Malakoff Humanis, explore l’utilisation de l’IA générative pour améliorer la relation client, sous la direction de Stéphane Barde, Chief Data & Digital Officer. L’objectif principal est de prévenir les réclamations grâce à l’analyse des appels téléphoniques des clients. Ce projet vise à optimiser la gestion des réclamations tout en maîtrisant les coûts des nouvelles technologies employées.
Détection des signaux de mécontentement à partir des appels téléphoniques
Malakoff Humanis gère chaque jour des milliers de conversations téléphoniques, souvent des moments critiques pour évaluer la satisfaction des clients. Jusqu’à récemment, il était difficile d’exploiter ces appels pour anticiper d’éventuelles réclamations. L’objectif est désormais d’identifier les signaux faibles indiquant qu’une situation pourrait mener à une plainte.
L’IA transcrit les appels en texte, puis analyse ces données pour évaluer le niveau de satisfaction des clients. Le taux de succès limité des modèles de prédiction réduisait l’efficacité de l’entreprise dans sa capacité à anticiper et répondre de manière proactive aux besoins des clients.
Amélioration grâce à l’IA générative
Avec l’intégration de l’IA générative, la précision de la prédiction a considérablement augmenté, atteignant des niveaux nettement supérieurs. L’analyse des appels permet désormais non seulement d’identifier les clients potentiellement insatisfaits, mais aussi de comprendre la nature de leurs préoccupations plus rapidement et avec plus de précision.
Les résultats de ces analyses sont exploités par les équipes de gestion afin d’anticiper et de prévenir les réclamations potentielles. Cette capacité d’anticipation permet d’améliorer la qualité de service tout en renforçant la relation client. Cependant, le déploiement de cette technologie nécessite de bien gérer le rapport coût-performance pour garantir une utilisation rentable et durable.
Optimisation des coûts et compromis sur la performance
Malakoff Humanis a exploré plusieurs architectures afin de trouver un équilibre optimal entre coût et efficacité. Plusieurs options ont été testées, notamment l’architecture « zero-shot », « few-shot » et RAG (Génération Augmentée de Récupération). Bien que l’approche RAG ait démontré une excellente performance, son coût élevé posait des questions sur sa rentabilité à long terme.
Pour parvenir à un compromis, une solution intermédiaire a été adoptée : une architecture « few-shot » utilisant des modèles open source. Cette solution permet d’atteindre une performance suffisante, d’environ 80 %, tout en étant beaucoup plus économique. Le défi est de trouver une approche performante qui reste économiquement viable et assure une optimisation globale des coûts tout en maintenant un bon niveau de satisfaction client.
Conclusion
En résumé, le cas d’usage de l’IA générative pour anticiper les réclamations représente une étape significative dans la transformation de la gestion de la relation client. Grâce à cette technologie, les interactions avec les clients deviennent plus personnalisées, proactives et mieux ciblées, renforçant ainsi la confiance et la satisfaction globale. L’IA générative s’affirme ainsi comme un outil clé pour anticiper les attentes des clients et améliorer leur expérience, tout en optimisant les ressources internes et les coûts.
