Une main tenant un smartphone avec une conversation ouverte, un casque à côté, sous la lumière chaude d’une lampe

Assistant IA sur votre site et Telegram : comment garantir des réponses justes

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 scénarioAssistant LLM
FonctionnementBoutons, arborescence, réponses prérédigéesModèle de langage, base de connaissances, recherche
Texte libreDécroche hors de l’arbreComprend reformulations et fautes
PrévisibilitéÉlevéeMoindre : 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 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 :

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 :

Les parades :

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 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 :

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 :

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

  1. 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.
  2. Base de connaissances. Nous la constituons, éliminons les contradictions et désignons les responsables des mises à jour.
  3. Prototype et jeu de test. Nous vérifions la qualité des réponses sur de vraies questions avant d’ouvrir l’accès aux clients.
  4. Intégrations. CRM, back-office, canal des conseillers.
  5. Test fermé. Les collaborateurs et une petite part des clients utilisent le bot, chaque conversation est relue.
  6. 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.

Parlons de votre projet
À lire aussi