🚀
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
Votre chatbot affiche 85 % de taux de résolution. Pourtant, vos conseillers reçoivent toujours des « le bot ne m'a pas aidé », et personne au comité de direction ne sait vraiment ce que ce 85 % mesure.
Ce n'est pas un problème de bot. C'est un problème de définition. Le taux de résolution d'un chatbot IA est le KPI le plus cité du marché et le moins défini. Selon la façon de le calculer, le même bot, sur les mêmes conversations, affiche 33 % ou 50 %. Intercom vient d'en faire la démonstration sur ses propres chiffres.
Cet article explique ce que ce chiffre devrait mesurer, pourquoi les leaders du marché changent leur définition en 2026, et comment on obtient un taux de résolution que vous pouvez défendre devant votre direction : une IA qui lit chaque conversation terminée, rend un verdict, et le justifie.
Les trois chiffres que tout le monde confond
Trois indicateurs se présentent comme « le taux de résolution ». Ils ne mesurent pas la même chose, et l'écart entre eux se compte en dizaines de points.
Taux de déflexion
Ce qu'il compte : Les conversations qui n'ont jamais atteint un humain
Ce qu'il rate : Le client qui a abandonné, furieux, est compté comme « déflecté »
Taux d'automatisation (ou containment)
Ce qu'il compte : Les conversations restées dans le canal bot, sans transfert
Ce qu'il rate : Le bot a-t-il répondu à la question ? On ne sait pas
Taux de résolution
Ce qu'il compte : Les conversations où la demande du client a été traitée
Ce qu'il rate : Rien, si on le mesure réellement
Définition : le taux de résolution d'un chatbot est la part des conversations où la demande exprimée par l'utilisateur a été effectivement traitée, que ce soit par une réponse directe, une redirection valide ou une escalade correctement gérée.
Le problème, c'est que la plupart des tableaux de bord affichent le deuxième chiffre en l'appelant du nom du troisième. Une conversation sans transfert vers un agent est comptée « résolue ». L'utilisateur qui a posé sa question trois fois, obtenu trois réponses génériques, et fermé la fenêtre : résolu. Celui qui a écrit « merci pour rien » : résolu.
L'écart n'est pas théorique. Selon une étude Gartner reprise par Maven AGI, l'IA déflecte plus de 45 % des demandes de service client, mais seulement 14 % environ aboutissent à une résolution complète en self-service. Trente points d'écart entre « le bot a pris la conversation » et « le bot a réglé le problème ».
C'est aussi pour cela que les chiffres de 90 ou 95 % qu'on lit dans les brochures mesurent presque toujours l'automatisation. Ils ne sont pas faux. Ils répondent juste à une autre question.
Pourquoi les leaders changent leur calcul en 2026
Deux changements récents montrent que le marché converge vers une résolution vérifiée, plus un compteur de non-transferts.
Intercom, juillet 2026. Intercom a modifié la définition des métriques de Fin. Les conversations où Fin était actif mais « n'a pas eu l'occasion de répondre » sortent du dénominateur. Sur l'exemple officiel : 1 000 conversations, 250 résolues. Ancien taux : 33 %. Nouveau taux : 50 %. Même bot, mêmes conversations, plus 17 points. Intercom a eu l'honnêteté de rappeler dans le même article que le taux d'automatisation, lui, ne bouge pas.
Zendesk, mai 2026. Depuis le 18 mai 2026, Zendesk ne facture et ne compte que les « Verified Resolutions » : l'agent IA a répondu, une étape de vérification par un modèle de langage a confirmé que le problème était réglé, et le client n'a pas contesté.
Retenez la logique commune : on ne compte plus une résolution parce qu'il n'y a pas eu de transfert. On la compte parce qu'une lecture de la conversation l'a confirmée. Et le dénominateur ne compte que les conversations où le bot avait vraiment une demande à traiter.
Si vous comparez des éditeurs en ce moment, c'est la question à poser en premier : comment comptez-vous une résolution, et qui la vérifie ? C'est un critère à inscrire noir sur blanc dans votre cahier des charges, à côté de ceux de notre guide pour rédiger un appel d'offres chatbot IA.
Comment une IA évalue une conversation
La seule façon fiable de savoir si une conversation a été résolue, c'est de la lire. Sur 50 000 conversations par an, personne ne le fait. Alors on le fait faire à une IA.
Le principe s'appelle LLM as a judge : un modèle de langage, distinct de celui qui répond aux clients, relit chaque conversation terminée avec une grille de critères fixe et rend un verdict. Chez ViaSay, c'est ce que fait l'AI Quality Monitoring : 100 % des conversations terminées, y compris les parcours scriptés sans IA générative, pas un échantillon.
Pour chaque conversation, l'évaluateur répond à quatre questions :
De quoi parlait-elle ? Un sujet, dans une liste fermée que vous contrôlez (paiement, modification de réservation, bagages...).
La demande a-t-elle été traitée ? Résolu ou non résolu. C'est le taux de résolution. L'évaluateur met à part un troisième cas : le client est parti alors qu'une étape était en attente (une question posée, un identifiant demandé, un choix à faire, un transfert à accepter), ou n'a jamais formulé de demande. Ces conversations ne disent rien sur la qualité du bot, ni dans un sens ni dans l'autre.
Le bot avait-il l'information ? Si non, c'est un knowledge gap : le signal le plus directement actionnable, on y revient.
Comment l'utilisateur l'a-t-il vécue ? Sentiment et effort, combinés à la résolution dans un CX Score sur 10.
Ce que « résolu » veut dire, précisément
C'est ici que la plupart des définitions s'effondrent. Voici les critères qu'applique l'évaluateur.
Compté comme résolu :
Une réponse directe et pertinente à la demande.
Une redirection vers une ressource valide et alignée avec la demande (une page de suivi de commande quand le client veut suivre sa commande).
Une escalade correcte vers un humain qui traite la demande.
Le bot identifie que l'action nécessite le support, le dit clairement, et donne un moyen concret de le joindre.
Un lien proposé que le client a suivi, ou un parcours entièrement en boutons qui aboutit à ce qu'il cherchait.
Compté comme non résolu :
Une réponse générique ou hors sujet.
Une demande jamais comprise.
Un refus d'escalade sans alternative.
Une redirection alors que le bot pouvait répondre.
Une conversation qui se termine sans résolution ni escalade propre.
Une réponse qui se résume à « aucun conseiller n'est disponible en ce moment », même avec un rappel proposé : le client repart sans rien à faire de son côté.
Et le silence du client ? Il ne décide rien. Ce qui est jugé, c'est ce qui lui a été donné avant qu'il parte. Un client qui ne dit plus rien après une route utilisable a été servi. Un client qui ne dit plus rien après une réponse vide ne l'a pas été. Un client qui part alors qu'on lui demandait son numéro de réservation n'a pas été jugé du tout. C'est la différence avec une « résolution assumée », où le silence vaut accord par défaut.
Deux conséquences importantes. D'abord, une escalade bien gérée est une résolution. Un bot qui reconnaît ses limites et passe la main proprement a fait son travail. Ensuite, le sentiment du client n'entre pas dans le verdict de résolution. Une politique d'annulation correctement énoncée à un client furieux est une conversation résolue. Le mécontentement est mesuré ailleurs, dans le CX Score, et c'est voulu : mélanger les deux rend les deux illisibles.
À quoi ça ressemble dans le tableau de bord
Le résultat n'est pas un rapport mensuel. C'est un indicateur vivant, dans le même écran que le volume et le taux de transfert.
Trois choses à remarquer sur cette capture (données de démonstration).
Le taux de résolution est à 52 %, à côté d'un taux d'automatisation à 98 %. Ce sont les deux chiffres dont on parlait plus haut, côte à côte. Le second n'a pas bougé quand on a commencé à mesurer le premier. Le premier est celui que vous pouvez améliorer.
Chaque métrique issue de l'IA porte un badge « AI ». Vous savez toujours ce qui est compté (volume, transferts, votes CSAT) et ce qui est jugé.
La section AI Impact compare les conversations gérées par l'IA générative et celles gérées par des parcours scriptés, sur les mêmes critères. C'est la réponse à « est-ce que l'IA fait mieux, chez nous, sur nos sujets ».
Et derrière chaque chiffre, les conversations. Un clic sur n'importe quel indicateur ouvre la liste, déjà filtrée, avec le verdict et le score de chaque conversation.
Chaque verdict s'explique
C'est le point qui change la confiance qu'on accorde au chiffre. Sur chaque conversation, survolez le tag Resolved, Unresolved ou Knowledge gap : l'évaluateur donne sa justification en une phrase.
Vous n'avez pas à croire un pourcentage. Vous pouvez ouvrir n'importe quelle ligne, lire la justification, lire la conversation, et être d'accord ou pas. Un chiffre qu'on peut auditer est un chiffre qu'on peut présenter.
Votre premier vrai chiffre sera plus bas que prévu. C'est normal.
C'est le moment de l'article où il faut être direct.
Quand vous passez d'un taux d'automatisation à un taux de résolution vérifié, le chiffre baisse. Beaucoup. Un bot en production depuis des années, avec un bon taux d'automatisation et des clients satisfaits, découvre souvent un taux de résolution réel autour de 40 % le premier mois de mesure.
Ce n'est pas que ces bots étaient mauvais. C'est qu'on venait d'ouvrir les yeux. Avant la mesure, on suppose que tout va bien. Le jour où on mesure, tout semble cassé. Aucune des deux impressions n'est vraie.
Ce qui compte, c'est la suite. Aujourd'hui, les clients ViaSay en production se situent entre 50 et 85 % de résolution, mesurée conversation par conversation par l'évaluateur. L'écart entre le bas et le haut de la fourchette ne tient pas à la technologie, qui est la même pour tous. Il tient à ce que chaque équipe fait de la mesure : voir quel sujet échoue, pourquoi, et corriger une chose à la fois. Un sujet « problèmes techniques » peut passer de 32 % à 64 % de résolution en quelques semaines quand son knowledge gap tombe de 33 % à 11 %. Une fois qu'on voit ce qui manque, on l'écrit.
Mesurer d'abord, améliorer ensuite. Un taux de résolution bas n'est pas une mauvaise note. C'est une carte. Comment s'en servir fait l'objet du second article : la méthode en 5 étapes pour améliorer le taux de résolution de votre chatbot IA.
Voir votre vrai taux de résolution, sur vos conversations
Une démo de 30 minutes de l'AI Quality Monitoring, sur vos sujets et vos parcours, pas sur les nôtres.
Le CX Score et le knowledge gap : les deux compléments
Le taux de résolution dit qu'une conversation a échoué. Il ne dit ni pourquoi, ni comment le client l'a vécu. Deux indicateurs complètent le tableau.
Le knowledge gap : le bot n'avait pas l'information demandée. Une politique de remboursement absente de la base de connaissances est un knowledge gap. Une redirection correcte vers l'espace client pour une donnée personnelle n'en est pas un : le bot n'a pas à connaître votre solde. Cette distinction est ce qui rend le signal exploitable : un sujet avec 25 % de knowledge gap, c'est une liste d'articles à écrire.
Le CX Score : une note sur 10 qui combine résolution (40 %), sentiment exprimé (30 %) et effort fourni par l'utilisateur (30 %). Ce n'est pas un CSAT prédit. Le CSAT reste le vote réel des clients, et il ne concerne que la petite minorité qui vote. Le CX Score couvre tout le monde.
Les limites à connaître avant d'y croire
Un évaluateur IA n'est pas un oracle. Voici ce qu'il ne fait pas, parce que c'est ce qui rend le reste crédible.
Il peut se tromper, dans les deux sens. Sur une conversation limite, un humain pourrait juger autrement. C'est pour cela que chaque verdict est justifié et que chaque conversation reste lisible.
Il ne lit que la conversation. Il ne sait pas que votre site était en panne ce matin-là, ni que le client avait déjà appelé deux fois.
Il ne connaît pas vos règles métier. Si le bot énonce avec assurance quelque chose de faux mais plausible, l'évaluateur peut le compter résolu. Il mesure si la demande a été traitée, pas si la réponse était vraie. La fidélité à la source est un autre sujet, traité en amont par les garde-fous de l'agent.
Un sujet par conversation. Une conversation qui aborde trois sujets est classée sous un seul.
Utilisez-le comme une boussole, pas comme un verdict contractuel. Il vous dit où regarder parmi les milliers de conversations que vous ne lirez jamais. C'est exactement ce qui manquait.
Ce qu'il faut retenir
Déflexion, automatisation et résolution sont trois chiffres différents. Le premier compte les conversations qui n'ont pas atteint un humain, le deuxième celles restées dans le bot, le troisième celles où la demande a été traitée. Seul le troisième mérite le nom de taux de résolution.
Le marché converge vers une résolution vérifiée par une IA. Intercom a changé son dénominateur en juillet 2026 (33 % → 50 % sur son exemple), Zendesk ne compte que des « Verified Resolutions » depuis mai 2026.
Un vrai taux de résolution se mesure en lisant chaque conversation. Une IA distincte relit 100 % des conversations terminées et rend un verdict justifié.
Une escalade bien gérée est une résolution. Le sentiment du client est mesuré à part.
Le silence ne décide rien. Ce qui a été donné au client avant qu'il parte est jugé, jamais son absence de réponse.
Votre premier chiffre sera autour de 40 à 50 %. C'est un point de départ, pas une note. Les bots suivis avec cette mesure se situent entre 50 et 85 % de résolution vérifiée.
Exigez un chiffre auditable. Si vous ne pouvez pas ouvrir la conversation derrière le pourcentage, ce n'est pas un taux de résolution.
Vous comparez des chatbots IA en ce moment ?
Demandez à chaque éditeur comment il compte une résolution, et qui la vérifie. Puis venez voir comment ViaSay le fait, sur vos propres conversations.
Questions fréquentes
Quel est un bon taux de résolution pour un chatbot IA ? Mesuré en lisant chaque conversation, un taux de résolution entre 40 et 55 % est un point de départ normal pour un bot en production. Les bots suivis et corrigés régulièrement, surtout lorsqu'ils sont connectés aux systèmes métier et capables d'agir, atteignent 70 à 85 %. Un chiffre à 90 % ou plus mesure presque toujours l'automatisation, pas la résolution.
Quelle est la différence entre taux de déflexion et taux de résolution ? La déflexion compte les conversations qui n'ont pas atteint un agent humain, y compris celles où le client a abandonné. La résolution compte celles où la demande a été traitée. L'écart entre les deux dépasse souvent 30 points.
Comment mesurer le taux de résolution d'un chatbot sans lire toutes les conversations ? En faisant lire les conversations par une IA distincte du bot, avec des critères fixes, et en vérifiant ses verdicts par échantillon. C'est le principe du « LLM as a judge ». L'important est que chaque verdict soit justifié et que la conversation reste accessible.
Une escalade vers un agent humain compte-t-elle comme un échec ? Non, si elle est correctement gérée. Un bot qui identifie que la demande dépasse son périmètre et transfère proprement a traité la demande. Un bot qui refuse l'escalade sans alternative, ou qui transfère une question à laquelle il pouvait répondre, a échoué.
Le CX Score remplace-t-il le CSAT ? Non. Le CSAT est le vote réel des clients, donné par une minorité. Le CX Score est calculé sur 100 % des conversations à partir de la résolution, du sentiment et de l'effort. Les deux se lisent ensemble.
