Comment remédier à la dégradation des performances de l'IA après le lancement : la maintenance autonome en production

Le projet pilote a porté ses fruits. La démonstration a impressionné tout le monde. Cela fait maintenant trois mois que vous êtes en phase de production, le nombre de demandes d'escalade ne cesse d'augmenter et votre équipe chargée de la base de connaissances croule sous les mises à jour, qu'elle n'arrive plus à suivre.

La « dégradation de l'IA après le lancement » désigne la perte progressive de précision et d'utilité de l'IA après son déploiement, à mesure que le contenu source évolue, que de nouvelles questions de clients apparaissent et que la base de connaissances ne parvient plus à suivre la réalité.

C'est le principal point faible de l'IA appliquée à l'expérience client en entreprise, et cela tient rarement au modèle lui-même.

Le projet pilote est un succès. La production, en revanche, ne le confirme pas. Ce n’est pas un meilleur modèle qui comblera cet écart, mais une couche de maintenance qui fonctionne en permanence.

Points clés à retenir

• La dégradation des performances de l'IA après son déploiement constitue le principal facteur d'échec des systèmes d'IA destinés à l'expérience client (CX) concurrents : l'IA fonctionne correctement en phase pilote, mais ses performances se dégradent en production.
• La perte de pertinence s'explique par le fait que le contenu source évolue plus rapidement que ne peut le suivre un cycle manuel. Les produits sont mis à jour, les politiques changent et de nouvelles questions apparaissent.
• La maintenance autonome, qui surveille les interactions en temps réel, détecte les lacunes et actualise les intentions lorsque le contenu change, élimine la dégradation des capacités de la plateforme.
• L'alternative, c'est une équipe chargée de la gestion des connaissances qui est toujours à la traîne, toujours en mode réactif, et qui n'est qu'à un changement de politique d'une défaillance en matière de précision vis-à-vis des clients.
• Vous souhaitez découvrir comment la maintenance autonome fonctionne avec vos propres données ? Prenez rendez-vous pour une démonstration.

Qu'est-ce que la « dégradation de l'IA après le lancement » ?

La « dégradation de l'IA après son lancement » désigne le phénomène par lequel la précision, la pertinence et l'utilité d'un système d'IA se détériorent progressivement après son déploiement initial.

En matière d'expérience client (CX), cela se traduit par des réponses obsolètes issues de contenus périmés, de nouvelles questions pour lesquelles aucune intention n'est prise en compte, des taux d'escalade en hausse sans cause apparente, ainsi qu'un écart grandissant entre ce que l'IA sait et ce que l'entreprise propose réellement.

La dégradation n'est pas une défaillance catastrophique. Il s'agit d'une érosion lente et silencieuse qui passe souvent inaperçue jusqu'à ce que le taux de satisfaction client (CSAT) baisse ou qu'un incident de conformité soit mis au jour.

5 étapes pour éviter la perte de performance de l'IA après son lancement

La détérioration peut être évitée, mais seulement si l'entretien devient continu plutôt que ponctuel. Ces cinq étapes permettent d'opérer ce changement.

1. Surveiller en permanence les interactions en temps réel

La dégradation commence dès le lendemain du lancement, et non pas au trimestre suivant. Une surveillance continue des interactions réelles permet de détecter les dysfonctionnements alors qu'ils ne sont encore que des problèmes mineurs, et non pas dans le cadre d'un cycle de révision fixe.

2. Identifier les lacunes dans le contenu avant qu'elles n'atteignent les clients

La détection des lacunes met en évidence les questions posées par les clients auxquelles « No Intent » ne répond pas. Vous comblez cette lacune une bonne fois pour toutes, au lieu de devoir gérer les escalades à ce sujet pendant des semaines.

3. Actualiser automatiquement les intents lorsque le contenu change

Lorsqu'une politique, une page produit ou une grille tarifaire est modifiée, un moteur automatisé identifie toutes les requêtes concernées et prépare la mise à jour, mettant ainsi fin à la période pendant laquelle les clients reçoivent l'ancienne réponse.

4. Des recommandations concrètes, pas seulement des alertes

Une alerte vous signale qu'un problème est survenu. Une recommandation vous propose un projet de modification, la source manquante ou la solution d'escalade à valider, afin que le responsable du contenu puisse se contenter de vérifier les informations plutôt que de tout réécrire à partir de zéro.

5. Publier des mises à jour directement en un seul clic

Les mises à jour validées sont directement intégrées à la base de connaissances en ligne. Pas d'environnement de test, pas de ticket technique, pas de cycle de déploiement entre la correction et le client.

Les 4 signes avant-coureurs indiquant que votre IA dédiée à l'expérience client est en perte de vitesse

La dégradation est silencieuse, mais elle n'est pas invisible. Quatre signes vous indiquent qu'elle a déjà commencé.

Une hausse des taux d'escalade sans cause évidente

Si le nombre d'escalades augmente sans qu'il y ait de campagne, de lancement ou d'événement saisonnier à l'origine, la cause probable est la perte de connaissances. L'IA se heurte à des questions auxquelles elle ne peut pas répondre, car la base de connaissances n'a pas suivi le rythme.

Un indice de satisfaction client (CSAT) stable ou en baisse malgré un taux de déviation élevé

Si le taux de déviation reste stable mais que le CSAT ne s'améliore pas, cela signifie que les clients sont simplement redirigés, et non que leurs problèmes sont résolus. Des réponses stéréotypées poussent les clients frustrés à se tourner vers un autre canal.

Augmenter les taux de relance sur les mêmes sujets

Le fait de recevoir plusieurs demandes concernant un même sujet signifie que la première réponse n'était pas satisfaisante. Souvent, cela s'explique par une réponse qui était correcte il y a six mois, mais qui ne correspond plus à la politique actuelle.

L'équipe chargée des connaissances est toujours à la traîne

Si l'équipe passe son temps à comparer manuellement les articles au contenu source et à mettre à jour les intentions à la main, le modèle n'est pas viable. Elle ne fait que réagir à la dégradation, sans la prévenir.

Pourquoi la maintenance manuelle ne peut pas suivre le rythme

Commençons par les chiffres. Un centre de contact de taille moyenne peut gérer entre 500 et 2 000 intentions définies. Les modifications proviennent des services produit, juridique, conformité, marketing et opérations, et chacune d'entre elles peut affecter plusieurs intentions à la fois.

Les analyses du secteur vont dans le même sens : selon BigDATAwire, l'IA d'entreprise échoue en raison de l'absence d'une couche contextuelle, et non à cause du modèle lui-même, ce que la maintenance manuelle ne permet justement pas d'assurer.

Il y a également un problème de décalage. La maintenance manuelle est réactive : une politique change, plusieurs semaines s'écoulent, un client reçoit l'ancienne réponse, une réclamation est déposée, et ce n'est qu'à ce moment-là que l'équipe identifie et corrige l'intention obsolète.

Le problème des lacunes invisibles est encore plus grave. La maintenance manuelle permet de résoudre les problèmes connus, mais ne peut pas traiter les cas non prévus. Sans détection automatisée des lacunes, celles-ci se multiplient en silence.

Au final, c'est l'échelle qui fait pencher la balance. À mesure que l'IA s'étend à la voix, au chat, à la recherche et aux e-mails, et qu'elle prend en charge plus de 90 langues, la charge de maintenance se multiplie au-delà de ce que la gestion manuelle peut supporter.

Ce dont les utilisateurs ont réellement besoin : le fossé entre l'expérience avant et après le lancement

Lorsque le déclin s'installe, les clients reçoivent des réponses qui semblent assurées, mais qui sont en réalité discrètement dépassées. Ils agissent en se basant sur une politique obsolète, se heurtent à une contradiction avec un conseiller en direct et finissent par perdre toute confiance dans ce canal.

Les responsables des bases de connaissances et les responsables de centres de contact ont besoin d'autre chose : une visibilité sur les intentions qui échouent et les raisons de ces échecs, des recommandations qu'ils peuvent approuver rapidement, ainsi qu'un moyen de publier des corrections sans passer par la file d'attente des ingénieurs.

Les DSI et les directeurs des opérations ont besoin d'être assurés que l'investissement dans l'IA restera viable après son lancement. CXToday définit cet objectif comme une « autonomie supervisée » : des systèmes qui agissent dans des limites définies, tandis que les humains conservent la responsabilité.

Comment Inbenta Encore assure une maintenance autonome grâce à l'IA

Inbenta Encore intègre la précision post-lancement comme fonctionnalité native de la couche de maintenance de son système de gestion des connaissances dédié au service client. Voici comment cette solution élimine la perte de précision sans intervention manuelle.

Le système de maintenance autonome d'Encore élimine la principale source de défaillance des systèmes concurrents en assurant la surveillance, la détection, la formulation de recommandations et la publication d'informations sans aucune intervention manuelle.

Six fonctionnalités permettent d'y parvenir :

• Une analyse en continu surveille les interactions réelles sur l'ensemble des assistants et des langues, mettant en évidence les intentions qui fonctionnent, celles qui échouent et les sujets tendance qui ne sont pas encore couverts.
• Les mises à jour recommandées ne se limitent pas à signaler des problèmes. Encore met en évidence de nouvelles intentions de création, des sources manquantes à relier et des schémas d'escalade à traiter, ce qui permet au responsable de se contenter de vérifier le contenu plutôt que de tout rédiger à partir de zéro.
• Un moteur de mise à jour automatisé signale et actualise les intentions lorsque le contenu source change, identifiant ainsi chaque intention concernée avant que cela ne se traduise par un dysfonctionnement perçu par le client.
• Grâce à la validation en un clic, les administrateurs peuvent publier les mises à jour approuvées directement dans la base de connaissances en ligne. Pas besoin d'environnement de test, pas besoin de ticket technique, pas de cycle de déploiement.
• Un tableau de bord unifié regroupe les données relatives au comportement, aux solutions de repli, aux escalades et à l'utilisation pour l'ensemble des assistants et des langues au sein d'une seule et même interface, et non plus dans des silos par canal.
• En tant que logiciel de base de connaissances basé sur l'IA, Encore fonctionne au niveau de la couche de connaissances régie par des règles, de sorte que chaque mise à jour préserve les liens vers les sources, la gouvernance et la traçabilité.

Cette fiabilité se reflète dans la production. GOL Airlines traite plus de 10 millions de requêtes par an grâce à Inbenta, un volume qui met rapidement en évidence les défaillances lorsque la maintenance est effectuée manuellement.

Encore gère également les intentions dans plus de 90 langues simultanément ; ainsi, toute modification apportée au contenu source dans une langue se répercute automatiquement sur toutes les autres. Travel Club a réduit son coût par appel de 39 % grâce à Inbenta.

Encore a remporté le TSIA Star Award pour sa couche de résolution gérée, récompensée lors de la conférence TSIA.

Découvrez Encore en action contre votre pile.

Foire aux questions

Comment détecter les lacunes en matière de contenu généré par l'IA au cours de la production ?

La détection des lacunes surveille les interactions en temps réel et signale les questions auxquelles aucune intention définie ne répond, ainsi que les intentions qui échouent ou qui font l'objet d'une escalade. Au lieu d'attendre une réclamation, le système met en évidence la lacune sous forme de recommandation que le responsable de la base de connaissances peut approuver et publier.

Qu'est-ce que la maintenance autonome par IA ?

La maintenance autonome par IA est un processus continu qui consiste à surveiller les interactions en temps réel, à détecter les lacunes dans le contenu et à actualiser les intentions lorsque le contenu source évolue, sans recourir à des cycles de révision manuels. Elle permet de maintenir une précision constante après le lancement en considérant la maintenance comme une fonctionnalité de la plateforme plutôt que comme une tâche humaine récurrente.

L'IA est-elle capable de gérer sa propre base de connaissances ?

Il permet de le maintenir sous une supervision contrôlée. Le système détecte les lacunes, signale les intentions obsolètes et rédige automatiquement des mises à jour. Un utilisateur approuve les modifications d'un simple clic, ce qui garantit que l'autonomie reste dans les limites fixées et que chaque mise à jour conserve ses liens vers la source et sa piste d'audit.

Comment Encore évite-t-il la dégradation des performances de l'IA après le lancement ?

Encore analyse en continu les interactions, détecte les lacunes, actualise les intentions lorsque le contenu change et publie les mises à jour approuvées directement dans la base de connaissances en ligne. Comme il opère au niveau de la couche de connaissances régie, chaque mise à jour préserve les liens vers les sources et la traçabilité.

Combien de temps faut-il pour que la précision de l'IA se dégrade en l'absence de maintenance ?

Cela dépend de la rapidité avec laquelle votre contenu source évolue, mais cette perte de pertinence devient souvent visible en l'espace de quelques mois, à mesure que les politiques changent et que de nouvelles questions apparaissent.

Prenez rendez-vous pour une démonstration afin de découvrir comment la maintenance autonome permet de maintenir une précision constante.

‍