Comment déployer l'IA dans un centre de contact soumis à une réglementation : une approche contrôlée vers la mise en production

Pour déployer l'IA dans un centre de contact soumis à une réglementation, déterminez d'abord ce que l'IA est autorisée à dire avant de choisir l'outil qui le fera. Définissez d'abord les règles de gouvernance, commencez par les questions d'information à fort volume, validez les réponses avant leur mise en production, conservez une piste d'audit permettant de remonter jusqu'à la source approuvée de chaque réponse, puis étendez l'autonomie par étapes. Telle est la démarche recommandée par Inbenta aux centres de contact réglementés qui déploient Inbenta Encore, notre plateforme d'IA axée sur la connaissance et dédiée à l'expérience client.

C'est lors d'une réunion sur les risques, et non lors d'une démonstration, que les déploiements d'IA sont bloqués

L'une des questions que nous aimons poser dès le début est la suivante : pourquoi vos déploiements d'IA sont-ils au point mort ? Nous avons constaté que les déploiements d'IA s'enlisent lors d'une réunion sur les risques, et non lors d'une démonstration. Le projet pilote fonctionne, l'analyse de rentabilité est approuvée, puis le service chargé de la conformité pose une question à laquelle le fournisseur ne peut pas répondre : que dira exactement ce système à un client, et qui a donné son accord ?

La pression pour surmonter cette étape est bien réelle. Gartner a indiqué en février 2026 que 91 % des responsables du service client subissaient une pression pour mettre en œuvre l’IA. En juin 2025, Gartner prévoyait que plus de 40 % des projets d’IA agentique seraient annulés d’ici fin 2027. Un centre de contact soumis à une réglementation, qui a déjà connu l’échec d’un projet pilote, a de bonnes raisons de faire preuve de prudence.

Le problème est d'ordre architectural. La plupart des IA utilisées dans le service client rédigent la réponse pendant que le client attend. Cette réponse n'existe pas avant d'être générée ; personne ne peut donc la valider à l'avance, et une équipe chargée de la gestion des risques ne peut pas approuver un texte qu'elle n'a pas vu. De meilleures consignes permettent de réduire la fréquence de ce type de problème. Elles ne changent toutefois pas l'auteur de la réponse.

La notion de « gouvernance » doit avoir une signification précise

Demandez à un fournisseur ce que signifie la « gouvernance » dans le contexte de l’IA appliquée aux centres de contact, et soyez attentif aux détails. La gouvernance signifie que, pour chaque réponse fournie par l’IA, vous pouvez déterminer d’où elle provient, qui l’a approuvée et à quel moment. Si un fournisseur utilise le terme « gouvernance » sans préciser ces trois éléments, considérez cela comme une simple affirmation plutôt que comme une fonctionnalité réelle.

Pour un centre d'appels soumis à une réglementation, la gouvernance repose sur trois éléments clés :

• Réponses liées à leur source. Chaque réponse renvoie au contenu de référence qui la sous-tend : la page relative à la politique, le barème tarifaire, les conditions générales du produit.
• Validation humaine au moment de la création. Un expert en la matière valide le contenu avant que le client ne puisse le consulter. Cette validation fait office de trace écrite.
• Une piste d'audit. Les équipes chargées de la gestion des risques et de la conformité peuvent remonter, à partir de n'importe quelle réponse fournie par l'assistant, jusqu'au contenu réglementé et à l'autorisation qui l'a précédée.

Le cadre de gestion des risques liés à l'IA du NIST, publié en janvier 2023, organise les activités liées aux risques de l'IA en quatre fonctions : « Gouverner », « Cartographier », « Mesurer » et « Gérer ». Le NIST décrit la fonction « Gouverner » comme une fonction qui sous-tend les trois autres, ce qui explique pourquoi elle vient en premier. Le même ordre s'applique dans un centre de contact. Déterminez qui détient les connaissances, qui les valide et quelles preuves de conformité sont nécessaires avant de procéder à toute configuration.

Définissez quatre réponses avant toute démonstration d'un fournisseur

Avant de choisir un outil d'IA, que faut-il mettre en place ? Quatre réponses, validées en interne, avant toute démonstration par un fournisseur :

1. Sources. Quel contenu faut-il publier en premier ? En général, les pages consacrées aux conditions générales, aux conditions d'utilisation des produits et à l'aide, qui génèrent déjà le plus grand nombre de contacts.
2. Cas d'utilisation. Quel est l'avantage immédiat : un libre-service encadré, un flux de travail automatisé ou un agent capable de raisonner dans les limites que vous définissez ?
3. Responsable. Qui, au sein de l'équipe CX, valide les connaissances et assume la responsabilité de l'assistant après son lancement ? Si la réponse honnête est « le service informatique, au nom de l'équipe CX », une réponse erronée peut rester en ligne pendant un sprint.
4. Standard. Que faudrait-il présenter aux services de conformité, juridiques ou d'audit pour qu'ils donnent leur accord ? Notez-le. Cela constituera votre test d'acceptation.

Nous avons constaté que la quatrième question est celle que les équipes ont tendance à ignorer, et c’est justement celle qui fait capoter les projets en fin de parcours. Demandez à l’équipe chargée de la gestion des risques de définir la norme dès le départ, puis évaluez chaque outil par rapport à celle-ci plutôt qu’en fonction d’une liste de fonctionnalités.

Commencez par automatiser les questions avec une seule réponse écrite

La question la plus concrète qu’un centre d’appels réglementé puisse se poser est de savoir quels cas d’utilisation automatiser en priorité. Commencez par les demandes d’informations à fort volume pour lesquelles il existe une réponse correcte consignée quelque part : frais, accès aux relevés, activation de carte, état des paiements, documents requis, paramètres du compte. Elles représentent la majeure partie du volume d’appels, et la réponse peut être validée à l’avance.

Ne divulguez aucune information nécessitant un jugement concernant un client en particulier, telle que les situations de détresse, les litiges ou les réclamations susceptibles d'avoir des implications réglementaires. Ces informations doivent rester confidentielles jusqu'à ce que le bien-fondé de la décision soit établi.

La plupart des acheteurs soumis à une réglementation ont d'abord besoin d'un libre-service encadré : des réponses vérifiées à grande échelle sur le Web, dans les applications, via les assistants et la commande vocale. Les réponses référencées, la validation humaine et la piste d'audit vous permettent de passer au niveau supérieur lorsque vous y parvenez.

Des garde-fous qui modifient la source de la réponse

Les acheteurs se demandent quelles sont les mesures de sécurité nécessaires pour l'IA dans les centres de contact. Il en existe deux types, qui ne sont pas équivalents.

Les garde-fous de sortie s'appuient sur un modèle génératif : des filtres, des règles de prompt et des seuils de confiance qui tentent de détecter une mauvaise réponse une fois qu'elle a été générée. Ils réduisent le taux d'erreurs. Ils ne peuvent toutefois pas éliminer le comportement sous-jacent, car le modèle continue de générer des informations au moment de l'exécution.

Les garde-fous architecturaux modifient la source de la réponse. La réponse existe avant même que la question ne soit posée. Le traitement s'effectue dès l'ingestion des données ; ainsi, la réponse finalement fournie a déjà été validée. C'est ce qu'Inbenta entend par « hallucination évitée grâce à l'architecture », et non par un garde-fou ajouté a posteriori. Nous développons cet argument en détail dans l'article « Comment éviter les hallucinations de l'IA dans le service client : corrigez l'architecture, pas la consigne ».

Le troisième garde-fou concerne le comportement de l'assistant IA en cas de lacune dans ses connaissances. Lorsqu'aucune réponse approuvée ne correspond, l'assistant ne doit pas imposer une réponse peu pertinente. Il doit alors transmettre la demande à un expert en la matière ou à un conseiller en direct, en joignant l'intégralité de la conversation, afin que le client n'ait pas à se répéter.

Validez les connaissances, pas les conversations

Comment validez-vous les réponses générées par l'IA avant qu'elles ne parviennent aux clients ? Validez les informations, pas les conversations. Vérifier une à une les réponses en temps réel n'est tout simplement pas faisable à grande échelle, et cela permet de repérer les réponses erronées seulement après que le client les a déjà vues. Valider les informations avant leur diffusion résout ces deux problèmes.

La démarche la plus efficace se déroule comme suit : intégrer les informations dont dispose déjà l'entreprise, les structurer en fonction des différentes façons dont un client pourrait formuler sa demande, valider chaque réponse, puis faire approuver ces informations par un expert en la matière au moment de la création du contenu, avant qu'un client ne les consulte.

L'expert valide ce que le système va dire, et non chaque conversation au fur et à mesure. C'est ainsi que le système peut évoluer à grande échelle.

Partons du principe qu'un régulateur demandera pourquoi l'IA a tenu ces propos

Comment garantir la conformité de l'IA d'un centre de contact une fois qu'elle est opérationnelle ? Tout se résume à une seule question : imaginez qu'un régulateur, un auditeur ou l'avocat d'un client vous demande un jour pourquoi l'IA a tenu ces propos. Votre niveau de conformité dépendra de la qualité de votre réponse à cette question.

Les autorités financières et les organismes de normalisation américains ont clairement mis en garde contre ce risque. Dans son dossier thématique de juin 2023 intitulé « Les chatbots dans le crédit à la consommation », le Bureau de protection financière des consommateurs (CFPB) a averti que le service client automatisé pouvait fournir des informations inexactes et ne pas reconnaître lorsqu’un client fait valoir ses droits. Le rapport du Trésor américain de décembre 2024 sur l’IA dans les services financiers a identifié l’explicabilité et le risque lié aux tiers comme des sources de préoccupation pour les institutions adoptant l’IA. Le profil de l’IA générative du NIST (NIST AI 600-1, juillet 2024) cite la « confabulation », c’est-à-dire un modèle produisant des contenus erronés avec assurance, comme un risque spécifique à l’IA générative.

La solution concrète consiste à rendre le système vérifiable, ce qui constitue une approche plus solide que de simplement l'qualifier de « sûr ». Cela implique que les réponses soient associées à leur source et consignées dans un journal d'audit, afin que les équipes chargées de la gestion des risques et de la conformité puissent retracer l'origine de chaque réponse jusqu'au contenu réglementé sur lequel elle s'appuie et jusqu'à l'autorisation qui a permis sa mise en ligne.

La précision diminue après le lancement ; veillez donc à surveiller les corrections éventuelles.

Comment surveiller la précision de l'IA après son déploiement ? Commencez par vous demander pourquoi elle s'écarte des objectifs. La précision diminue après le déploiement car l'activité évolue : un tarif change, une politique est réécrite, un produit est retiré du marché. D'après l'expérience de nos clients, cette baisse post-déploiement constitue un point de défaillance courant dans le service client basé sur l'IA, et c'est celui qui est le moins visible lors d'une phase pilote.

Le suivi doit déboucher sur des corrections, et pas seulement sur des rapports. Le système doit tirer les leçons des interactions réelles, mettre en évidence les lacunes (questions non couvertes par la base de connaissances, sources manquantes, acronymes non définis, escalades indiquant une correction nécessaire), rédiger la mise à jour et la soumettre à l’équipe CX pour validation. Lorsqu’une source change, les réponses concernées doivent être signalées et actualisées. L’étape de validation reste du ressort de l’équipe CX, ce qui garantit le maintien de la gouvernance après la mise en service.

Évaluez la réussite en fonction des résultats. Le taux de résolution, la résolution dès le premier contact et la satisfaction client (CSAT) constituent les indicateurs de réussite. Le « confinement » et la « déviation » sont des indicateurs d'efficacité : bien qu'utiles, un client perdu compte autant qu'un client dont le problème a été résolu dans le cadre d'un indicateur de confinement.

Un parcours de 90 jours étayé par des données à chaque étape

Les équipes souhaitent savoir à quoi ressemble un parcours de 90 jours menant à la mise en production. Un déploiement encadré étend l’autonomie par étapes, en validant les résultats à chaque étape avant de passer à la suivante. C’est ce que nous appelons « l’autonomie par étapes » : d’abord lire, puis recommander, puis agir.

Jours 1 à 30 : définition du périmètre et mise en place. Valider les quatre réponses ci-dessus, y compris la norme de conformité écrite. Importer les premières sources. Les experts en la matière examinent et valident les connaissances relatives aux premiers sujets.

Jours 31 à 60 : déploiement limité. Mettez l'assistant en production sur un seul canal et pour un ensemble restreint de sujets. Suivez les résolutions, les motifs de remontée et les lacunes mises en évidence par la surveillance. Partagez la piste d'audit avec le service de conformité dès que possible, avant même qu'il ne vous le demande.

Jours 61 à 90 : développer. Ajouter des thèmes et des canaux une fois que la première série est bien en place. Envisager un premier workflow automatisé pour une transaction à parcours fixe. Considérer la voix comme une chronologie à part entière, car l'intégration téléphonique et la migration du flux d'appels prennent du temps.

L'intérêt de ce plan réside dans le fait que chaque étape laisse des traces. Au 90e jour, l'équipe chargée de la gestion des risques devrait valider un compte rendu, et non une simple promesse.