Quand les clients abandonnent, les problèmes restent ouverts

La résolution doit définir le succès de l’IA dans le support complexe

Un client qui cesse de contacter le support peut toujours avoir un problème non résolu. Pour les dirigeants qui déploient une IA agentique, c’est-à-dire des systèmes capables d’agir pour mener une tâche à bien, cela fait de la baisse des contacts une mesure de succès incomplète. Le véritable test consiste à savoir si le client obtient la résolution du problème, y compris via un transfert simple vers un humain qui reçoit le contexte de l’interaction.

Les recherches de Zingtree et CMSWire INSIGHTS montrent pourquoi cette distinction est importante. L’enquête de Zingtree menée auprès de plus de 1 000 consommateurs américains, réalisée avec CMSWire INSIGHTS pour Why Complex CX Is the Real Proving Ground for Agentic AI, examine les expériences et les perceptions de l’IA dans des situations de support exigeantes. Zingtree est propriétaire de l’enquête et a un intérêt commercial dans la manière dont les entreprises investissent dans l’automatisation du support. Les lecteurs doivent évaluer ses conclusions et recommandations en gardant cet intérêt à l’esprit.

L’étude se concentre plus étroitement sur l’expérience des consommateurs que les études plus larges sur les opérations et le ressenti dans les centres de contact. Elle combine les attitudes générales envers l’IA, les expériences de support non résolu et la disposition à utiliser l’IA agentique déclarée. Chacun répond à une question différente : ce que les consommateurs ont vécu, comment ils réagissent et ce qui les rendrait disposés à utiliser l’IA. Garder ces catégories distinctes aide les équipes à transformer les résultats en critères de déploiement utiles.

Ces critères doivent relier les mesures opérationnelles aux résultats clients. Le taux de confinement des tickets mesure si un cas reste dans un processus de support automatisé, tandis que la déflexion mesure les contacts détournés d’un autre canal de support. Les deux aident les organisations à comprendre l’activité et les coûts opérationnels, mais savoir si un problème est résolu exige des preuves de résolution. Les retours des consommateurs aident à révéler si la baisse des volumes de contact reflète un travail achevé ou une demande non résolue susceptible d’affecter la fidélité.

Le support complexe inclut les contacts répétés, les cas longs et les enjeux élevés

L’écart entre la baisse des contacts et la résolution est particulièrement important lorsqu’un problème exige une attention soutenue ou entraîne des conséquences sérieuses. Zingtree et CMSWire INSIGHTS définissent le support complexe à travers trois conditions de qualification : des interactions répétées, une résolution prenant plus de 30 minutes ou un sujet à forts enjeux. Une seule de ces conditions suffit pour qu’un cas soit qualifié.

Selon cette définition, la complexité va au-delà de la difficulté technique d’une question. Un client peut être confronté à un processus exigeant parce qu’il doit revenir à plusieurs reprises, consacrer beaucoup de temps à obtenir de l’aide ou traiter une erreur aux conséquences graves. Les questions financières et de santé illustrent bien ces enjeux. Les demandes liées à la santé impliquant des informations sensibles, les demandes d’indemnisation d’assurance et les transactions bancaires font également de la gestion de l’information une partie du problème de support.

Ces cas diffèrent du travail que, selon Zingtree et CMSWire INSIGHTS, la plupart des équipes d’expérience client ont déjà automatisé : les réinitialisations de mot de passe, les vérifications de solde et les demandes de suivi de routine. Les organisations décrivent des équipes qui évoluent vers des cas plus précieux et plus critiques, où les effets de l’IA agentique sont moins bien compris. À mesure que les enjeux augmentent, la question pratique devient de savoir si l’IA peut mener le travail à bien dès la première tentative. Des échecs répétés peuvent épuiser la volonté du client de continuer avant que le problème ne soit résolu.

Moins de contacts peut signifier que les clients ont abandonné

Les conclusions plus larges de l’enquête sur le support montrent pourquoi cette volonté est importante. La moitié des consommateurs interrogés ont déclaré avoir rencontré au cours de l’année passée un problème de support client qui n’a jamais été entièrement résolu. Parmi les consommateurs ayant des cas non résolus, 50 % ont fini par cesser d’essayer de résoudre le problème. Le second chiffre décrit l’abandon au sein du groupe des cas non résolus : des personnes déjà confrontées à un travail inachevé.

L’abandon peut sembler être un résultat opérationnel favorable parce que l’entreprise ne reçoit plus aucune demande supplémentaire. Pourtant, le client peut toujours avoir besoin que le problème initial soit corrigé, ce qui crée un écart entre le nombre de contacts enregistré par l’entreprise et le résultat obtenu par le client. Zingtree et CMSWire INSIGHTS identifient les frictions dans le processus de support comme un facteur fréquent des problèmes non résolus. Lorsque demander de l’aide exige plus d’efforts qu’un client n’est prêt à en fournir, un travail inachevé peut disparaître des volumes de contact actifs tout en restant un risque pour l’entreprise.

Ces expériences de support expliquent pourquoi la fin du contact est un mauvais substitut à la résolution, tandis qu’un résultat distinct montre comment les consommateurs réagissent spécifiquement au support automatisé. Quarante-quatre pour cent des répondants à l’enquête Zingtree et CMSWire INSIGHTS ont déclaré qu’ils essaient d’éviter l’IA chaque fois qu’ils le peuvent. Ils indiquent déjà chercher une autre voie pour obtenir de l’aide. Une baisse des interactions avec l’IA peut donc refléter une demande qui se déplace ailleurs, ce qui oblige les équipes à suivre si les clients accomplissent leur tâche via un autre canal.

Les consommateurs déclarent également avoir peu de tolérance pour les échecs répétés de l’IA. Plus des deux tiers, soit 68 %, des répondants à l’enquête ont déclaré qu’ils abandonneraient le support par IA après deux tentatives infructueuses. Il s’agit ici d’un seuil déclaré pour un comportement futur, tandis que l’évitement de l’IA est un comportement que les répondants disent déjà pratiquer. Zingtree et CMSWire INSIGHTS relient la tolérance limitée et l’évitement de l’IA comme des préoccupations connexes ; les équipes de déploiement doivent suivre séparément les tentatives échouées et les changements de canal afin de comprendre comment chacun affecte l’achèvement.

L’enquête met également en évidence un scepticisme quant aux intérêts que servent les systèmes de support. Soixante-sept pour cent des répondants estiment que les entreprises structurent le support autour de leur propre réduction des coûts et de leur efficacité, plutôt que de résoudre les problèmes des clients. Même une automatisation qui fonctionne comme prévu se heurte à cette difficulté, car les clients jugent l’objectif du processus à l’aide qu’ils reçoivent. L’efficacité reste un objectif légitime, mais les équipes doivent montrer en quoi elle contribue à l’achèvement des tâches des clients.

L’accès facile à un humain fait partie de la disposition à utiliser l’IA

L’achèvement est une condition explicite de l’acceptation de l’IA. Soixante pour cent des répondants à l’enquête Zingtree et CMSWire INSIGHTS ont déclaré qu’ils acceptent d’interagir avec l’IA si celle-ci résout complètement leur problème. Pour les équipes de déploiement, cela place le résultat au centre de l’interaction : les clients doivent pouvoir faire ce que leur demande de support était censée leur permettre de faire. Une interaction qui laisse le problème initial ouvert n’est pas suffisante.

L’accès à un humain est une autre condition, en particulier pour les cas exigeants. Soixante-six pour cent des répondants à l’enquête ont déclaré qu’ils utiliseraient l’IA agentique pour des problèmes complexes si joindre un humain était facile. Ces répondants considèrent l’usage de l’IA et l’accès à une personne comme des composantes compatibles du service. Rendre l’aide humaine difficile à obtenir peut donc affaiblir une condition dans laquelle les consommateurs disent être prêts à commencer ou à poursuivre avec l’IA.

Un accès facile exige aussi un processus de transfert utile. Soixante-quatre pour cent des répondants à l’enquête ont convenu qu’un passage fluide de l’IA à un humain, avec conservation du contexte, les rendrait plus disposés à réutiliser l’IA. Préserver le contexte signifie fournir à l’humain les informations pertinentes issues de l’interaction précédente afin que le support puisse reprendre à partir du travail déjà effectué. Comme ce résultat concerne la disposition déclarée à revenir vers l’IA, le transfert lui-même compte dans l’évaluation de l’adoption.

Le contexte détermine si l’effort précédent du client reste utile. Lorsqu’un humain reçoit l’historique du problème et les informations déjà collectées, le client peut continuer à chercher une résolution sans devoir reconstituer le dossier. Cette continuité peut réduire le travail nécessaire pour obtenir de l’aide à travers des contacts répétés, un cas long ou un problème sensible. Les équipes doivent donc examiner quelles informations parviennent à la personne qui prend le relais, en plus de la facilité avec laquelle le client peut la joindre.

L’intervention humaine peut aussi prendre une autre forme. Un autre résultat de 66 % concerne les consommateurs qui préfèrent traiter avec des agents humains plutôt qu’avec l’IA ; Zingtree et CMSWire INSIGHTS indiquent que ce groupe reste à l’aise avec le fait que ces agents utilisent des outils d’IA pour les aider. Cette préférence diffère de la disposition à utiliser l’IA agentique lorsque l’accès à un humain est facile. Elle montre comment une préférence pour le contact humain peut coexister avec l’acceptation d’une IA opérant en arrière-plan.

Ces préférences appellent une évaluation distincte de trois configurations de service : l’IA qui gère l’interaction avec le client, l’IA qui transfère le client à une personne, et une personne qui utilise des outils d’IA tout en fournissant le service. Chacune répartit différemment le contact client et la responsabilité. Les équipes doivent mesurer l’acceptation et la résolution pour chaque configuration, car la disposition à utiliser l’une d’elles leur donne une base pour évaluer cette forme particulière de service.

Évaluer la résolution sur l’ensemble du support IA et humain

La réponse pratique consiste à évaluer la résolution sur l’ensemble de la séquence d’assistance. Enregistrez séparément les résolutions réussies par l’IA seule et les résolutions réussies impliquant une personne, tout en reconnaissant que les deux peuvent répondre à l’objectif de résultat client. Conservez le confinement et la déflexion comme mesures opérationnelles, et évaluez-les en parallèle de la question de savoir si le travail du client est achevé. Les équipes peuvent alors distinguer un achèvement efficace des cas qui laissent le processus de support inachevé.

L’évaluation doit aussi examiner les conditions que les consommateurs associent à l’acceptation de l’IA : un accès facile à un humain et un transfert qui conserve le contexte pertinent. Ces recommandations de déploiement découlent des résultats de l’enquête sur la disposition à utiliser l’IA. Les équipes peuvent évaluer si les clients peuvent joindre une personne, quelles informations accompagnent le transfert et si le problème est finalement résolu. Pour les clients qui ont déjà investi du temps dans un dossier, un mauvais transfert ajoute du travail à une tâche inachevée.

Les conséquences de l’échec augmentent à mesure que l’IA prend en charge des interactions sensibles ou à forts enjeux. Zingtree et CMSWire INSIGHTS décrivent comment des capacités accrues élargissent l’exposition aux hallucinations, c’est-à-dire aux informations incorrectes générées par l’IA, ainsi qu’à la mauvaise gestion des données clients. Dans leur analyse, les échecs consomment la volonté limitée des consommateurs de réessayer, tandis que des contrôles insuffisants et un accès difficile à un humain aggravent l’expérience. Les équipes qui évaluent des tâches sensibles doivent donc examiner les contrôles relatifs aux réponses incorrectes et à la gestion inappropriée des informations en même temps que le parcours vers l’assistance humaine.

Ces contrôles donnent aux dirigeants un moyen concret de relier les bénéfices opérationnels à l’exigence des consommateurs d’une résolution complète. Avant d’étendre l’automatisation, les équipes doivent déterminer quelles tâches le système peut accomplir en toute sécurité et comment le support se poursuit lorsqu’il atteint une limite. Elles doivent également évaluer les défaillances importantes pendant le déploiement, y compris leurs effets sur la volonté des clients de continuer à chercher de l’aide. L’efficacité devient alors une décision sur le travail que le système peut accomplir en toute sécurité.

Les risques liés à l’extension concernent aussi l’usage futur de l’IA. Zingtree et CMSWire INSIGHTS qualifient l’ouverture actuelle des consommateurs de « période de grâce ». Ils soutiennent qu’étendre l’IA à des cas à forte valeur tout en privilégiant la déflexion et en limitant l’assistance humaine peut entraîner aujourd’hui une perte de clients et, à l’avenir, un évitement plus large de l’IA. Ce risque commercial donne aux équipes une raison d’examiner comment les interactions échouées affectent l’usage continu de l’IA et les relations clients avant d’étendre l’automatisation à des tâches plus critiques.

La gestion de l’information exige aussi un examen spécifique à mesure que l’automatisation s’étend. Zingtree et CMSWire INSIGHTS décrivent également l’IA comme apprenant à partir des informations et des entrées des consommateurs associées à des interactions réussies et infructueuses. Les équipes de déploiement doivent examiner comment leurs systèmes utilisent ces entrées, notamment si elles alimentent un processus d’apprentissage et comment les informations sensibles sont traitées. Cet examen doit accompagner l’évaluation de l’interaction côté client, car les informations collectées pendant le support peuvent avoir des usages au-delà du traitement de la demande immédiate.

Points clés

• Définir largement le support complexe : Les cas sont qualifiés par des contacts répétés, des temps de résolution supérieurs à 30 minutes ou des sujets à forts enjeux. Les équipes CX qui évaluent l’automatisation doivent apprécier l’effort client et les conséquences en plus de la difficulté technique.
• Suivre la demande non résolue : La moitié des consommateurs interrogés ayant des cas non résolus ont fini par cesser de chercher de l’aide. Les responsables des opérations de support doivent associer les métriques de volume de contacts à des preuves de résolution et suivre les tentatives d’IA échouées ainsi que les changements de canal.
• Faire de l’accès à un humain une composante du service IA : Soixante-six pour cent des répondants ont déclaré qu’ils utiliseraient l’IA agentique pour des problèmes complexes si joindre un humain était facile. Les équipes CX doivent tester l’accès à l’aide humaine et préserver l’historique pertinent du dossier lors des transferts.
• Définir les critères d’extension autour d’un achèvement sûr : Les responsables du déploiement doivent enregistrer séparément les résolutions par IA seule et celles assistées par un humain, tester les contrôles relatifs aux réponses incorrectes et au traitement des données sensibles, et définir comment le support se poursuit lorsque l’IA atteint ses limites. Ces vérifications relient les gains opérationnels à l’achèvement des tâches des clients.