Après l’IA, le travail humain devient plus complexe

L’IA concentre la complexité dans le travail humain

Il y a vingt ans, les demandes de routine occupaient l’essentiel de la journée d’un agent de centre de contact. Les réinitialisations de mot de passe et les questions de facturation suivaient des scripts prévisibles. L’IA peut désormais absorber une grande partie de ce travail. Cela change l’économie de l’automatisation, mais aussi la nature du travail qui reste.

Les agents humains reçoivent de plus en plus les cas que l’automatisation ne peut pas résoudre avec suffisamment de certitude. Ces interactions sont moins prévisibles et souvent plus émotionnelles. Elles peuvent impliquer des besoins clients contradictoires, des politiques d’entreprise, des contraintes opérationnelles et des informations incomplètes. L’agent doit faire preuve de jugement plutôt que de récupérer une réponse standard.

Bryan Stoller, vice-président et responsable mondial du service client, des centres de contact et des solutions chez United Airlines, a décrit une évolution d’environ 20 ans de cette charge de travail. Les interactions de routine ont diminué dans la part du travail des agents, tandis que les interactions modérément et fortement complexes ont augmenté. Une adoption accrue de l’IA accélérera cette évolution.

Prenons l’exemple d’une famille bloquée dans un aéroport après un retard dû aux conditions météorologiques. La politique standard peut consister à la réserver sur le vol du lendemain matin. La situation réelle devient plus difficile lorsque des médicaments se trouvent dans les bagages enregistrés, qu’un enfant est en détresse et que les hôtels à proximité sont complets. Comme l’a expliqué Stoller, la plupart des clients dans ces situations recherchent une décision raisonnable fondée sur leur situation.

Cela change la manière dont les dirigeants doivent évaluer la productivité d’un centre de contact. À mesure que l’IA prend en charge une part plus importante de la demande prévisible, les interactions humaines moyennes peuvent devenir plus difficiles. Les temps de traitement peuvent augmenter. Les agents peuvent avoir besoin de davantage d’autorité. La formation doit accorder plus de poids au jugement, à la communication et à la gestion des exceptions.

La contrainte opérationnelle se déplace donc vers la qualité des décisions humaines dans les cas difficiles. Les entreprises qui automatisent les volumes de routine sans repenser les rôles humains risquent de créer une organisation de service optimisée pour un travail qui est en train de disparaître. La planification de la main-d’œuvre, la gestion de la qualité, la formation et les mesures de performance doivent refléter la complexité plus élevée de la charge de travail restante.

L’objectif est clair : utiliser l’IA pour éliminer le travail prévisible tout en renforçant les capacités des personnes qui gèrent le travail imprévisible. L’automatisation crée davantage de valeur lorsque l’organisation humaine évolue avec elle.

Créer un « département du raisonnable » pour les cas exceptionnels

Les cas complexes ont besoin d’un modèle opérationnel défini. Stoller appelle cela le « département du raisonnable ». Il s’agit d’une capacité intégrée dans toute l’organisation plutôt que d’une unité organisationnelle distincte.

Son modèle comporte quatre volets : détecter, orienter, résoudre et apprendre. Ensemble, ces étapes définissent la manière dont une entreprise identifie les situations inhabituelles, attribue la bonne expertise, donne aux employés la capacité d’agir et utilise le résultat pour améliorer le système dans son ensemble.

La détection vient en premier. Les systèmes d’IA comme les systèmes de workflow conventionnels doivent reconnaître lorsqu’une demande sort des limites prévisibles. Le niveau de confiance est essentiel ici. Un système d’IA qui ne peut pas résoudre un cas de manière fiable doit reconnaître cette situation et transférer l’interaction en conservant son contexte. Une automatisation efficace inclut donc des transferts efficaces.

L’orientation devient alors un problème d’adéquation des capacités. Envoyer un cas difficile au prochain employé disponible peut optimiser la vitesse de la file d’attente tout en produisant un mauvais résultat. Les interactions complexes doivent parvenir à des personnes disposant de l’expérience, de l’autorité, des compétences linguistiques, de la connaissance produit ou de la capacité à gérer des conversations émotionnellement difficiles.

La résolution exige plus qu’une simple orientation. Les agents ont besoin de l’historique client, d’informations opérationnelles, d’outils utilisables, de limites de décision claires et d’une autorité suffisante pour prendre une décision pragmatique. Stoller a résumé l’exigence de manière directe : « You cannot constrain them by black and white policy. » Pour les dirigeants, cela signifie définir où le pouvoir discrétionnaire est autorisé et comment l’organisation contrôle les risques financiers, réglementaires et clients qui en découlent.

La dernière étape est l’apprentissage. Les cas difficiles contiennent des informations sur les faiblesses de l’entreprise. Des exceptions répétées peuvent révéler une mauvaise politique, un processus défaillant, une fonctionnalité de self-service manquante, une formation inadéquate ou un système d’IA qui a appris un ensemble incomplet de besoins clients. Capturer ces cas crée une boucle de rétroaction vers les opérations, les politiques, la formation et le développement de l’IA.

Ce modèle a une implication importante pour la gouvernance de l’IA. L’escalade doit être conçue comme une partie intégrante du système d’IA dès le départ. Les dirigeants ont besoin de seuils explicites pour déterminer quand l’IA peut agir, quand un humain doit examiner une décision et quels employés ont l’autorité de résoudre des situations exceptionnelles.

Stoller résume l’exigence de conception plus large : « This is about not designing our organizations for the work that AI takes away. This is about designing our organizations for the work that AI leaves behind. »

C’est le modèle opérationnel le plus solide. À mesure que les volumes de routine se dirigent vers l’automatisation, la performance concurrentielle du service dépendra de plus en plus de la capacité de l’organisation à détecter la complexité, à l’orienter vers les bonnes personnes, à permettre des décisions solides et à apprendre de chaque exception.

Commencer le déploiement de l’IA par un problème métier défini

L’investissement dans l’IA doit commencer par un problème client ou opérationnel précis. La première question est simple : pourquoi le client contacte-t-il l’entreprise ? Les données de contact peuvent ensuite identifier quelles interactions se produisent le plus souvent, lesquelles suivent des étapes prévisibles et lesquelles peuvent être automatisées en toute sécurité.

Cette approche donne aux dirigeants un moyen concret de prioriser l’investissement. Les interactions à fort volume et faible complexité offrent généralement des opportunités plus claires, car le processus peut être défini et les résultats peuvent être mesurés. Une automatisation réussie peut réduire le travail répétitif et libérer des employés expérimentés pour les cas qui exigent davantage de jugement.

Jessica Gupta, directrice des opérations chez InfoPay, a utilisé le comportement des clients pour identifier une telle opportunité. InfoPay a découvert un groupe « assez important » de clients qui préféraient la communication vocale. L’entreprise a concentré son effort d’automatisation sur un processus à fort volume dans lequel les clients avaient principalement besoin d’une simple confirmation.

Ce périmètre restreint a produit un résultat métier utile. InfoPay a pu contenir une part significative de ces interactions grâce à l’automatisation. Les agents expérimentés ont alors eu davantage de capacité pour apporter des insights ailleurs dans l’entreprise. La technologie a répondu à un schéma de demande clairement observé au lieu de pousser les clients vers un autre canal.

Les données de contact client sont particulièrement précieuses dans ce processus, car le volume d’appels révèle souvent des problèmes ailleurs dans l’organisation. Un grand nombre d’appels sur le même sujet peut signaler un workflow inefficace, un self-service numérique insuffisant, des données clients fragmentées ou un problème d’accès. Les dirigeants doivent identifier la cause sous-jacente avant de décider où l’IA doit intervenir.

Aaron Johnson, directeur marketing par intérim chez Penn Medical, a décrit ce défi dans le secteur de la santé. La hausse de la demande des patients et des volumes d’appels intenables a poussé l’organisation à repenser ses opérations d’accès. Des fusions-acquisitions antérieures avaient également créé des problèmes d’intégration. Les agents travaillant dans une partie du système ne pouvaient pas toujours planifier des rendez-vous dans une autre, ce qui empêchait certains patients d’accéder aux soins.

Cet exemple est important parce que la performance de l’IA dépend des systèmes et des processus qui l’entourent. Un assistant automatisé a toujours besoin d’accéder à des plannings exacts, à des dossiers clients ou patients, à des règles métier et à des systèmes en aval. Une couche d’intégration faible limite ce que l’IA peut accomplir.

Pour la direction générale, la séquence d’investissement doit donc commencer par une analyse de la demande. Identifiez les principaux moteurs de contact. Déterminez quels processus ont des résultats prévisibles. Cartographiez les systèmes nécessaires pour finaliser chaque transaction. Sélectionnez ensuite l’IA là où l’automatisation peut produire un résultat client ou métier mesurable.

Cela permet de garder le business case concret. Le déploiement de l’IA est alors lié à des résultats tels que des contacts résolus, un meilleur accès, une réduction de la charge de travail répétitive ou une meilleure utilisation des employés qualifiés.

Utiliser de petits projets pilotes et une itération rapide pour maîtriser le risque de déploiement de l’IA

Les systèmes d’IA ne rencontrent le comportement réel des clients qu’après leur déploiement. Les clients utilisent des mots inattendus, changent de sujet, fournissent des informations incomplètes et formulent des demandes que les concepteurs ont pu manquer. Les systèmes vocaux font face à une variation supplémentaire dans les formulations et la structure des conversations. Des projets pilotes contrôlés exposent ces conditions tout en maintenant le risque opérationnel à un niveau gérable.

Jessica Gupta, directrice des opérations chez InfoPay, a décrit un point de départ volontairement modeste. « We only had 20 calls, » a-t-elle déclaré. Ce premier test a produit un succès. L’équipe a traité le résultat comme une information pour poursuivre le développement plutôt que comme une raison d’exposer immédiatement une grande part du trafic client.

Le principe consiste à augmenter le volume de déploiement à mesure que les preuves s’améliorent. Les équipes peuvent commencer par un cas d’usage étroit et un trafic limité, mesurer les résultats, examiner les échecs, ajuster le système et tester à nouveau. Chaque étape crée des preuves opérationnelles pour la décision d’expansion suivante.

Neville Letzerich, directeur marketing chez Talkdesk, a défendu cette approche expérimentale. « Get started. Try something. Don’t go overboard. Be intelligent about it. Go get a win, leverage that, or lose and say, ‘Wow, that didn’t work,’ try again. »

Pour les dirigeants, un échec à l’échelle d’un projet pilote peut être utile. Il peut révéler des hypothèses erronées sur le comportement des clients, les règles d’orientation, la conception des processus, la qualité des données ou l’intégration des systèmes avant que ces problèmes n’affectent une population de clients bien plus large. La discipline managériale importante est un diagnostic et une correction rapides.

Penn Medicine a subi les conséquences de l’échelle lorsqu’il a déployé un assistant vocal. Selon Aaron Johnson, directeur marketing par intérim chez Penn Medical, l’éventail du langage utilisé par les patients lors des appels réels était bien plus large que ce que l’équipe avait anticipé. « In retrospect, we may have wanted to start with a smaller pilot, » a déclaré Johnson.

L’organisation a réagi avec un processus de feedback plus resserré. Les responsables métier ont travaillé directement avec les équipes de réglage technique. Ils ont examiné ce que les patients disaient réellement et ont ajusté la logique d’orientation en temps réel. Cela a relié la connaissance opérationnelle aux changements techniques et a permis au système de s’améliorer à partir du comportement client observé.

Un projet pilote solide a donc besoin de plus qu’une petite population d’utilisateurs. Il lui faut des critères de réussite explicites et un cycle de feedback court. Les équipes doivent savoir quelles interactions ont été résolues, lesquelles ont nécessité une intervention humaine, où l’orientation a échoué et ce que les clients essayaient réellement d’accomplir. Ces constats doivent alimenter directement la version suivante du système.

Les dirigeants doivent également définir des jalons d’expansion avant le déploiement. Un système peut passer du projet pilote à un usage plus large une fois qu’il démontre une performance acceptable pour la tâche visée et que l’organisation peut gérer ses cas d’échec. Cela crée un chemin discipliné de l’expérimentation à la production.

L’objectif est un apprentissage contrôlé à une échelle croissante. Commencez par un problème délimité. Observez le comportement réel. Corrigez rapidement les faiblesses. Étendez lorsque les preuves opérationnelles justifient l’expansion.

Instaurer la confiance des employés avant que l’IA ne transforme le travail

Une main-d’œuvre hybride change la manière dont le travail est attribué, exécuté et mesuré. L’IA prend en charge une part croissante des interactions clients tandis que les employés gèrent les cas complexes et supervisent de plus en plus, ou travaillent avec, des systèmes automatisés. Cette transition exige une gestion délibérée de la main-d’œuvre.

Jessica Gupta, directrice des opérations chez InfoPay, a décrit une stratégie de communication précoce. Des années avant que le déploiement de l’IA de l’entreprise ne soit pleinement élaboré, les dirigeants ont indiqué aux employés que l’IA allait changer leur manière de travailler. La direction ne connaissait pas encore tous les détails de ce changement. Elle a néanmoins communiqué l’orientation attendue.

Cette transparence a laissé aux employés le temps de comprendre la transition et d’y participer. InfoPay a intégré très tôt des agents très performants dans les tests de l’IA. Ces employés ont utilisé la technologie, évalué son comportement et fourni un feedback fondé sur leur expérience du service client.

La participation a également donné à l’expertise du terrain un rôle direct dans le développement du système. Les agents expérimentés savent à quels moments les clients se sentent perdus, quelles exceptions se produisent de manière répétée et quelles informations sont nécessaires pour résoudre les cas difficiles. Intégrer cette connaissance pendant les tests peut améliorer les workflows de l’IA, les critères d’escalade et les transferts vers les humains.

Cette approche a amélioré l’acceptation des employés chez InfoPay. « Now they’re actually looking at AI favorably, » a déclaré Gupta après avoir décrit l’implication des agents dans le processus de mise en œuvre. Une participation précoce a donné aux employés un certain degré d’appropriation du changement opérationnel.

Les dirigeants doivent considérer cela comme un enjeu de capacité autant que comme un enjeu de conduite du changement. Les opérations client hybrides exigent des personnes capables de gérer des interactions difficiles tout en utilisant efficacement l’IA. Certains employés s’adapteront plus vite que d’autres. Les entreprises doivent identifier ces compétences, les développer par la formation et les refléter dans le recrutement et les parcours de carrière.

La communication doit aussi être précise. Les dirigeants peuvent expliquer quels processus sont automatisés, comment les responsabilités devraient évoluer, comment les employés participeront aux tests et quelles compétences deviendront plus précieuses. Lorsque les effets futurs restent incertains, les dirigeants peuvent exprimer clairement cette incertitude.

La tâche centrale du management consiste à construire la main-d’œuvre en parallèle de la technologie. Les employés les plus proches des clients peuvent améliorer les systèmes d’IA lorsqu’ils disposent de moyens structurés pour les tester, remettre en question leur comportement et réinjecter la connaissance opérationnelle dans le développement.

Mesurer l’IA à l’aune des résultats métier

L’IA change la signification des métriques traditionnelles des centres de contact. Le temps moyen de traitement et les taux de transfert restent utiles sur le plan opérationnel. Leur interprétation devient plus difficile lorsque l’IA résout les interactions de routine et envoie les cas plus difficiles aux employés humains.

La charge de travail sous-jacente a changé. Un agent humain qui passe plus de temps à résoudre un problème client inhabituel peut créer plus de valeur qu’un agent qui clôt rapidement plusieurs demandes simples. Les dirigeants ont donc besoin de mesures qui relient la performance opérationnelle aux résultats clients et métier.

Jonathan Rosenberg, directeur technologique chez Five9, a recommandé de conserver de la visibilité sur les taux de retour des clients, les taux de renouvellement de contrat et les scores de satisfaction client. « Make sure these things remain good, so you’re keeping the top-level picture, » a-t-il déclaré.

Cette distinction est importante lorsqu’on évalue l’économie de l’automatisation. Des appels plus rapides, moins de transferts et des coûts de contact plus faibles peuvent aider une organisation à comprendre l’efficacité des processus. La satisfaction client, la fidélisation, les renouvellements et les résultats de service réussis apportent des preuves sur le fait de savoir si le processus atteint son objectif métier.

Penn Medicine a rencontré ce problème après avoir amélioré l’orientation des appels pilotée par l’IA. Aaron Johnson, directeur marketing par intérim chez Penn Medical, a expliqué que les coûts avaient augmenté à mesure que le système devenait plus efficace pour connecter les patients aux soins. Un accès plus réussi a généré davantage d’activité en aval et donc plus de coûts.

Une mesure étroite de l’efficacité pourrait considérer cette hausse des coûts comme une dégradation. Du point de vue de l’accès aux soins, davantage de patients accédant à des soins appropriés peut représenter un meilleur résultat opérationnel. Cet exemple montre pourquoi les dirigeants doivent définir ce que le système est censé accomplir avant de choisir ses mesures de performance.

Le même principe s’applique au-delà de la santé. Une IA de service client pourrait réduire les coûts de traitement tout en affectant la fidélisation, la satisfaction ou le comportement de renouvellement des contrats. Ces résultats ont des conséquences économiques différentes. Les dirigeants seniors ont besoin d’un framework de mesure qui relie l’activité de l’IA aux résultats que chaque entreprise valorise.

La responsabilité des métriques compte également. Les équipes opérationnelles peuvent se concentrer sur la performance des files d’attente. La finance peut se concentrer sur les coûts. Les responsables commerciaux peuvent se soucier de la fidélisation et du chiffre d’affaires. Les équipes d’expérience client peuvent prioriser la satisfaction. Les décisions d’investissement dans l’IA deviennent plus solides lorsque ces mesures sont évaluées ensemble selon une définition partagée du succès.

Les dirigeants doivent établir cette définition avant de passer à l’échelle d’un déploiement de l’IA. Définissez des mesures opérationnelles pour la performance du système et des mesures métier pour le résultat qu’il est censé produire. Suivez l’évolution dans le temps de la répartition entre travail de l’IA et travail humain. Réexaminez les objectifs à mesure que les contacts de routine se dirigent vers l’automatisation et que la complexité moyenne des cas humains augmente.

Le principe fondamental est simple : la performance de l’IA doit être jugée à l’aune du résultat dont l’organisation a besoin. L’efficacité reste précieuse, tandis que l’effectivité détermine si cette efficacité crée de la valeur métier.

La direction détermine si la transformation par l’IA fonctionne

La transformation par l’IA crée un problème de coordination à l’échelle de l’entreprise. Les équipes technologiques construisent et ajustent les systèmes. Les équipes opérationnelles voient comment ces systèmes se comportent avec les clients. Les RH gèrent l’évolution des compétences et des rôles. La finance suit l’économie. Les dirigeants seniors décident où l’investissement doit aller. Ces groupes ont besoin d’un processus opérationnel partagé.

Les managers intermédiaires et les superviseurs de première ligne sont au cœur de ce processus. Ils voient comment l’IA affecte le travail quotidien et entendent directement les agents lorsque l’orientation échoue, que les besoins des clients changent ou que les politiques empêchent une résolution efficace. Ils peuvent convertir ces observations en exigences précises pour les équipes technologiques et la direction.

La communication doit fonctionner dans les deux sens. Les dirigeants fixent les priorités, les limites de risque et les objectifs de performance. Les managers traduisent ces décisions en pratiques opérationnelles. Les équipes de première ligne génèrent ensuite de nouvelles informations à travers les interactions réelles avec les clients. Les organisations solides capturent ces informations et les utilisent pour ajuster les processus, les politiques, la formation et le comportement de l’IA.

Cela devient particulièrement important lorsque les fonctions de direction ont des objectifs différents. Un DAF peut se concentrer sur les coûts et le retour sur investissement. Un CTO peut prioriser la fiabilité, l’intégration, la sécurité et la scalabilité technique. Les responsables RH peuvent se concentrer sur les capacités de la main-d’œuvre et le changement organisationnel. Les responsables de l’expérience client sont responsables des résultats de service. La direction opérationnelle doit relier ces exigences à des décisions que les employés peuvent exécuter.

Les dirigeants doivent formaliser ce processus de feedback. Les programmes d’IA ont besoin d’une responsabilité claire, de droits de décision définis, de revues opérationnelles régulières et de mécanismes pour faire remonter les problèmes qui traversent les frontières fonctionnelles. Les observations du terrain doivent parvenir aux équipes capables de modifier le système. Les changements doivent ensuite être répercutés dans les consignes données aux employés et dans les procédures opérationnelles.

Cette structure affecte aussi la vitesse d’amélioration. Les interactions clients peuvent révéler des demandes inattendues, une logique d’orientation faible, des conflits de politique et des lacunes dans l’automatisation. Lorsque les équipes opérationnelles peuvent joindre rapidement les décideurs techniques et exécutifs, l’entreprise peut diagnostiquer ces problèmes et ajuster le système plus vite.

Neville Letzerich, directeur marketing chez Talkdesk, voit un potentiel économique important dans la bonne mise en place de ce modèle. « This is a huge opportunity, especially for all of us in customer experience, » a-t-il déclaré. « We can deliver really great customer experiences at a fraction of the cost. We can serve customers faster. We can give them new experiences they didn’t even know about. »

Ces gains exigent un investissement dans les capacités organisationnelles en parallèle des systèmes d’IA. Les entreprises ont besoin de managers qui comprennent les opérations client, peuvent travailler efficacement avec les équipes techniques et savent expliquer clairement les priorités métier dans les deux sens.

Pour la direction générale, l’enjeu clé est la gouvernance. Attribuez la responsabilité des résultats clients et métier. Donnez aux responsables opérationnels accès aux preuves du terrain. Établissez des canaux clairs entre les opérations, la technologie, la finance et les RH. Donnez aux managers suffisamment d’autorité pour transformer ces informations en action.

L’IA peut changer le coût et la rapidité du service client. La direction détermine si ces gains techniques deviennent des résultats métier durables.

Réflexions finales

L’IA peut éliminer rapidement le travail de routine du service client. La tâche la plus difficile consiste à repenser l’organisation autour de ce qui reste. Les agents humains géreront une concentration plus élevée d’interactions inhabituelles, sensibles et à fort enjeu. Leurs outils, leur autorité, leur formation et leurs mesures de performance doivent évoluer avec cette charge de travail.

Pour les dirigeants, cela déplace la priorité du déploiement vers la conception opérationnelle. Commencez par des problèmes métier définis. Testez l’IA avec des projets pilotes contrôlés. Mettez en place des transferts fiables vers des employés qualifiés. Mesurez les résultats clients et métier en parallèle de l’efficacité. Donnez aux équipes de première ligne un accès direct aux personnes capables d’améliorer les systèmes et les politiques.

La stratégie de main-d’œuvre mérite une attention égale. Les employés ont besoin d’une visibilité précoce sur l’évolution de leurs rôles et d’opportunités concrètes de façonner les systèmes qu’ils utiliseront. Les managers intermédiaires ont besoin d’une autorité suffisante pour relier les preuves du terrain aux décisions prises dans la technologie, la finance, les RH et les opérations.

La prochaine phase de l’IA sera déterminée par l’exécution. Les entreprises qui combinent une automatisation efficace avec une prise de décision humaine plus solide peuvent servir les clients plus rapidement, utiliser les employés qualifiés plus efficacement et apprendre des interactions difficiles. La technologie crée la capacité. La direction détermine ce que l’entreprise en fait.