Un chatbot IA, ça se monte en une soirée : on branche l’API d’un modèle de langage, on écrit une consigne du type « tu es l’assistant courtois de l’entreprise », et c’est parti. Les ennuis commencent avec les premières dizaines de vrais clients. Le bot promet une remise qui n’existe pas, confond les offres, invente des délais de livraison et se lance volontiers dans une recette de pâtes au lieu de parler de votre produit.
Ce qui sépare une démo d’un assistant en production, ce n’est pas le modèle, c’est tout ce qu’on construit autour: base de connaissances, recherche, garde-fous, transfert vers un humain, intégrations et contrôle qualité. Voici de quoi se compose un assistant IA pour entreprise et comment l’amener au niveau où l’on peut lui confier ses clients.
Assistant IA et chatbot classique : quelle différence ?
Un bot classique suit un script : boutons, arborescence, réponses rédigées à l’avance. Il est prévisible, mais il décroche dès qu’un client écrit avec ses propres mots ou pose une question absente de l’arbre.
Un assistant basé sur un LLM comprend le texte libre, les reformulations et les fautes de frappe, sait poser une question de clarification et construire une réponse à partir de plusieurs sources. Le revers : il est moins prévisible. Le modèle peut répondre avec aplomb… et se tromper.
| Bot à scénario | Assistant LLM | |
|---|---|---|
| Fonctionnement | Boutons, arborescence, réponses prérédigées | Modèle de langage, base de connaissances, recherche |
| Texte libre | Décroche hors de l’arbre | Comprend reformulations et fautes |
| Prévisibilité | Élevée | Moindre : peut se tromper avec aplomb |
C’est pourquoi les projets en production finissent presque toujours hybrides. Le modèle de langage prend en charge les questions ouvertes, tandis que les actions qui engagent (passer commande, réserver, rembourser) suivent un scénario strict, avec boutons et vérifications. Une entreprise n’a que faire d’un bot de support qui « fait la conversation ». Il lui faut un bot qui règle le problème du client ou le confie rapidement à quelqu’un.
Une entreprise n’a pas besoin d’un bot qui « fait la conversation », mais d’un bot qui règle le problème du client ou le confie vite à un humain.
Comment est construit un assistant basé sur un LLM
Si l’on démonte un bot IA typique pour un site ou pour Telegram, on y trouve les briques suivantes :
- Le canal. Un widget sur le site, un bot Telegram, WhatsApp ou un chat dans l’application mobile. Plusieurs canaux peuvent partager la même logique.
- L’orchestrateur côté backend. Il reçoit le message, conserve l’historique de la conversation et décide de la suite : chercher dans la base de connaissances, interroger le CRM ou passer la main à un conseiller.
- Le modèle de langage. Un modèle cloud via API ou un modèle déployé sur votre propre infrastructure. Il comprend la question et formule la réponse.
- La base de connaissances et la recherche. Les documents dans lesquels le modèle puise les faits.
- Les outils. Des fonctions que le modèle peut appeler : vérifier le statut d’une commande, trouver un créneau libre, créer un ticket.
- Les logs et l’interface d’administration. On y consulte toutes les conversations, les notes et les transferts, et on y édite la base de connaissances.
Le trajet d’un message : le client pose sa question → l’orchestrateur trouve les passages pertinents dans la base et, si besoin, récupère des données dans le CRM → le modèle reçoit la consigne, l’historique et les faits trouvés → il rédige une réponse → le système la confronte aux règles, puis l’envoie au client ou appelle un conseiller.
La base de connaissances et le RAG
Le RAG (retrieval-augmented generation, ou génération augmentée par la recherche documentaire) est la méthode standard pour faire répondre un modèle à partir de vos données, sans réentraînement. Les documents sont découpés en fragments cohérents, chacun recevant une représentation vectorielle. Quand une question arrive, le système retrouve les fragments les plus proches par le sens et les transmet au modèle avec la consigne « réponds uniquement à partir de ceci ».
Dans la pratique, la qualité d’un assistant dépend d’abord de la base de connaissances, pas du modèle. Ce qui compte :
- Une source de vérité unique. Si un document annonce 3 jours de livraison et un autre 5, le modèle choisira l’un ou l’autre au hasard.
- La fraîcheur. Chaque rubrique a besoin d’un responsable et d’un processus de mise à jour clair.
- La structure. Des sections courtes, avec des titres explicites et une logique question-réponse, se retrouvent bien plus facilement qu’un règlement de cent pages.
- Des données vivantes plutôt que du texte. Prix, stocks et statuts de commande gagnent à être interrogés dans le back-office au moment de la question, plutôt que recopiés dans des documents périmés dès le lendemain.
La qualité d’un assistant tient moins au modèle qu’à la base de connaissances.
Pourquoi le bot « ment » et comment y remédier
Un modèle de langage ne cherche pas la vérité : il génère un texte plausible. Quand les faits manquent, il comble les trous lui-même. Les causes habituelles des réponses inventées :
- la base ne contient pas la réponse, et le modèle improvise ;
- la recherche a remonté le mauvais passage, proche par les mots mais hors sujet ;
- la base contient des documents contradictoires ;
- la consigne est trop vague et n’interdit pas de deviner ;
- les données sont obsolètes.
Les parades :
- Autoriser le « je ne sais pas ». Une consigne explicite : si les passages trouvés ne contiennent pas la réponse, le bot le dit franchement et propose de mettre le client en relation avec un membre de l’équipe.
- Un seuil de pertinence. Si la recherche ne trouve rien de suffisamment proche, le modèle ne produit pas de réponse sur le fond.
- Des liens vers les sources. La réponse renvoie à la rubrique de la base ou à une page du site. Cela discipline le modèle et facilite l’analyse des erreurs.
- Un périmètre limité. Les questions sans rapport avec votre offre sont poliment déclinées.
- Aucun engagement. Le bot ne promet ni remise, ni dédommagement, ni délai sur mesure : ces sujets passent par un conseiller.
- Un jeu de test. 100 à 200 vraies questions avec des réponses de référence, provocations comprises. On le rejoue après chaque modification de la base, des consignes ou de la version du modèle.
On ne supprime pas totalement les erreurs, mais on peut les rendre rares, visibles et sans danger.
Le transfert vers un conseiller
Un bon assistant sait quand appeler un humain. Les déclencheurs habituels :
- le client demande explicitement à parler à quelqu’un ;
- mécontentement, réclamation, menace de partir ;
- questions d’argent : remboursements, prélèvements contestés, conditions particulières ;
- faible confiance de la recherche, ou même question répétée deux ou trois fois de suite ;
- cas complexes que l’entreprise a classés d’avance comme à traiter manuellement.
Le transfert ne suffit pas, encore faut-il qu’il soit bien fait. Le conseiller reçoit tout l’historique et un court résumé rédigé par le modèle : qui est le client, ce qu’il veut, ce qu’on lui a déjà répondu. Le client n’a pas à tout répéter.
Les intégrations avec le CRM et les autres outils
Sans intégrations, l’assistant reste un guichet d’information. Avec elles, il passe à l’action :
- il crée un lead ou une affaire dans le CRM, avec le texte de la conversation et sa source ;
- il reconnaît le client par son numéro de téléphone ou son compte et tient compte de son historique de commandes ;
- il indique le statut d’une commande ou d’une demande ;
- il réserve une prestation sur un créneau libre ;
- il pose des tags pour l’analyse : thème, canal, issue.
Un bot Telegram avec GPT a ses particularités : l’utilisateur est déjà identifié par son compte et les notifications de statut sont simples à envoyer, mais il faut prévoir comment rattacher le compte Telegram à la fiche client du CRM, par exemple via une vérification du numéro de téléphone. Si des données personnelles transitent par le bot, tenez compte du RGPD et des recommandations de la CNIL sur leur conservation et leur transfert.
Techniquement, un assistant connecté à vos outils est un véritable service web, avec son architecture, ses droits d’accès et sa supervision. Il se conçoit comme tel, avec la même démarche de bout en bout que n’importe quel produit qu’une agence de développement mène à terme.
Les indicateurs de qualité
« Le bot a l’air de marcher » n’est pas un indicateur. Ce qu’il faut suivre dès le premier jour :
- La part de conversations résolues sans conseiller. Le principal indicateur d’économie, à condition de le lire avec la qualité.
- La justesse des réponses. Des contrôles manuels par échantillon : par exemple, chaque semaine, 50 conversations tirées au hasard sont classées « juste », « partiellement juste » ou « fausse ».
- La part de « je ne sais pas ». Trop élevée : la base a des trous. Trop basse : le bot invente peut-être.
- Les transferts vers un conseiller et leurs motifs. Ils indiquent quels sujets ajouter à la base.
- La note du client en fin de conversation.
- Le taux de conversion en demande ou en achat pour les assistants sur site. Reliez-le à votre web analytics : objectifs et événements dans Google Analytics.
L’habitude la plus rentable reste la relecture régulière des logs : où le bot s’est trompé, où le client a abandonné, quelles questions manquent dans la base. De quoi alimenter les améliorations pour des mois.
Les étapes de mise en place d’un assistant IA
- Analyse. Nous passons en revue l’historique des demandes, identifions les sujets fréquents et décidons de ce que le bot traite seul et de ce qu’il confie aux équipes.
- Base de connaissances. Nous la constituons, éliminons les contradictions et désignons les responsables des mises à jour.
- Prototype et jeu de test. Nous vérifions la qualité des réponses sur de vraies questions avant d’ouvrir l’accès aux clients.
- Intégrations. CRM, back-office, canal des conseillers.
- Test fermé. Les collaborateurs et une petite part des clients utilisent le bot, chaque conversation est relue.
- Lancement et montée en charge. Nous élargissons progressivement l’audience, suivons les indicateurs chaque semaine et enrichissons la base.
Cette séquence reprend la façon dont nous menons chaque produit chez Sphere, agence digitale à Paris : recherche, design, développement et tests, lancement et évolution. Pour en savoir plus sur notre approche, rendez-vous sur la page de l’agence.
Questions fréquentes
Peut-on créer un bot Telegram avec GPT ?
Oui, techniquement c’est un chantier classique : le bot reçoit les messages via la Telegram Bot API et les transmet à un modèle de langage par l’intermédiaire du backend. L’essentiel du travail n’est pas de brancher le modèle, mais la base de connaissances, les garde-fous, l’intégration au CRM et le transfert vers un conseiller. Choisissez le modèle en tenant compte des données qui transitent par le bot.
Quel modèle de langage choisir pour un assistant ?
Celui qui obtient les meilleurs résultats sur votre jeu de questions de test, pour un coût acceptable et avec des conditions de traitement des données adaptées. Un modèle de taille moyenne suffit pour beaucoup de tâches de support : la justesse des réponses dépend davantage de la base de connaissances et de la recherche que du modèle.
Un chatbot IA peut-il remplacer entièrement le service client ?
En général, non. Il traite très bien les questions fréquentes et répétitives et soulage le niveau 1, mais les dossiers complexes, litigieux ou liés à l’argent restent mieux entre des mains humaines. Le bon objectif : que vos conseillers consacrent leur temps aux échanges où ils sont vraiment utiles.
Comment mettre à jour ce que sait le bot ?
Par la base de connaissances : vous modifiez un document ou une rubrique dans l’interface d’administration et, après réindexation, le bot répond à partir de la nouvelle version. Les prix, les stocks et les statuts ne doivent pas vivre dans des documents : mieux vaut les interroger dans le système de gestion au moment de la question.
Combien coûte un assistant IA pour une entreprise ?
Le budget comprend la préparation de la base de connaissances, le développement du backend et des intégrations, le coût du modèle (à la requête ou sur vos propres serveurs) et la maintenance. Entre un simple assistant FAQ et un bot connecté au CRM et aux commandes, l’écart de charge va facilement du simple au triple : l’estimation se fait donc après analyse de vos demandes clients.




