Pourquoi l’IA du support peut accroître l’effort client

Les mesures opérationnelles montrent ce qui est arrivé à la charge de travail de l’entreprise. Les résultats côté client exigent un test distinct : savoir si le client a résolu le problème et quelle quantité d’effort le processus a demandée.

Pour les dirigeants, cette distinction change la question de l’investissement. L’efficacité mesure le travail que l’organisation a évité, automatisé ou accéléré. L’effort client mesure le travail qu’une personne doit fournir pour accomplir une tâche de support, notamment naviguer entre des étapes, répéter des informations, changer de canal ou chercher une autre réponse. Un système de support doit mesurer ces résultats séparément au lieu de déduire l’un de l’autre.

Les métriques opérationnelles répondent à une question d’exploitation

Le volume d’appels, la durée moyenne de traitement, l’automatisation et le coût du support répondent à des questions de gestion concrètes. Ils montrent quelle part de la demande est parvenue aux employés, combien de temps ont duré les interactions mesurées, quelle quantité de travail a été automatisée et quel a été le coût du service. Ces mesures comptent pour l’économie d’un investissement en IA.

Le taux de confinement mesure si une conversation avec un chatbot se termine sans basculer vers un autre canal de support, comme un agent humain. Un taux de confinement plus élevé peut indiquer que moins d’interactions parviennent aux employés, mais il n’établit pas ce qui s’est passé du point de vue du client. La résolution suppose de savoir si la personne a mené la tâche à bien et quel effort cela a demandé.

La déviation des appels a la même limite de mesure. Éviter qu’un appel n’arrive à un centre de contact peut réduire la demande lorsque le self-service résout le problème. Un appel dévié, à lui seul, ne permet pas de savoir si le client a trouvé une réponse, abandonné la tâche ou utilisé un autre canal. Ces résultats doivent être mesurés plutôt que déduits.

Le succès des métriques peut masquer le travail du client

Prenons le cas d’un client qui demande à parler à une personne et doit d’abord passer par plusieurs échanges avec un chatbot. Le canal automatisé peut garder l’interaction confinée alors que chaque échange imposé ajoute du travail pour le client. La question clé est de savoir si ces échanges font progresser le dossier vers sa résolution. Si ce n’est pas le cas, le système a transféré l’effort de l’organisation vers le client.

Le même principe s’applique à la conception des réponses. Un assistant virtuel peut produire plusieurs paragraphes pour une question à laquelle on peut répondre avec précision par « oui » ou « non ». Plus de texte ne rend pas une réponse plus utile. La réponse utile donne au client suffisamment d’informations exactes pour accomplir la tâche avec moins d’effort.

La perte de contexte crée une autre forme de travail côté client. Si une personne doit expliquer à plusieurs reprises le même problème parce que des interactions distinctes ne transmettent pas les informations pertinentes à l’étape suivante, le client devient responsable de reconnecter le parcours. Chaque composant peut remplir sa fonction alors que le processus global reste inefficace pour la personne qui cherche de l’aide. Le contexte doit survivre aux transferts qui composent un même parcours de support.

L’activité commerciale peut aussi ajouter du travail lorsqu’elle interrompt la résolution. Un client qui cherche de l’aide pour un problème urgent peut se voir proposer un produit avant que le problème soit résolu. Cette recommandation répond à un objectif commercial distinct. Lorsqu’elle retarde la tâche en cours, le client doit accomplir une activité supplémentaire avant d’atteindre le résultat attendu.

L’abandon pose le même problème de mesure que le confinement. Quitter un chatbot met fin à l’utilisation des ressources dans ce canal, mais cet événement, à lui seul, n’établit pas la résolution. La personne peut poursuivre ailleurs ou cesser d’essayer. Mesurer le résultat côté client évite qu’une disparition non résolue soit implicitement comptée comme un succès.

Les mesures opérationnelles, à elles seules, ne permettent pas d’établir les effets sur la confiance, la frustration, la satisfaction ou la fidélisation. Les dirigeants doivent mesurer directement ces résultats lorsqu’ils comptent, plutôt que de les remplacer par un proxy opérationnel.

L’escalade peut réduire l’effort client

Le bon point d’arrivée dépend du problème. L’objectif de conception est d’offrir une voie fiable vers la résolution avec aussi peu de travail client inutile que possible. L’escalade doit être évaluée comme faisant partie du parcours de support complet.

Pour chaque interaction, les dirigeants peuvent se demander si l’automatisation résout le besoin efficacement ou aide un employé à le résoudre avec moins de travail redondant. Cela traite l’automatisation et l’expertise humaine comme des composantes d’un même système de support.

Utiliser l’IA pour retirer du travail du parcours

La conservation du contexte fournit un test concret. Lorsque les informations pertinentes accompagnent un dossier, l’employé suivant peut commencer avec les informations que le client a déjà fournies. Le client évite de reconstituer le même historique à chaque transfert. L’unité d’analyse utile est le travail retiré du parcours complet.

Cela donne aux dirigeants un test pratique pour évaluer les promesses des fournisseurs. Traduisez les promesses sur la rapidité, la personnalisation, la productivité ou la réduction des coûts en un parcours client précis, puis identifiez les frictions que la technologie est censée supprimer. Demandez ce qui change pour l’employé, ce qui change pour le client, et si l’IA proposée est nécessaire pour produire ce changement. Évaluez le résultat à travers la résolution et l’effort client.

Points clés à retenir pour les décideurs

Mesurez séparément l’efficacité et les résultats côté client : Le volume d’appels, la durée de traitement, le confinement, l’automatisation et le coût montrent la performance opérationnelle. Associez-les à des mesures de résolution et d’effort client pour comprendre l’effet complet du support par IA.
Suivez le travail du client sur l’ensemble du parcours : Des échanges répétés avec un chatbot, la perte de contexte, une activité commerciale prématurée et l’abandon peuvent donner l’impression que les métriques opérationnelles sont bonnes alors que les clients fournissent davantage d’effort. Les responsables du support doivent mesurer si chaque étape fait progresser le client vers la résolution.
Traitez l’escalade comme une partie de la résolution : Faire passer un client à un employé peut réduire l’effort lorsque l’automatisation ne peut pas résoudre le problème efficacement. Concevez l’escalade de sorte que le contexte pertinent suive le dossier et que les clients évitent de répéter les informations.
Évaluez les investissements en IA à l’aune du travail supprimé : Les acheteurs de technologies doivent relier les promesses des fournisseurs à des parcours de support précis et identifier les frictions que l’IA supprimera pour les clients et les employés. Évaluez les résultats à travers la résolution et l’effort client, en parallèle de l’économie opérationnelle.