🚀
GUIDE GRATUIT
RFP Chatbot : Ne partez pas d'une page blanche
Un mode d'emploi pensé pour les métiers avec un guide pas à pas pour rédiger chaque section de votre appel d'offres.
Méthodologie guidée : Quoi écrire dans chaque chapitre (Contexte, Fonctionnel, Tech)
Concepts clés décryptés : RAG, LLM, Base de connaissance
Modèles inclus : Structures prêtes à l'emploi pour vos cas d'usage
👉 Télécharger le guide
Pour améliorer le taux de résolution d’un chatbot IA, la bonne réponse n’est pas de refaire le bot, mais de répéter chaque mois une boucle d’une heure. Chez les clients ViaSay en production, c’est cette boucle qui sépare le bas du haut de la fourchette observée, entre 50 et 85 % de résolution mesurée. Voici ses cinq étapes, avec l’écran correspondant à chacune.
Cet article part du vrai taux de résolution, celui qu’on obtient en faisant lire chaque conversation par une IA, comme l’explique notre article sur la mesure du taux de résolution. Ce n’est pas le taux d’automatisation affiché à 95 %, qui compte les conversations terminées sans conseiller. Le vrai taux est autour de 50 %, et chaque passage de la boucle lui ajoute quelques points.
L’essentiel
Triez vos sujets par impact, et non par taux. Impact = Volume × (100 − Résolution) : le sujet qui vous coûte le plus n’est presque jamais celui qui a le pire taux.
Lisez 20 conversations du premier sujet. En un quart d’heure, le motif apparaît, et il entre presque toujours dans l’une de cinq cases : knowledge gap, compréhension, flux, périmètre ou politique.
Corrigez une seule chose. Le knowledge gap, c’est-à-dire une information absente de la base de connaissances, est le diagnostic le plus fréquent et le plus rapide à corriger.
Mesurez à nouveau trois semaines plus tard, sur le même tableau et avec les mêmes critères, puis passez à la ligne suivante.
Un taux qui monte alors que le volume ne bouge pas prouve que vous améliorez le bot, et non la façon de compter.
Étape 1 : pour améliorer le taux de résolution, commencez par le sujet le plus coûteux
Pour choisir le sujet à traiter en premier, classez vos sujets selon leur nombre de conversations non résolues, et non selon leur taux de résolution. Le réflexe inverse, qui consiste à traiter d’abord le pire taux, peut faire perdre une semaine sur un sujet qui pèse peu. Le bon tri suit cette formule :
Impact = Volume × (100 − Résolution)
Deux exemples montrent la différence :
Un sujet à 5 % de résolution sur 20 conversations a l’air catastrophique. Il ne représente pourtant que 19 échecs : c’est du bruit.
Un sujet à 55 % de résolution sur 4 000 conversations a l’air acceptable. Il représente 1 800 échecs : c’est lui qu’il faut traiter en priorité.
Dans ViaSay, ce tri est déjà fait. Le tableau Unresolved Drivers (les causes de non-résolution), dans l’onglet Performance, classe vos sujets par impact. Il affiche pour chacun le volume, le taux de résolution et le taux de knowledge gap.
Sur cette capture (données de démonstration), « Booking changes » affiche 53 % de résolution, mieux que « Account access » à 20 %. Il est pourtant classé plus haut, car il compte 1 483 conversations contre 337 : c’est lui qu’il faut ouvrir en premier. Commencez toujours par la première ligne du tableau.
Étape 2 : ouvrez les conversations non résolues de ce sujet
Un taux de résolution ne se corrige pas directement : ce sont les conversations qui montrent ce qui a échoué. Dans ViaSay, un clic sur le sujet ouvre un panneau avec ses conversations, déjà filtrées sur les non résolues. Chaque ligne affiche le verdict de l’évaluateur, son CX Score (sa note de l’expérience vécue) et la première question de l’utilisateur.
Avant d’ouvrir une seule conversation, survolez les étiquettes (tags). L’évaluateur, c’est-à-dire l’IA qui a jugé la conversation, y explique en une phrase pourquoi elle n’est pas résolue. C’est le moyen le plus rapide de trier une liste de 200 lignes.
Vous lisez par exemple trois fois « the assistant provided a generic response » (réponse générique) et deux fois « did not have the information about » (information manquante). Vous savez déjà où chercher.
Étape 3 : lisez 20 conversations pour trouver la cause commune
La lecture de 20 conversations non résolues est l’étape qu’on est le plus tenté de sauter, et la seule qui produit un diagnostic. Elle prend un quart d’heure. Lisez les vrais messages de vos clients, et non les justifications de l’IA : le motif commun entre presque toujours dans l’une de ces cinq cases.
Ils demandent tous la même chose, que le bot n’a pas. C’est un knowledge gap : l’équipe qui rédige la base de connaissances le corrige.
Le bot comprend la question de travers. C’est un problème de compréhension : on corrige les intentions, leurs exemples, la reformulation.
Le bot comprend, mais le parcours mène à une impasse. C’est un problème de conception du flux : la personne qui construit le bot (le bot builder) le corrige.
Ils demandent quelque chose que le bot n’est pas censé traiter. C’est une question de périmètre : on oriente ces demandes vers le bon canal, sans corriger le bot.
Le bot a raison, mais la réponse ne leur plaît pas. C’est une question de politique : le métier qui possède la règle en décide, et non le bot.
Ce dernier cas est réel et fréquent : parfois, la bonne conclusion est que le bot va bien. Une politique de remboursement impopulaire, énoncée correctement, produit des conversations non résolues aux yeux du client, alors que le bot a fait son travail.
Ce n’est pas au bot builder de changer cette politique. Et seule la lecture des conversations permet d’arriver à cette conclusion.
La grille de lecture 20 conversations
Les cinq diagnostics, la question à se poser pour chacun, et qui corrige. Une page à garder ouverte pendant la lecture.
Étape 4 : corrigez une seule cause à la fois
Choisissez un sujet, une cause et une correction. Si vous corrigez cinq choses à la fois, vous ne saurez pas laquelle a fonctionné, et le mois suivant, vous repartirez de zéro. Le cas le plus fréquent, et le plus rapide à corriger, est le knowledge gap : le bot n’avait pas l’information.
Un agent IA répond à partir de la base de connaissances : si l’information n’y est pas, il ne peut pas la donner. L’onglet Performance montre où ces manques se concentrent, sujet par sujet.
Une précision de vocabulaire évite de fausses corrections. Un knowledge gap, c’est une information générale absente : la politique de remboursement, les dimensions de bagage autorisées, les horaires du service.
Ce n’est pas un knowledge gap quand le bot n’a pas accès à une donnée personnelle ou en temps réel, et oriente correctement l’utilisateur vers l’endroit où elle se trouve. Le bot n’a pas à connaître le solde d’un client : il doit savoir où le client peut le voir.
Pour lire le taux de knowledge gap d’un sujet, retenez trois seuils :
sous 15 %, le sujet est sain ;
entre 15 et 30 %, il est à surveiller ;
au-dessus de 30 %, près d’une conversation sur trois bute sur une information manquante. C’est une urgence de contenu, et une liste d’articles à écrire cette semaine.
Les autres diagnostics se corrigent ailleurs : une impasse dans la conception du flux, une incompréhension dans les intentions et leurs exemples, une question hors périmètre par une meilleure orientation. Faites une seule correction, puis attendez.
Étape 5 : mesurez à nouveau trois semaines plus tard, sur le même tableau
Trois semaines après la correction, retrouvez la ligne de votre sujet dans le tableau Unresolved Drivers. Comparez son taux de résolution, son volume et son knowledge gap. Le tableau, les critères et la population sont les mêmes : la comparaison est honnête.
Si le chiffre a bougé, vous savez pourquoi. S’il n’a pas bougé, ce n’était pas la bonne cause, et vous avez déjà lu 20 conversations pour trouver la suivante.
Ce délai de trois semaines laisse arriver assez de nouvelles conversations sur le sujet pour que le chiffre ait un sens. L’évaluation se fait aussi par lots, après la fin de chaque conversation, avec un léger décalage.
Passez ensuite à la ligne suivante du tableau. C’est toute la méthode : répéter cette boucle, un sujet à la fois, plutôt que refondre le bot.
Voir cette boucle tourner sur vos conversations
Une démo de 30 minutes, menée sur vos propres sujets.
Deux pièges fréquents : le sujet « Autre » et la résolution basse sans knowledge gap
Deux situations trompent souvent le diagnostic : un gros sujet « Autre » mal résolu, et une résolution basse alors que le knowledge gap est bas. Dans le premier cas, votre liste de sujets oublie une demande réelle. Dans le second, le problème ne vient pas du contenu.
Un gros sujet « Autre », mal résolu. Si « Autre » figure parmi vos premiers sujets, lisez ces conversations : vous y trouverez un sujet qui n’a pas de nom. Donnez-lui-en un.
Dans ViaSay, la découverte automatique de sujets propose régulièrement des candidats, que vous validez ou non.
Une résolution basse avec un knowledge gap bas. Le bot a l’information, et la conversation échoue quand même. Soit le parcours empêche l’utilisateur d’atteindre la réponse, soit la réponse est correcte et c’est le service derrière qui déçoit.
Dix conversations suffisent à trancher. Dans les deux cas, la correction n’est pas dans la base de connaissances.
Sur quels sujets remplacer un parcours scripté par l’IA générative ?
Une fois la boucle en place, une deuxième question arrive : sur quels sujets remplacer un parcours scripté, c’est-à-dire des réponses écrites à l’avance, par une réponse générée ? Le premier candidat est en général un sujet scripté au knowledge gap élevé : l’information manque, et un parcours scripté ne saura jamais la chercher.
La section AI Impact de l’Overview compare, sur vos conversations, celles traitées par l’IA générative et celles traitées par un parcours scripté : résolution, knowledge gap, CX Score et CSAT. Sur la capture de notre article précédent, l’IA résolvait à 61 % contre 33 % pour le scripté, avec un knowledge gap de 7 % contre 19 %.
Deux précautions de lecture s’imposent. D’abord, ce n’est pas une expérience contrôlée : l’IA n’est pas déployée au hasard, elle est souvent activée sur les sujets déjà faciles, ou déjà difficiles.
Ensuite, le chiffre global compte moins que la lecture sujet par sujet. La bonne question n’est pas « l’IA fait-elle mieux ? », mais « sur lesquels de mes sujets change-t-elle le résultat ? ».
Questions fréquentes
Combien de temps faut-il pour améliorer le taux de résolution d’un chatbot ? Une boucle complète demande environ une heure de travail et trois semaines d’attente. Les premiers points de résolution arrivent dès la première correction, si elle porte sur un sujet à fort volume. Les bots qui répètent cette boucle chaque mois se situent en haut de la fourchette observée en production, entre 50 et 85 % de résolution mesurée.
Faut-il refaire le bot pour améliorer son taux de résolution ? Presque jamais : la majorité des conversations non résolues se concentre sur quelques sujets, et la cause la plus fréquente est une information absente de la base de connaissances. Corriger le contenu d’un sujet à fort volume rapporte plus qu’une refonte.
Qu’est-ce qu’un knowledge gap dans un chatbot ? C’est une conversation où le bot n’avait pas l’information générale demandée : une politique, un tarif, une procédure. Une orientation correcte vers une donnée personnelle ou en temps réel, comme un espace client, n’est pas un knowledge gap. Le taux de knowledge gap d’un sujet indique directement le contenu à écrire.
Pourquoi lire les conversations si une IA les a déjà évaluées ? L’évaluateur indique qu’une conversation a échoué et en donne une raison en une phrase. La lecture de 20 conversations révèle le motif commun : elle distingue un problème de contenu d’un problème de flux, de périmètre ou de politique. C’est ce qui décide qui corrige, et quoi.
Faut-il remplacer les parcours scriptés par de l’IA générative ? Décidez sujet par sujet, en regardant la comparaison sur vos propres conversations. Un sujet scripté à fort knowledge gap est en général le meilleur candidat. Un sujet scripté qui résout bien n’a pas de raison de changer.
