Copilote support augmenté : roadmap d'implémentation pour scale-up

Le contexte type

Une scale-up SaaS B2B, 250 ETP, 15 000 clients actifs. Le support traite 1 800 tickets/sem, dont 60 % redondants. Première réponse moyenne : 4 heures. NPS support : 32.

Le COMEX a deux options : recruter 4 personnes au support, ou installer un copilote IA. Coût comparable, impact très différent.

La roadmap en 5 semaines

Semaine 1 — Diagnostic & cadrage

• Inventaire des sources : doc client, KB, articles d'aide, threads Slack support.
• Top 50 questions récurrentes : catégorisation manuelle des tickets de la semaine précédente.
• Définition des KPIs cibles : temps moyen, première réponse, NPS, % auto-close.
• Choix de la stack : modèle, vector DB, intégration (Zendesk API, Intercom Operator, Front).

Livrable : un mémo de 10 pages chiffré, stack validée par votre IT.

Semaine 2 — Construction du RAG métier

• Ingestion : KB + tickets résolus historiques + doc produit, avec extraction structurée.
• Embeddings + indexation dans Qdrant ou pgvector.
• Premiers tests qualité : 50 prompts de référence, mesure de la précision et des citations.

Livrable : RAG fonctionnel en environnement de dev.

Semaine 3 — Intégration helpdesk

• Plugin Zendesk ou Intercom : suggestion de réponse + article KB pertinent dans la sidebar de l'agent.
• Workflow : agent valide en 1 clic ou édite, puis envoie. Auto-fill des champs CRM.
• Tracking : qui clique sur la suggestion, qui édite, qui ignore.

Livrable : copilote intégré dans l'helpdesk de production (en mode preview).

Semaine 4 — Pilote restreint

• 10 agents volontaires activent le copilote en production.
• Daily standup quotidien : remontées, irritants, ajustements.
• Mesure quotidienne des KPIs vs cohorte de contrôle.

Livrable : KPIs +10 jours, ajustements, prompts affinés.

Semaine 5 — Déploiement & formation

• Tous les agents activent le copilote.
• Formation : 2 ateliers de 90 min (théorie + ateliers pratiques).
• Auto-close des tickets simples activés (avec validation humaine sur le top 3 % les plus risqués).

Livrable : système en production, formation faite, KPIs suivis.

Architecture cible

Client (Zendesk) ──► Webhook ticket entrant
                         │
                         ▼
                  ┌──────────────┐
                  │  RAG métier  │ ← KB + tickets historiques
                  │  + reranking │
                  └──────┬───────┘
                         │
                  ┌──────▼───────┐
                  │  Claude/GPT  │ ← prompt avec contexte
                  │  + citations │
                  └──────┬───────┘
                         │
                  ┌──────▼───────┐
                  │  Plugin UI   │ ← suggestion in-app
                  │  + validation│
                  └──────┬───────┘
                         │
                  ┌──────▼───────┐
                  │  Logs + évals│ ← Langfuse, dashboards
                  └──────────────┘

Les KPIs à suivre

KPI	Avant	Cible	Atteint
Temps moyen / ticket	18 min	< 10 min	8 min
Première réponse	4 h	< 30 min	18 min
% tickets auto-close	0 %	25 %	28 %
NPS support	32	> 45	47

Gestion du change

Le vrai risque n'est pas technique. C'est l'adoption. Trois principes :

1. Les agents doivent garder le contrôle

La suggestion IA est une proposition, pas une obligation. Sinon votre équipe se braque.

2. Mesurer côté business, pas vanity metric

Pas le nombre de prompts, mais : temps moyen ticket, NPS, taux de résolution premier contact.

3. Itérer en hebdo, pas en trimestre

Un copilote support s'améliore semaine après semaine. Les premiers prompts sont médiocres. Au bout de 6 semaines, c'est excellent.

ROI typique

Sur notre cas mesuré (cf. /cas-clients) :

• Temps de traitement : −54 %
• Première réponse : 4 h → 18 min (÷ 13)
• NPS : +15 points
• ROI sur 12 mois : x6,4
• Mission remboursée en 4 mois

Citation COO : "On a gagné 6 ETP virtuels sans recruter."

→ Voir le cas client en détail → Audit IA en 60 secondes pour scoper votre cas