligible au retour ;
- le produit n'appartient pas à une catégorie exclue ;
- le délai est respecté ;
- l'identité du client est vérifiée ;
- l'agent peut lancer la procédure prévue.
La logique devient beaucoup plus fiable lorsque les règles critiques sont contrôlées par du code ou des workflows déterministes.
Capacité 4 : savoir transférer
Un agent IA ne doit pas chercher à produire une réponse dans toutes les situations.
Il faut définir les cas où un humain reprend la conversation.
Cela peut concerner :
- un litige de paiement ;
- une demande de geste commercial ;
- une situation logistique inhabituelle ;
- une forte insatisfaction ;
- une information absente ;
- un résultat incertain après consultation des outils.
Le transfert peut inclure un résumé automatique et les données déjà collectées.
L'équipe support récupère alors un dossier qualifié, ce qui réduit aussi son temps de traitement.
La valeur vient du système complet
Le modèle de langage joue un rôle important, mais il ne représente qu'une partie de l'agent.
Un système de support fiable combine généralement :
- une base de connaissances structurée ;
- des données de commandes accessibles ;
- un catalogue produits ;
- des règles de retour et de remboursement ;
- des intégrations avec les outils métier ;
- un mécanisme de transfert humain ;
- des logs ;
- des tests ;
- des métriques de qualité.
Cette architecture explique pourquoi deux chatbots utilisant le même modèle peuvent avoir des performances très différentes.
Automatiser les demandes qui créent le volume
La meilleure première étape consiste souvent à regarder les conversations existantes.
Dans beaucoup de services clients, quelques catégories concentrent une grande partie du volume : statut de commande, délai de livraison, politique de retour, disponibilité d'un produit ou modification simple.
Ces demandes sont intéressantes car elles sont fréquentes et relativement prévisibles.
On peut construire un premier périmètre autour de ces cas, connecter les données nécessaires et définir un transfert humain pour le reste.
L'équipe garde ainsi le contrôle pendant le déploiement.
Mesurer la qualité après la mise en production
Une fois l'agent en ligne, les logs deviennent essentiels.
Je regarde notamment :
- les questions auxquelles l'agent n'a pas répondu ;
- les conversations transférées ;
- les outils utilisés ;
- les réponses corrigées par un humain ;
- les demandes qui reviennent souvent ;
- les erreurs d'intégration.
Ces informations permettent d'améliorer la base de connaissances, les règles et les outils.
Un agent de support évolue avec les demandes clients et avec les processus de l'entreprise.
Vous pouvez aussi consulter mon article sur les 7 fonctionnalités d'un chatbot IA e-commerce pour définir un premier périmètre fonctionnel.
Si vous avez déjà un chatbot qui répond mal ou qui transfère presque toutes les demandes, contactez Le Bot Français. Un audit des conversations suffit souvent à identifier les principales limites du système.
Vous voulez appliquer ces idées ?
Réservez un diagnostic pour identifier les premiers cas d'usage utiles dans votre activité.