Mise en place d’agents IA conversationnels pour automatiser le support client de TheFork
TheFork est une plateforme de réservation de restaurants qui met en relation des utilisateurs avec des établissements, tout en fournissant aux restaurateurs des outils pour piloter leur activité.
Développeur Fullstack JS/IA
Le contexte de mise en place d’agents IA pour le support client
Les travaux autour de l’IA ont démarré avec un premier POC IA visant à automatiser la prospection via une IA conversationnelle capable d’interagir directement avec des restaurateurs. Le projet a été mis en production et exploité pendant environ deux mois, ce qui a permis de valider la capacité de l’équipe à concevoir rapidement une solution basée sur des LLM.
Mais cette première phase a surtout permis de structurer les briques techniques nécessaires à ce type de système, notamment sur la gestion des flux conversationnels, l’orchestration des modèles et les contraintes de latence dans les échanges. Elle a également mis en évidence les attentes fortes des utilisateurs en matière d’interaction, en particulier sur la fluidité et la perception “humaine” de la conversation.
À partir de ces apprentissages, un nouveau cas d’usage a été identifié côté Customer Care, avec un besoin clair de réduire la charge sur des équipes de support client en sous-effectif tout en améliorant la prise en charge des demandes simples.
L’objectif était de concevoir un agent IA capable de gérer automatiquement certains cas de support, notamment liés aux compensations clients lors d’une annulation, tout en s’intégrant dans les outils existants sans modifier l’expérience utilisateur.
Les enjeux et défis techniques liés à l’industrialisation d’un agent IA
Le premier enjeu concernait l’intégration dans un environnement existant, en l’occurrence Salesforce. L’objectif n’était pas de créer une nouvelle interface, mais de s’insérer dans le système de chat déjà en place, sans rupture dans l’expérience utilisateur.
Un autre point clé portait sur la capacité de l’agent à prendre des décisions fiables. Le traitement des demandes nécessitait de croiser plusieurs sources de données (réservations, statuts, historiques, règles métier) afin de déterminer si une compensation pouvait être accordée ou si le cas devait être escaladé.
La gestion des accès et des permissions était également critique. L’agent devait agir au nom de l’utilisateur tout en garantissant une traçabilité complète des actions. Le choix a été fait de passer par un modèle de délégation plutôt que d’impersonnification, afin de conserver l’identité de l’utilisateur et répondre aux contraintes de conformité et de sécurité.
Enfin, l’observabilité du système représentait un enjeu important. Il était nécessaire de tracer l’ensemble du flux, depuis la requête utilisateur jusqu’à la réponse générée, afin de comprendre le comportement de l’agent et d’améliorer progressivement les performances.
“On ne voulait pas créer un chatbot visible comme tel. L’idée, c’était que l’utilisateur ait l’impression de parler à un humain, alors que derrière c’est un agent qui orchestre tout, en allant chercher les bonnes infos et en prenant la décision.”
