Collecter des informations, analyser une demande, appliquer des règles, préparer une réponse ou déclencher une action : de nombreuses opérations répétitives peuvent aujourd’hui être prises en charge par une architecture associant intelligence artificielle, automatisation et outils métier.
Le traitement des demandes de service après-vente constitue un excellent exemple. Pour Mundaka Optic, marque de lunettes implantée à Biarritz, nous pouvons imaginer un système capable de prendre en charge une grande partie du parcours SAV tout en laissant la décision finale à un opérateur lorsque cela est nécessaire.
Mundaka Optic, une marque de lunettes historiquement implantée à Biarritz
Fondée en 1999 et installée à Biarritz depuis 2001, Mundaka Optic est une marque française étroitement liée au Pays basque et à l’univers des sports d’action. Notre collaboration avec la marque remonte à 2009, soit plus de 15 ans de partenariat et d’accompagnement dans l’évolution de ses outils numériques.
Au fil des années, nous avons notamment développé sa boutique en ligne, piloté différentes campagnes webmarketing et conçu son outil métier dédié à la gestion des commandes B2B. Cette connaissance approfondie de son activité, de ses processus internes et de son système d’information nous permet aujourd’hui d’identifier de nouveaux leviers d’optimisation, notamment grâce à l’intelligence artificielle.
Le traitement du service après-vente constitue un cas d’usage particulièrement concret : l’objectif n’est pas d’ajouter une couche d’IA superficielle, mais de concevoir une architecture capable de fluidifier un processus métier existant, réduire les tâches répétitives et améliorer la qualité de service proposée aux clients.
Le problème : trop de temps consacré à collecter et vérifier les informations
Lorsqu'un client rencontre un problème avec ses lunettes, il contacte le service après-vente. En apparence, la procédure est simple. En pratique, chaque dossier peut générer plusieurs opérations et de nombreux échanges.
Une demande initiale peut être incomplète : référence exacte des lunettes absente, date ou lieu d'achat imprécis, description insuffisante du problème, justificatif manquant, photographie inutilisable, circonstances de la casse non précisées, etc.
L'opérateur doit alors lire le message, identifier les informations manquantes, répondre au client, attendre son retour puis reprendre le dossier. Une même demande peut ainsi être ouverte plusieurs fois avant même de pouvoir commencer à prendre une décision.
Cette étape est d'autant plus importante que toutes les détériorations ne donnent pas nécessairement lieu à la même prise en charge. Les conditions de garantie de Mundaka Optic distinguent notamment les défauts reconnus des dommages liés à l'usure, à une mauvaise utilisation, à un accident ou à certaines détériorations ordinaires. La preuve d'achat et l'examen du produit font également partie du processus.
Une grande partie du temps de l'équipe SAV est donc consacrée non pas à prendre une décision, mais à rassembler les éléments nécessaires pour pouvoir la prendre.
La solution : construire un assistant SAV basé sur l'intelligence artificielle
La première transformation consiste à remplacer une logique de formulaire statique par un parcours SAV intelligent et adaptatif.
Au lieu de demander exactement les mêmes informations à tous les clients, le système adapte ses questions au problème rencontré. L'utilisateur commence par expliquer son problème avec ses propres mots. Un modèle de langage analyse cette description et identifie le type de demande : monture cassée, branche endommagée, verre détérioré, problème de fabrication, pièce manquante ou autre anomalie.
L'assistant demande ensuite uniquement les informations nécessaires au traitement du cas concerné : modèle des lunettes, date d'achat, preuve d'achat, circonstances dans lesquelles le problème est apparu et photographies du produit.
L'intelligence artificielle contrôle également la complétude du dossier en temps réel. Si la photographie ne permet pas d'identifier clairement la casse, elle peut demander une nouvelle vue. Si une information indispensable manque, une question supplémentaire est immédiatement posée.
Le dossier n'arrive donc plus chez l'opérateur sous la forme d'un message à interpréter, mais sous la forme d'une fiche SAV structurée et exploitable.
Une IA capable d'analyser les documents et les photographies
L'intérêt d'une architecture IA multimodale est de pouvoir traiter différentes formes d'informations.
Un système de reconnaissance de documents peut par exemple extraire automatiquement d'un ticket ou d'une facture une date, une référence ou un point de vente. Un modèle de vision peut parallèlement analyser les photographies envoyées afin d'identifier la zone endommagée et de proposer une classification du problème.
Il pourrait ainsi indiquer à l'opérateur qu'il s'agit probablement d'une branche cassée, d'une monture fissurée ou d'un verre rayé.
Cette analyse ne doit cependant pas être considérée comme infaillible. Dans un système correctement conçu, chaque conclusion est associée à un niveau de confiance. Lorsque les informations sont ambiguës ou insuffisantes, le dossier est automatiquement transmis à un humain.
L'objectif n'est pas de supprimer l'expertise du responsable SAV, mais de lui éviter de consacrer du temps aux cas les plus évidents.
Transformer les règles du SAV en règles métier exploitables par l'IA
Une intelligence artificielle ne doit pas inventer les règles de prise en charge d'un produit.
Lors de la conception de la solution, nous commençons donc par formaliser avec l'entreprise ses règles métier : conditions de garantie, durée de prise en charge, justificatifs nécessaires, types de dommages couverts ou exclus, modèles concernés, disponibilité des produits de remplacement ou procédure à appliquer selon chaque situation.
Ces connaissances peuvent être mises à disposition du système au sein d'une base documentaire interrogée par l'IA, selon une architecture de type RAG (Retrieval-Augmented Generation), mais les critères déterminants peuvent également être traduits en règles informatiques strictes.
On obtient alors un fonctionnement hybride particulièrement intéressant : l'IA comprend la demande ; les règles métier encadrent la décision.
Pour chaque dossier, le système peut produire une synthèse très courte : produit concerné, problème constaté, pièces justificatives reçues, critères applicables et proposition de traitement.
L'opérateur ne traite plus tous les dossiers de la même manière
Une fois les informations collectées et analysées, plusieurs scénarios deviennent possibles.
Un dossier simple, complet et répondant sans ambiguïté aux critères définis peut être prévalidé automatiquement. À l'inverse, un dossier manifestement hors garantie peut être identifié immédiatement et accompagné d'une proposition de réponse adaptée.
Les cas douteux sont présentés à l'opérateur dans une interface dédiée avec toutes les informations déjà synthétisées.
Au lieu de relire plusieurs emails et d'analyser manuellement chaque pièce jointe, celui-ci peut obtenir quelque chose comme : « Modèle X – achat en mars – preuve d'achat validée – casse localisée sur la charnière – dommage compatible avec le scénario Y – remplacement recommandé ».
Il lui reste alors essentiellement à valider, modifier ou refuser la proposition.
C'est cette logique de human in the loop qui permet de combiner les gains de productivité de l'intelligence artificielle avec la connaissance métier et la responsabilité d'un opérateur humain.
Automatiser également ce qui se passe après la décision
L'un des intérêts d'une véritable architecture IA est de ne pas s'arrêter à la génération d'une réponse.
Une fois le remplacement validé, le workflow peut poursuivre automatiquement son exécution en se connectant aux outils de Mundaka Optic par API.
Le système peut vérifier la disponibilité de la référence, créer une commande de remplacement dans le système e-commerce ou l'ERP, transmettre les informations au prestataire logistique, générer une étiquette ou une demande d'expédition puis envoyer au client un email confirmant la prise en charge et, lorsqu'il est disponible, son numéro de suivi.
Si un remplacement n'est pas possible, l'assistant peut également préparer une réponse correspondant au scénario prévu : réparation, remplacement à tarif préférentiel, demande de retour du produit ou sollicitation d'informations complémentaires.
On passe ainsi d'un simple outil d'assistance à un workflow SAV automatisé de bout en bout.
Comment mettre en place cette architecture IA ?
La première étape consiste à observer le fonctionnement actuel du SAV. Nous recensons les demandes reçues, les questions régulièrement posées par l'opérateur, les informations indispensables et les différentes décisions possibles. Cette phase permet de transformer une connaissance parfois informelle du métier en un processus clairement défini.
Nous construisons ensuite le schéma de données du dossier SAV : identité du client, commande, référence produit, date d'achat, problème rencontré, documents, photographies, diagnostic, statut et décision.
Vient ensuite la conception du parcours de collecte. Le formulaire traditionnel devient dynamique : les questions sont conditionnelles et l'IA peut intervenir pour détecter les informations manquantes ou reformuler une demande.
La quatrième étape concerne la création du moteur d'analyse. Celui-ci combine selon les besoins LLM, analyse d'images, reconnaissance documentaire, recherche dans une base de connaissances et règles métier déterministes.
Nous définissons ensuite précisément les limites de l'automatisation. Certains dossiers peuvent être traités automatiquement alors que d'autres nécessitent systématiquement une validation humaine. Ces seuils sont essentiels pour construire un système fiable.
Enfin, l'architecture est connectée aux applications existantes : site e-commerce, base clients, ERP, gestion des stocks, solution d'expédition ou messagerie. Ce sont ces connexions qui permettent à l'IA de ne plus simplement fournir une information, mais de déclencher de véritables actions dans le système informatique de l'entreprise.
Cette approche correspond à notre prestation de [mise en place d'architectures IA et d'automatisations pour les entreprises], dans laquelle nous associons intelligence artificielle, développements sur mesure et connexion aux logiciels existants pour automatiser des processus métier complets.
Quels gains peut-on attendre d'un SAV assisté par l'IA ?
Le premier indicateur à suivre est le nombre d'allers-retours nécessaires avant qu'un dossier soit exploitable. Avec un parcours intelligent qui vérifie immédiatement les informations transmises, l'objectif peut être de faire en sorte qu'une large majorité des demandes arrive complète dès le premier contact.
Le deuxième indicateur est le temps de traitement humain par demande. Si une demande nécessite aujourd'hui plusieurs minutes de lecture, de recherche, de demande d'informations puis de saisie, une fiche automatiquement structurée et préanalysée peut fortement réduire ce temps.
Il devient ensuite possible de mesurer le nombre de dossiers qu'un opérateur peut gérer quotidiennement, la durée moyenne entre l'ouverture et la résolution d'un SAV, le taux de dossiers nécessitant réellement une expertise humaine ou encore le délai moyen d'expédition d'un produit de remplacement.
La satisfaction client peut elle aussi progresser. Une demande complète dès le premier contact, un accusé de réception immédiat, des réponses plus rapides et un suivi automatisé donnent au client davantage de visibilité sur son dossier.
À titre d'exemple, si un opérateur consacre actuellement 8 minutes de travail cumulé à un dossier et que l'automatisation permet de ramener son intervention à 3 minutes, 100 demandes représenteraient plus de 8 heures de travail humain économisées. Il s'agit ici d'une projection illustrative : seuls des relevés effectués avant et après le déploiement permettraient de communiquer des gains réels.
L'intelligence artificielle appliquée à un véritable processus métier
Le cas du SAV Mundaka Optic illustre finalement assez bien notre vision de l'intelligence artificielle en entreprise.
La valeur ne réside pas uniquement dans le modèle d'IA utilisé. Elle provient de sa capacité à s'intégrer dans un processus métier existant, à comprendre les données qui lui sont transmises, à consulter les bonnes informations, à respecter les règles de l'entreprise et à communiquer avec les outils déjà en place.
Dans cet exemple, l'opérateur SAV ne disparaît pas. Il intervient simplement beaucoup moins sur la collecte d'informations, la ressaisie ou les cas évidents et peut consacrer davantage de temps aux situations dans lesquelles son expérience et son jugement sont réellement nécessaires.
C'est précisément l'objectif d'une architecture IA sur mesure : automatiser ce qui peut l'être, assister ce qui doit l'être et conserver l'humain là où il apporte le plus de valeur.