Une PME qui traite 2 000 demandes clients par mois et qui branche une IA sur son support obtient presque toujours le même premier résultat : le volume qui arrive chez les humains baisse nettement, et la facture totale ne bouge pas. L'argent économisé sur les demandes simples repart aussitôt dans l'intégration, la supervision et le rattrapage des dossiers que l'IA a mal orientés.
Ce résultat vient d'une erreur de cadrage très répandue. On achète un outil, on regarde un taux de déflexion sur un tableau de bord, et on ne calcule jamais le coût complet d'une demande réellement close. Sur les projets que nous livrons chez Noxcod, le modèle de langage n'a jamais été le point de blocage. Les droits d'écriture sur le back-office, la qualité de la base de connaissances et le scénario de reprise humaine décident du résultat à eux trois.
Cet article s'adresse au dirigeant ou au responsable relation client d'une structure de 10 à 250 salariés, qui a déjà une équipe support et veut savoir quoi automatiser, à quel prix, et sous quelles contraintes légales depuis l'entrée en application des obligations de transparence européennes.
Trois familles de demandes, trois économies très différentes
Un support reçoit trois familles de demandes, et une IA ne produit une économie franche que sur la première. Confondre les trois au moment du chiffrage est la cause la plus fréquente des déceptions à six mois.
La première famille regroupe les demandes documentaires : statut d'une commande, horaires, conditions de retour, éligibilité à une offre, procédure à suivre pour une réclamation. La réponse existe déjà quelque part, dans une base de connaissances ou dans une donnée consultable en lecture. C'est sur cette famille que se font les chiffres spectaculaires. Klarna a communiqué en février 2024 sur 2,3 millions de conversations traitées par son assistant le premier mois, soit deux tiers de ses conversations de service client, un volume que l'entreprise chiffrait à l'équivalent de 700 agents à temps plein, avec une résolution en moins de 2 minutes contre 11 auparavant et 25 % de relances en moins.
La deuxième famille est transactionnelle : modifier une commande, déclencher un remboursement, décaler une intervention, changer une échéance de prélèvement. Répondre ne suffit plus, il faut agir dans un système. Le projet devient alors un projet d'intégration, avec des droits d'écriture, un journal et une procédure d'annulation. C'est la famille la plus rentable une fois en place, et de loin la plus longue à livrer.
La troisième famille demande un jugement : litige, geste commercial, client mécontent, cas hors procédure. L'IA y sert à préparer le travail de l'agent, en résumant l'historique et en proposant une réponse à valider. Lui confier la décision revient à automatiser vos exceptions, ce qui est la meilleure façon de fabriquer des réclamations. Un chatbot de support adossé à une base de connaissances couvre correctement la première famille et rien d'autre, ce qui explique la plupart des projets qui plafonnent.
Le coût par demande close, la seule unité qui permet d'arbitrer
Le coût par demande close additionne l'abonnement, la consommation facturée à la résolution, le temps humain qui reste et la supervision. C'est la seule unité qui rende deux offres comparables, parce que les éditeurs ne facturent pas la même chose.
Le modèle historique reste le siège. Sur la grille tarifaire française de Zendesk, consultée le 1er septembre 2026, l'offre Support Team démarre à 19 € par agent et par mois, la Suite Team à 55 €, la Suite Professional à 115 €, en paiement annuel, un module Copilot est facturé 50 € par agent et par mois en supplément, et la même page annonce une facturation des agents IA à l'usage, sur les seules résolutions automatisées abouties.
Le second modèle facture le résultat. Sur la page tarifaire d'Intercom consultée le même jour, l'agent Fin est affiché à partir de 0,99 $ par résolution, à côté de sièges à 29 $, 85 $ et 132 $ par mois en paiement annuel selon le plan. Les deux grilles ont été relevées le 01/09/2026 sur zendesk.fr/pricing et intercom.com/pricing, la première en euros et la seconde en dollars, ce qui interdit de les additionner telles quelles, et un tarif d'éditeur change sans préavis.
Ces deux logiques ne créent pas les mêmes incitations. La facturation au siège récompense la réduction d'effectif et vous laisse indifférent au volume traité par la machine. La facturation à la résolution suit votre activité, ce qui protège les petits volumes, mais elle transforme chaque pic saisonnier en pic de facture. Le piège se referme quand la base de connaissances est pauvre : vous payez la tentative de résolution côté éditeur, puis le ticket humain qui suit, donc deux fois la même demande.
Prenons une hypothèse de travail, purement illustrative. Un support reçoit 2 000 demandes par mois, dont 1 200 documentaires. L'IA en clôt 900 sans intervention humaine, à 0,99 $ l'unité, ce qui fait environ 891 $ de consommation mensuelle. Face à cela, il faut valoriser les heures d'agent réellement libérées, retrancher le temps de supervision et de mise à jour de la base, et ajouter les tickets réouverts. Beaucoup de dossiers deviennent neutres à ce stade, et le gain n'arrive qu'avec la deuxième famille de demandes. Le poste que les entreprises oublient le plus souvent est la consommation des modèles quand l'agent est construit sur mesure, un sujet que nous détaillons dans notre article sur le pilotage financier des coûts LLM.
Les projets calent sur l'accès aux données, jamais sur le modèle
Sur les déploiements que nous menons, la date de mise en service dépend de l'accès en écriture aux systèmes métier, et presque jamais du choix du modèle. Le comparatif d'éditeurs occupe les trois premières réunions, puis le projet s'arrête pendant six semaines sur un droit d'API que personne n'a demandé à temps.
Les blocages se ressemblent d'un client à l'autre. Un ERP dont l'API n'est pas documentée ou dont l'éditeur facture le module d'ouverture. Un export nocturne au format CSV qui donne un stock vieux de douze heures, inutilisable pour répondre à une question sur une commande du matin. Un outil de ticketing dont l'endpoint d'écriture est réservé à un compte administrateur que la DSI refuse de partager. Un historique client réparti entre le CRM, la boîte partagée et un tableur maintenu par une seule personne.
La conséquence est toujours la même. Un agent qui ne sait que lire annonce au client que sa commande est en préparation, puis s'arrête. L'humain reprend le dossier pour faire le geste, et la demande a coûté deux fois. Sur un agent sur mesure, la part du budget qui part dans l'intégration, les tests et l'observabilité dépasse largement celle consacrée aux instructions du modèle, et c'est cette part qu'un devis trop rapide sous-estime.
Le marché n'aide pas à voir ce déséquilibre, parce que l'adoption progresse vite et donne l'impression que le sujet est réglé. D'après l'Insee, 18 % des entreprises françaises de 10 salariés ou plus déclaraient utiliser au moins une technologie d'IA en 2025, huit points de plus qu'un an avant, et jusqu'à 58 % au-delà de 250 salariés. Eurostat mesure de son côté 20,0 % d'entreprises utilisatrices dans l'Union en 2025, contre 13,5 % en 2024. Beaucoup d'entreprises ont donc branché un assistant quelque part, très peu l'ont branché sur leurs opérations. Nous décrivons le chemin inverse dans notre guide sur l'agent IA sur mesure en entreprise, et c'est le travail que mène notre agence spécialisée dans les agents IA sur ce type de périmètre.
Ce que la loi impose depuis le 2 août 2026
Depuis le 2 août 2026, un client qui échange avec votre IA doit être informé qu'il s'adresse à une machine. La Commission européenne a annoncé le 31 juillet 2026 que l'application des règles de transparence du règlement sur l'IA démarrait le 2 août, en écrivant que les agents conversationnels devront dire à leurs utilisateurs qu'ils s'adressent à une IA et non à un humain. Sa note explicative sur l'article 50 donne le niveau d'exigence : l'information est due dès le début de la première interaction, de façon claire et distinguable, sauf lorsque la nature artificielle de l'interlocuteur est évidente.
Le RGPD s'applique par-dessus, et il pose des questions que peu de projets instruisent avant la mise en service. Sur quelle base légale traitez-vous les conversations. Combien de temps les conservez-vous, sachant qu'un verbatim client contient souvent une donnée sensible glissée spontanément. Où sont hébergés les échanges, et qui est sous-traitant de qui dans la chaîne. La CNIL a publié des recommandations pratiques sur l'information des personnes concernées par un système d'IA, avec une logique d'information à plusieurs niveaux qui se transpose bien à une fenêtre de chat.
Trois éléments concrets suffisent à tenir cette partie sans alourdir le parcours. Une phrase d'annonce en ouverture de conversation, courte et sans jargon, qui dit que l'interlocuteur est un assistant automatique. Un chemin de reprise humaine visible en permanence, pas caché derrière trois relances. Un journal des conversations avec une durée de conservation décidée à l'avance et appliquée automatiquement, plutôt qu'un historique conservé sans limite parce que personne n'a tranché. Le cadre complet, obligations par obligation, est détaillé dans notre article sur la gouvernance de l'IA en entreprise.
Acheter un module IA ou construire un agent branché sur votre SI
Prenez le module IA de votre outil de support quand votre volume est concentré sur des questions documentaires dont les réponses vivent déjà dans cet outil, et faites développer un agent branché sur vos systèmes quand la valeur est dans l'action sur vos données métier. Aucun module générique n'atteint les demandes transactionnelles sans développement, et vous payez alors l'abonnement en plus de l'intégration.
| Option | Mise en route | Modèle de coût | Limite principale |
|---|---|---|---|
| Module IA de votre outil de support | Quelques jours | Abonnement par agent, plus une facturation à la résolution aboutie | Périmètre limité à ce que l'outil sait déjà lire |
| Agent sur mesure branché sur le SI | Plusieurs semaines | Développement, puis consommation des modèles et hébergement | Dépend de la qualité des API métier disponibles |
| Renfort humain sans automatisation | Immédiat | Masse salariale ou prestation externalisée | Le coût suit le volume, sans effet d'échelle |
Notre recommandation tient en une règle d'ordre. Commencez par le module de votre outil existant, même si vous savez qu'il ne suffira pas, parce qu'il vous donne en quatre semaines la répartition réelle de vos demandes et un taux de résolution mesuré sur votre propre trafic. Ces deux chiffres valent plus que n'importe quelle estimation d'avant-projet, et ils rendent le devis du développement sur mesure discutable ligne par ligne. L'inverse, qui consiste à construire un agent complet avant d'avoir mesuré la répartition, produit régulièrement des automatisations soignées sur des demandes qui ne reviennent que quelques fois par mois.
Les indicateurs qui disent la vérité sur le déploiement
Quatre indicateurs suffisent à savoir si le déploiement tient : le taux de reprise humaine, le coût complet par demande close, le taux de relance du même client sous sept jours, et la satisfaction mesurée uniquement sur les demandes passées par l'IA. Le taux de déflexion, lui, se manipule tout seul : un assistant qui répond « je transfère votre demande » ferme une conversation et compte comme traitement.
- Taux de reprise humaine, segmenté par famille de demandes, sinon la moyenne masque le fait que le transactionnel décroche.
- Coût complet par demande close, abonnement et supervision inclus, comparé au coût avant déploiement sur le même périmètre.
- Taux de relance sous sept jours, le meilleur détecteur de fausse résolution.
- Satisfaction isolée sur le parcours IA, jamais noyée dans la satisfaction globale du support.
Le cas Klarna sert de garde-fou sur ce point. Après les chiffres de 2024, le média spécialisé CX Dive a rapporté en mai 2025 les propos de son dirigeant, qui déclarait être allé trop loin dans la mauvaise direction avec l'IA et constatait une qualité dégradée, l'entreprise relançant en parallèle le recrutement d'agents humains pour garantir un interlocuteur disponible. Notez l'asymétrie des sources, elle est instructive en soi : les chiffres de 2024 ont fait l'objet d'un communiqué de l'entreprise, le revirement de 2025 n'a été porté que par la presse. Le volume automatisé était réel, la qualité ne suivait pas, et aucun tableau de bord centré sur la déflexion ne pouvait le montrer.
Fixez ces quatre mesures avant le démarrage, avec leur valeur de départ. Une mesure établie après coup se négocie toujours à l'avantage du projet, y compris de bonne foi.
Un déploiement en trois vagues sur douze mois
Le déploiement qui tient se découpe en trois vagues : du premier au troisième mois en lecture seule sur les vingt questions les plus fréquentes, du quatrième au huitième sur deux ou trois actions réversibles et journalisées dans les systèmes métier, puis jusqu'au douzième en appui des agents humains sur les demandes à jugement. Chaque vague se ferme par une mesure. Le calendrier ci-dessous décrit un scénario type, construit à partir de la façon dont nous séquençons ces projets, et non le cas d'un client identifié.
Les trois premiers mois se jouent en lecture seule, sur les vingt questions les plus fréquentes. L'assistant annonce sa nature, répond à partir d'une base de connaissances remise à plat, et passe la main dès qu'il sort du périmètre. L'objectif de cette vague n'est pas l'économie, c'est d'obtenir la répartition réelle des demandes et un taux de reprise humaine fiable. Une base de connaissances mal tenue se voit dès la troisième semaine, et vaut mieux qu'elle se voie là plutôt qu'au moment où l'agent aura des droits d'écriture.
Du quatrième au huitième mois, on ouvre deux ou trois actions réversibles dans les systèmes métier : changer une adresse de livraison, reprogrammer une intervention, éditer un duplicata. Chaque action est journalisée et annulable en un geste par un agent humain. C'est ici que se trouve le retour sur investissement, et c'est ici que se concentre l'effort d'intégration décrit plus haut. Les actions irréversibles, remboursement et résiliation en tête, restent hors périmètre tant que le taux de reprise n'est pas stable.
Les quatre derniers mois servent à outiller les agents sur les demandes à jugement : résumé du dossier, historique consolidé, proposition de réponse à valider. La décision reste humaine, et la productivité gagnée est mesurable sans jamais dégrader la relation. Si votre équipe support en est encore à arbitrer entre un module d'éditeur et un développement, un échange de cadrage avec notre équipe permet de partir de vos volumes réels plutôt que d'une démonstration commerciale.
Questions fréquentes sur l'IA au service client
Combien coûte une IA de service client pour une PME de vingt personnes ?
Tout dépend du modèle de facturation. Sur une offre facturée au siège, comptez l'abonnement par agent auquel s'ajoute souvent un module IA en supplément : la grille française de Zendesk relevée le 01/09/2026 s'étage de 19 € à 115 € par agent et par mois, avec 50 € de plus pour le module Copilot. Sur une facturation à la résolution, la dépense suit votre volume automatisé, à l'image de l'agent Fin d'Intercom affiché à partir de 0,99 $ par résolution. Un agent sur mesure branché sur vos systèmes se chiffre en projet, avec ensuite une consommation de modèles et un hébergement à budgéter chaque mois.
Faut-il prévenir le client qu'il parle à une IA ?
Oui. L'article 50 du règlement européen sur l'IA s'applique depuis le 2 août 2026 et impose d'informer la personne dès le début de la première interaction, de façon claire et distinguable, sauf lorsque la nature artificielle de l'interlocuteur est évidente. En pratique, une phrase d'annonce en ouverture de conversation et un accès visible à un interlocuteur humain suffisent à couvrir l'obligation. La CNIL recommande par ailleurs une information à plusieurs niveaux, avec l'essentiel affiché immédiatement et le détail accessible en un clic.
Le taux de déflexion est-il un bon indicateur de réussite ?
Non, pris seul il induit en erreur. Une conversation close par un message de transfert compte comme déviée, alors que la demande revient chez un agent quelques minutes plus tard. Le taux de relance du même client sous sept jours et la satisfaction mesurée sur le seul parcours IA donnent une image beaucoup plus fidèle. Ces deux mesures sont aussi les plus difficiles à embellir, ce qui explique qu'elles figurent rarement en première page des tableaux de bord fournis par les éditeurs.
Peut-on brancher une IA sur un ERP qui n'a pas d'API ?
Techniquement oui, par export planifié ou par une couche d'accès intermédiaire, mais l'agent sera limité à la lecture d'une donnée déjà périmée au moment où il répond. Pour toute demande transactionnelle, cette architecture crée plus de reprises humaines qu'elle n'en évite. La bonne question à poser à votre éditeur porte sur le coût et le délai d'ouverture d'un accès en écriture, et elle se pose avant de choisir la solution d'IA, pas après.
Au bout de combien de temps voit-on un retour sur investissement ?
Sur les demandes documentaires, l'effet se mesure en quatre à huit semaines, à condition que la base de connaissances soit à jour. Sur les demandes transactionnelles, le retour arrive plutôt au deuxième ou troisième trimestre, parce que l'essentiel du travail se situe dans l'intégration aux systèmes métier. Une entreprise qui annonce un retour en trois semaines sur du transactionnel décrit un pilote, pas une mise en production.
