Comment répartir les rôles entre IA et conseillers

Les économies de coûts à elles seules ne peuvent pas décider de la place de l’IA dans le service client

Une tâche de service client peut être coûteuse en personnel et facile à automatiser, tout en restant un mauvais choix pour l’IA. Les clients peuvent avoir besoin d’un jugement spécialisé, d’une compréhension de leur situation ou d’une réponse qui reconnaît la charge émotionnelle de leur problème. Un calcul d’économies ne peut pas déterminer si la suppression de l’intervention humaine préservera ces qualités.

Pourtant, la question de déploiement la plus courante, « que pouvons-nous automatiser ? », pousse les entreprises à partir des capacités techniques. Elles identifient le travail qu’un système peut exécuter, priorisent les interactions à fort volume et à coûts de personnel élevés, puis calculent les économies. Cette séquence attribue le travail avant d’avoir établi ce dont les clients ont besoin ou les points où l’IA et les personnes ont des forces différentes dans une interaction.

Une meilleure répartition commence par ces forces et reste ouverte à la révision. Les équipes doivent décider quelles interactions sont prises en charge par l’IA, lesquelles exigent des personnes et comment les clients passent de l’une à l’autre. L’adéquation à la tâche, la clarté de l’information, la confiance des clients et l’accès à des humains doivent orienter ces décisions au même titre que le coût, afin que les choix de déploiement tiennent compte des clients qui ont besoin de jugement ou doutent qu’un service automatisé comprenne et résolve leur problème.

Tester les combinaisons humain-IA face à l’alternative la plus solide

La première décision de répartition consiste à déterminer si la combinaison de personnes et d’IA améliore le travail. Une équipe du MIT Center for Collective Intelligence a examiné plus de 100 études sur la collaboration humain-IA, couvrant 370 résultats mesurés dans 106 expériences. En moyenne, les systèmes combinés n’ont pas surpassé la plus performante des deux alternatives, humain seul ou IA seule.

« C’était notre constat le plus surprenant », a déclaré Thomas Malone, professeur à la MIT Sloan et directeur du MIT Center for Collective Intelligence. Certaines combinaisons ont obtenu de moins bons résultats ; Malone a décrit cette sous-performance comme « statistiquement significativement inférieure ». Ces résultats remettent en cause l’hypothèse selon laquelle associer des personnes et l’IA permet automatiquement de préserver les forces des deux.

Pour les responsables du service, ce constat change le benchmark d’un workflow proposé. Une combinaison peut améliorer un processus existant tout en restant moins performante que la meilleure option autonome. La tester face à cette alternative plus solide montre si la coordination supplémentaire et l’intervention humaine améliorent suffisamment les résultats pour les justifier.

L’examen identifie aussi les cas où la participation humaine aide : les équipes humain-IA ont surpassé l’IA seule sur les tâches exigeant un jugement spécialisé, du contexte et de l’intelligence émotionnelle. Dépasser l’IA seule est un résultat plus limité que dépasser le meilleur système autonome, mais cela montre où les personnes peuvent améliorer un processus piloté par l’IA. Michelle Vaccaro, au MIT, décrit cette différence comme la force de l’IA dans les tâches répétitives et fondées sur les données, et la force des personnes dans le contexte et l’intelligence émotionnelle.

Ces différences donnent aux équipes une raison d’examiner l’organisation du travail lorsqu’une combinaison est moins performante. Ajouter simplement l’IA ou une personne laisse les responsabilités en suspens ; chaque contribution doit correspondre aux exigences de la tâche. La recherche couvre la collaboration sur différents types de tâches ; son application au service client exige donc de tester le workflow proposé et de poser une question distincte : les clients l’acceptent-ils ?

L’acceptation des clients a besoin de ses propres preuves

Les enquêtes clients montrent pourquoi la réussite d’une tâche ne peut pas tenir lieu d’acceptation. Dans l’étude consommateurs Customer Experience Optimization 2025-26 de Metrigy, 84,7 % des participants préféraient un humain à un agent IA. Lorsqu’on leur garantissait que leur problème serait résolu, 80,1 % préféraient encore une personne. Cette garantie était une condition de l’enquête ; le résultat mesure donc une préférence déclarée dans cette condition, et non des réactions à une résolution par IA réellement vécue.

Metrigy a un intérêt commercial dans la demande de recherche sur l’expérience client, ce qui compte lorsqu’on utilise ses conclusions pour orienter des décisions de déploiement. Son étude a également montré que 46 % des participants étaient prêts à utiliser des agents IA à des fins particulières. Cette disposition sélective peut coexister avec une préférence générale pour les personnes, car accepter l’automatisation pour une tâche définie diffère du choix d’une forme de support préférée dans l’ensemble.

Le temps d’attente laisse lui aussi intacte une grande partie de la préférence pour les personnes. Une enquête 2025 de HubSpot/SurveyMonkey menée auprès d’environ 15 000 consommateurs sur sept marchés a montré que 82 % préféraient un support humain lorsque les temps d’attente étaient identiques, tandis qu’environ un quart déclaraient apprécier l’IA dans les interactions de service client. HubSpot et SurveyMonkey ont des intérêts commerciaux respectivement dans le service client et les outils d’enquête. L’égalité des temps d’attente retire à cette comparaison l’avantage de la rapidité tout en laissant ouverts les autres aspects de l’interaction.

Ensemble, ces enquêtes établissent que les clients peuvent préférer les personnes tout en restant disposés à utiliser l’IA de manière sélective. Elles mesurent des conditions différentes et doivent éclairer des questions de déploiement distinctes : quelles tâches les clients acceptent qu’une IA prenne en charge, et qu’est-ce qui les pousse à rechercher une aide humaine. Les équipes de service doivent examiner si la complexité, les conséquences et les exigences émotionnelles modifient ces réponses chez leurs propres clients.

Les choix rapportés dans des marques non nommées offrent une autre vision de l’acceptation. Lors de conversations avec des responsables de l’expérience client dans des marques proposant un véritable choix entre l’IA et une personne, il a été rapporté que les clients choisissaient souvent l’IA parce qu’elle était rapide, précise et les comprenait. Ces récits décrivent des comportements dans des services particuliers ; les enquêtes décrivent des préférences déclarées dans des groupes plus larges. Chacun répond à une question différente.

Les expériences de ces marques suggèrent qu’une IA performante peut satisfaire chez certains clients le besoin d’être compris et d’obtenir une résolution. La préférence plus large pour les personnes reste importante ; les entreprises ont donc intérêt à tester un usage sélectif de l’IA tout en tenant compte des clients qui continueront à choisir un service humain.

Répartir le travail selon les exigences de la tâche

L’usage sélectif nécessite une répartition initiale que les équipes peuvent tester. Commencez par identifier si la réussite dépend principalement de la répétition, du volume et du traitement des données, ou d’un jugement spécialisé, d’une compréhension contextuelle et de l’intelligence émotionnelle. Attribuez ensuite la responsabilité à chaque étape, y compris la manière dont les personnes et l’IA travaillent ensemble lorsqu’une demande contient ces deux types d’exigences.

Les forces comparatives de l’IA font des tâches répétitives, à fort volume et fondées sur les données des candidates raisonnables à l’automatisation. La détection de motifs, la prévision et le tri illustrent ces exigences, tandis que les usages transactionnels acceptés relevés par Metrigy montrent comment des tâches clairement définies apparaissent dans le service client : orienter quelqu’un vers la bonne personne, confirmer une expédition ou une commande, et planifier. Chacune donne au client un résultat relativement clair à reconnaître.

Un résultat clair fait d’une tâche un point de départ pertinent pour l’évaluation, mais l’acceptation par les clients et la performance opérationnelle nécessitent toujours des tests distincts. Un client peut apprécier une planification automatisée même lorsqu’une mise en œuvre la gère mal. À l’inverse, un système peut exécuter avec succès la tâche de planification alors qu’un client continue de préférer une personne.

Les interactions plus conséquentes exigent une attention plus étroite à la manière dont le contexte modifie une réponse satisfaisante. Une demande peut contenir des étapes fortement axées sur les données tout en nécessitant qu’une personne interprète les circonstances ou exerce son jugement. L’intervention humaine doit rester en place lorsque ces exigences influencent matériellement le résultat, l’IA se voyant attribuer les parties qu’elle traite bien.

Cette répartition est une hypothèse de départ pour la base clients réelle. Distinguez les demandes transactionnelles des demandes complexes, lourdes de conséquences ou émotionnelles, puis examinez l’acceptation et les résultats dans chaque groupe. Les forces comparatives de l’IA et les usages transactionnels acceptés par les clients peuvent orienter vers la même répartition, mais chacun exige ses propres preuves avant que la responsabilité ne s’étende.

Informer clairement sur l’IA et concevoir l’accès à des personnes

Une fois la responsabilité répartie, les clients doivent comprendre qui traite leur demande. En vertu de l’Article 50 de l’AI Act de l’UE, les personnes doivent être informées lorsqu’elles interagissent avec une IA depuis le 2 août 2026. Les équipes de service client doivent donc identifier les interactions pertinentes dans l’UE impliquant un chatbot, un assistant virtuel ou un système téléphonique automatisé, et rendre cette information claire dès le début.

Le bon moment fait de cette information une partie du flux de service. Un avis vague enfoui dans les conditions générales ne satisfait pas à l’exigence d’information décrite par l’Article 50 ; les équipes doivent donc décider comment les clients apprennent que l’IA est impliquée avant de poursuivre. L’avis doit se trouver là où les clients rencontrent le système et peuvent comprendre son rôle.

Comprendre ce rôle soulève une autre question : comment les clients peuvent-ils joindre une personne ? L’Article 50 établit l’obligation d’information, tandis que la mise à disposition d’un accès clair à un humain est une recommandation de conception de service pour les clients qui ont besoin ou préfèrent une aide humaine. Maintenir ces responsabilités distinctes aide les équipes à attribuer correctement la responsabilité et évite de présenter chaque fonctionnalité de service souhaitable comme une exigence légale.

Les deux décisions peuvent fonctionner ensemble pour soutenir la confiance. L’information aide les clients à comprendre l’interaction, et un accès visible à une personne leur donne un moyen d’agir selon leur préférence. Ces choix peuvent accroître la confiance dans le service automatisé et la volonté de l’utiliser plus tard, même si la confiance dépend toujours de ce qui se passe pendant l’interaction.

Utiliser quatre signaux pour concevoir la responsabilité et les transferts

La répartition des tâches et la conception de l’interaction doivent être vérifiées à l’aune de ce qui se passe dans l’ensemble du service. Un framework pratique, Four Signals, réunit Friction, Conditional Preference, Transparency et Frontline Knowledge. Il s’agit d’une synthèse de travail pour la conception de service plutôt que d’un modèle prédictif validé ; elle aide les équipes à comparer différents types de preuves avant d’attribuer la responsabilité.

Friction commence par l’effort que les clients fournissent déjà tout au long de leur parcours. Cartographiez l’étape confuse, le moment où quelqu’un abandonne le processus et le point auquel il cherche de l’aide, puis cherchez pourquoi chacun de ces cas se produit. Ces observations révèlent des problèmes antérieurs à l’automatisation. Transférer une étape difficile à un bot peut préserver ou aggraver la difficulté tant que la cause sous-jacente ne change pas.

Une fois la difficulté comprise, Conditional Preference ajoute le jugement du client sur la personne qui devrait la prendre en charge. Déterminez quelles tâches la population réelle de clients accepte de confier à l’IA et lesquelles suscitent une préférence pour une personne. Les enquêtes générales apportent du contexte, tandis que les preuves locales guident la répartition et évitent que la volonté d’utiliser l’IA pour un objectif ne devienne une autorisation d’automatiser chaque interaction.

Les préférences des clients n’ont de sens que lorsque les personnes comprennent les choix disponibles, ce qui est le point d’entrée de Transparency dans le framework. Vérifiez si l’information sur l’IA et l’accès à un humain décrits plus haut sont compréhensibles au moment de l’usage. Même avec cette information, une interaction peut éroder la confiance lorsque les clients ne parviennent pas à déterminer l’étape suivante ou à obtenir l’aide dont ils ont besoin.

Frontline Knowledge confronte ensuite l’expérience conçue à la réalité opérationnelle. Les équipes Customer Success, Support et terrain rencontrent des parcours automatisés défaillants, des difficultés clients et des tentatives de résolution qui échouent. Leur connaissance est souvent non structurée, mais elle peut révéler des problèmes avant qu’ils n’apparaissent dans les rapports formels. Consulter ces équipes permet d’intégrer l’expérience dans des décisions de répartition que des mesures agrégées peuvent masquer.

Comparer les quatre signaux permet aux équipes d’examiner la même décision de service sous plusieurs angles. Friction identifie l’effort, la préférence identifie l’acceptation, la transparence teste une participation éclairée, et la connaissance du terrain révèle les lacunes opérationnelles. Lorsque ces observations soutiennent la même répartition, la décision repose sur plusieurs fondements distincts. Lorsqu’elles sont en conflit, les équipes disposent d’une question précise à examiner avant de modifier la responsabilité.

Agir sur ces constats exige de repenser l’ensemble du processus autour de la répartition. Précisez qui est responsable de chaque étape et de chaque transfert, c’est-à-dire le passage d’une interaction entre l’IA et une personne ou entre personnes, afin que le client conserve un chemin clair vers la résolution. Cette même conception doit établir comment les clients accèdent à une aide humaine et qui prend la responsabilité lorsqu’un parcours automatisé échoue.

La responsabilité va donc au-delà du choix de la technologie. L’octroi d’une licence pour un modèle d’IA fournit un outil, tandis que l’organisation de service doit attribuer la responsabilité des résultats, des parcours défaillants et des modifications ultérieures de la répartition. La qualité de ces décisions opérationnelles compte ici davantage que la puissance du système sous licence. La participation humaine doit avoir un rôle planifié dans le maintien de la relation client, soutenu par une responsabilité clairement définie.

Réviser la responsabilité à mesure que les clients et les résultats évoluent

Une fois la responsabilité établie, les équipes peuvent utiliser le véritable choix du client pour examiner où l’IA a gagné en confiance. Les expériences des marques non nommées illustrent pourquoi ce choix peut révéler une acceptation qu’une enquête générale sur les préférences ne détecte pas. Laissez les clients faire l’expérience de la rapidité, de la précision et de la capacité de l’IA à comprendre une demande, tout en rendant son rôle clair et en maintenant l’accès à une personne.

Le choix du client doit ensuite être considéré avec les résultats opérationnels avant que l’IA n’assume davantage de responsabilité. Cette méthode proposée pour une extension sélective tient compte des clients qui continuent de préférer les personnes même lorsque la résolution réussie et le temps d’attente sont pris en compte. Leur préférence reste une partie de la décision opérationnelle, car l’amélioration technique ne l’élimine pas nécessairement.

Un responsable comptable doit aussi pouvoir réduire le rôle de l’IA lorsque les preuves l’exigent. Cette personne doit avoir l’autorité de maintenir la responsabilité humaine, de la rétablir après un transfert infructueux ou d’approuver une étape automatisée supplémentaire lorsque le comportement des clients et les résultats du service justifient le changement. Là où la confiance ne s’est pas encore développée, l’intervention humaine doit rester disponible, et le processus doit rendre opérationnellement possible le retour de la responsabilité aux personnes.

Recap

La décision de direction n’est pas de savoir quelle part du service client l’IA peut automatiser, mais où elle doit assumer la responsabilité. Les économies de coûts ont leur place dans cette décision, aux côtés de la performance de la tâche, de l’acceptation par les clients et du jugement qu’une interaction exige. Aucune de ces mesures ne peut se substituer aux autres.

Avant d’élargir le rôle de l’IA, les dirigeants doivent exiger des preuves que le workflow proposé fonctionne bien face à l’alternative la plus solide. Ils doivent aussi établir si les clients l’acceptent, si les personnes peuvent accéder à une aide humaine et qui est responsable de la résolution lorsqu’un parcours automatisé échoue. Une transaction réussie à elle seule ne répond pas à toutes ces questions.

Traitez chaque répartition comme une décision révisable. Donnez à un responsable clairement identifié l’autorité d’élargir le rôle de l’IA lorsque les résultats le justifient et de rétablir la responsabilité humaine lorsqu’ils ne le justifient pas. L’objectif est une opération de service qui utilise l’IA là où elle aide, préserve le jugement humain là où il compte et reste responsable devant le client tout au long du processus.