Chatbot exemple : ce qui distingue un bon d’un mauvais

Un bon exemple de chatbot ne se reconnaît pas à la fluidité de ses réponses, mais à deux choses qu’on ne voit pas au premier coup d’œil : un périmètre étroit — il répond à ce qu’il connaît vraiment, à partir de documents que quelqu’un a vérifiés — et une règle d’escalade claire pour tout le reste. L’erreur la plus fréquente consiste à vouloir couvrir un maximum de sujets, en pensant qu’un chatbot plus large est plus utile. C’est l’inverse : un chatbot qui répond fiablement aux dix questions les plus fréquentes et renvoie le reste vers une personne est plus utile qu’un chatbot qui répond à tout — y compris à ce qu’il ne sait pas réellement.

Où un chatbot bien cadré est réellement utile

• —Les questions récurrentes avec une réponse fixe et documentée — horaires, délais de livraison, procédure de retour : fiable dès lors que la réponse existe réellement quelque part par écrit.
• —La confirmation ou le rappel d’un rendez-vous déjà pris, à partir d’un calendrier réel plutôt que d’une réponse générée à la volée.
• —Une première qualification d’une demande entrante — quel service contacter, quelle information manque — avant qu’une personne ne prenne le relais.

Un chatbot n’est pas adapté à une question qui demande une appréciation individuelle — une réclamation à évaluer au cas par cas, un tarif dérogatoire à valider — ni à un sujet juridique ou médical, où répondre plutôt que d’orienter immédiatement vers une personne devient un vrai risque, quelle que soit la qualité apparente de la réponse.

Un détail souvent négligé au moment de préparer les documents : un chatbot répond plus fiablement quand les documents chargés collent étroitement à la question, pas quand leur nombre total augmente. Dix entrées de FAQ précises donnent souvent de meilleures réponses que cinquante pages de présentation générale, dans lesquelles le modèle doit d’abord retrouver le bon passage avant de répondre.

Une méthode qui trouve les trous avant la mise en ligne

1. 01Rassemblez les vingt questions réellement les plus posées, tirées d’un e-mail ou d’un historique d’appels — pas celles que vous imaginez être les plus fréquentes.
2. 02Ne chargez que des documents dont vous avez vérifié le contenu et l’actualité. Un tarif obsolète glissé dans la base documentaire devient une réponse fausse mais convaincante.
3. 03Fixez la règle d’escalade avant tout le reste : sur quel type de question le chatbot doit dire explicitement « je ne peux pas répondre avec certitude, voici le contact d’une personne » plutôt que d’improviser.
4. 04Testez les vingt questions rassemblées, plus deux ou trois volontairement hors sujet, et vérifiez que ces dernières déclenchent bien l’escalade plutôt qu’une réponse inventée.

Un exemple de bout en bout

Situation de départ : une boutique en ligne veut un chatbot pour les questions les plus courantes sur la livraison, le retour et les tailles. Premier essai faible : charger l’ensemble des fiches produits comme un seul gros document et donner comme consigne « réponds à toutes les questions sur nos produits ». Résultat : sur une question précise concernant un article donné, le modèle recompose une réponse à partir d’un document long et mal structuré — et se trompe plus souvent qu’un premier test ne le laisse penser, notamment sur des détails comme la composition d’un tissu.

Méthode complète : trois documents courts et séparés — un tableau des délais de livraison par zone, une procédure de retour étape par étape, un tableau des tailles avec équivalences. Puis la consigne fixe : « Réponds uniquement aux questions qui découlent clairement de l’un de ces trois documents. Pour tout le reste — en particulier un détail produit précis, une disponibilité ou un tarif hors standard — réponds : je ne peux rien garantir sur ce point, voici le contact du service client. » C’est cette consigne étroite qui rend le chatbot réellement utile, pas le modèle de langage derrière.

Un chatbot qui répond à tout impressionne au premier test. Un chatbot qui sait renvoyer vers une personne au bon moment est celui qu’un client garde en mémoire comme utile.

Pourquoi un chatbot déjà testé peut quand même se tromper

Un chatbot qui a bien répondu à vingt questions de test n’a pas pour autant été confronté à toutes les formulations réelles. Un vrai visiteur pose la même question différemment — avec une faute de frappe, une tournure familière, plusieurs questions dans un seul message. C’est précisément sur ces formulations que se voit si la règle d’escalade tient vraiment, ou si le modèle invente une réponse parce que la question ressemblait d’assez près à celles du jeu d’entraînement.

Les lignes directrices de l’OCDE sur l’IA citent une supervision humaine effective comme condition d’un usage responsable — pour un chatbot, cela veut dire une règle d’escalade réellement testée, pas seulement plausible sur le papier. Le rythme auquel ces modèles progressent est suivi chaque année par le Stanford AI Index — l’écart entre une réponse qui sonne juste et une réponse réellement exacte se réduit, mais plus lentement qu’un premier test réussi ne le laisse penser.

Ce que mesurent les sources disponibles

L’INSEE mesure qu’en 2024, 10 % des entreprises françaises déclaraient utiliser au moins une technologie d’IA, contre 6 % l’année précédente — les outils de relation client, chatbots compris, comptent parmi les usages les plus fréquemment cités. La CNIL rappelle, pour les TPE et PME qui déploient un système d’IA générative face à leurs clients, qu’une supervision humaine et une information claire des utilisateurs restent nécessaires, quel que soit l’outil.

Cette même routine de vérification est ce que le PwC AI Jobs Barometer retrouve derrière la prime salariale qu’il mesure sur près d’un milliard d’offres d’emploi — pas la capacité à faire fonctionner un chatbot, mais celle à cadrer ses limites avant qu’un client ne les découvre.

Ce que vous essayez cette semaine

1. 01Rassemblez les vingt questions réellement les plus fréquentes issues de votre support.
2. 02Ne chargez que des documents vérifiés et à jour — mieux vaut peu et précis que beaucoup et général.
3. 03Formulez la règle d’escalade comme une consigne ferme, avant la mise en ligne du chatbot.
4. 04Testez les questions rassemblées, plus deux volontairement hors sujet, avant toute publication.

Si le besoin réel dépasse une simple réponse à une question — décider elle-même de la suite à donner selon plusieurs cas de figure — la différence avec un vrai agent autonome est détaillée dans Créer un agent IA. Si un enchaînement fixe de plusieurs étapes suffit une fois la question traitée, par exemple prévenir automatiquement une autre équipe, Automatisation IA est le point de départ le plus simple. Formuler la consigne du chatbot d’une façon assez précise pour qu’il ne l’interprète pas de travers suit la même logique qu’un bon prompt, détaillée dans Formation prompt IA. Avant même de régler le périmètre, encore faut-il choisir l’outil qui l’héberge — les critères de ce choix sont détaillés dans Logiciel chatbot.

Si vous préférez un parcours complet plutôt que d’apprendre au fil des tâches, Formation IA générative part de zéro et couvre cette même prudence face à un système qui répond à votre place.

Cette compétence — cadrer étroitement un périmètre et tester l’escalade avant la mise en ligne — est ce que Coursium fait pratiquer par petites leçons sur votre téléphone, sur des tâches réelles plutôt que sur une démonstration. Gardez une longueur d’avance sur l’IA en commençant ici — ou lisez d’abord à propos de Coursium.