Blog

Après-vente avec IA : relier plainte et commande

Utiliser l’IA pour relier plainte, commande, livraison et garantie sans perdre le contrôle et en gardant les exceptions pour une personne.

Poste de travail avec console après-vente et suivi des commandes

Une réclamation prend trop de temps quand le client voit un seul problème et que l’entreprise voit trois systèmes séparés. L’email arrive au support, la commande vit dans l’ERP, le statut de livraison est dans un portail transporteur et la garantie dort dans un dossier que personne n’ouvre tant que la tension n’est pas déjà forte. Le plus souvent, ce n’est pas une panne technique ; c’est une friction opérationnelle.

La vraie amélioration ne commence pas par plus d’automatisation. Elle commence par moins de recherche manuelle.

Le problème n’est pas de répondre, c’est de reconstituer le dossier

Si un client écrit “c’est arrivé abîmé” ou “il manque une pièce”, le vrai travail n’est pas de répondre vite. C’est de reconstituer à quelle commande cela correspond, quand cela a été expédié, ce qui est réellement arrivé et quelle politique s’applique. C’est là que beaucoup d’entreprises perdent du temps : chaque équipe optimise sa partie, mais personne ne possède le dossier complet.

La direction voit souvent un tableau de bord avec des “tickets ouverts” et un “temps moyen de réponse”. C’est utile, mais cela masque l’essentiel : combien de minutes partent en recherche, combien de messages rebondissent entre équipes et combien de fois quelqu’un copie le même numéro dans deux écrans. Cette fatigue n’apparaît pas sur le graphique, mais elle se voit dans l’équipe et chez le client.

Ce que l’IA doit faire, et ce qu’elle ne doit pas faire

La bonne façon d’appliquer l’IA ici n’est pas de lui laisser “décider” l’après-vente. C’est de l’utiliser pour lire, relier et préparer. Dans un flux sensé, le processus peut ressembler à ceci :

  1. Entrée : un email, un formulaire ou un message WhatsApp arrive avec une réclamation.
  2. Tâche de l’IA : le modèle interprète le texte, identifie la commande probable, le produit, la date et le type de problème.
  3. Règle métier : le système vérifie cela avec la commande, la livraison et la garantie.
  4. Validation humaine : une personne relit les exceptions, les doutes ou les cas sensibles.
  5. Sortie : une réponse brouillon est préparée, ou le dossier est transmis avec tout le contexte.

L’essentiel est de ne pas mélanger trois choses différentes. L’IA interprète le langage. Le système calcule les délais, les montants ou l’éligibilité. La personne décide quand il y a ambiguïté, risque juridique ou compte à forte valeur. Cette séparation évite les faux espoirs et empêche aussi l’automatisation de transformer une petite erreur en grosse erreur.

NIST le formule clairement : son AI Risk Management Framework est volontaire et vise à aider les organisations à gérer les risques liés à l’IA pendant la conception, le déploiement et l’usage ; son cœur organise le travail autour de la gouvernance, de la cartographie, de la mesure et de la gestion du risque. Cette logique correspond très bien à l’après-vente : définir le contexte d’abord, mesurer ensuite, automatiser seulement ce que l’entreprise peut soutenir en sécurité. (nist.gov)

L’erreur inconfortable : automatiser trop tôt

L’erreur la plus fréquente consiste à vouloir faire répondre l’IA à tout dès le premier jour. Cela paraît efficace, mais peut dégrader l’opération de deux façons. Premièrement, si la commande est mal identifiée, la réponse automatique peut être polie et pourtant fausse. Deuxièmement, si l’équipe fait trop confiance au résumé automatique, les cas rares cessent d’être contrôlés, et c’est précisément là que se cachent souvent les pertes.

Il existe un autre piège plus discret : récompenser uniquement la vitesse. Si vous ne mesurez que les “dossiers fermés par heure”, l’équipe poussera vers des réponses rapides même médiocres. Si vous mesurez aussi les reprises, les escalades et les réclamations rouvertes, l’incitation change. On ne cherche plus à fermer un ticket, mais à résoudre un problème.

Un petit test qui vaut la peine

Imaginez une PME de distribution avec des réclamations qui arrivent par email. Inutile de refaire tout le service. Commencez par un seul type de dossier : casse au transport avec numéro de commande visible.

L’IA peut extraire le numéro, suggérer l’article, vérifier si la livraison est dans les délais et préparer un brouillon de réponse. Si elle détecte une incohérence — par exemple, une commande ambiguë, un client avec plusieurs achats semblables ou une garantie incertaine — le dossier passe à une personne avec tout le contexte déjà rassemblé. Cela ne supprime pas le jugement humain ; cela le rend plus rapide et plus cohérent.

La valeur ne vient pas seulement d’une réponse plus rapide. Elle vient aussi de la baisse du temps de recherche, des erreurs d’orientation et du fait que le client n’ait plus à répéter trois fois la même histoire. Si les ventes, la logistique et le support travaillent à partir de la même fiche dossier, la conversation change : on ne demande plus “qui l’avait ?”, on demande “que fait-on maintenant ?”.

Ce qu’il faut mesurer pour savoir si cela fonctionne

Pas besoin d’un grand programme pour valider l’idée. Trois signaux concrets suffisent :

  • le temps nécessaire pour retrouver la bonne commande ;
  • le temps jusqu’à une première réponse utile ;
  • la part des dossiers que l’IA transmet à une personne pour de vraies raisons d’incertitude, pas à cause d’un mauvais design.

Si ces trois chiffres s’améliorent, le test est prometteur. Si le délai de réponse baisse mais que les corrections et la frustration augmentent, les gains étaient seulement apparents.

La meilleure question n’est pas “pouvons-nous utiliser l’IA en après-vente ?”. La bonne question est : pouvons-nous éviter que le client explique le même problème à trois services différents ? C’est cette friction que les tableaux de bord cachent souvent.

Trois actions pour cette semaine :

  1. Choisissez une catégorie de réclamation et cartographiez son vrai parcours entre email, ERP et livraison.
  2. Décidez ce que l’IA peut interpréter et quelle exception doit être validée par une personne.
  3. Mesurez une semaine de temps perdu à chercher des données avant d’automatiser davantage.

Si vous voulez démarrer par un pilote petit et réversible, Codefuente peut vous aider à le concevoir sans en faire un projet lourd.