Découvrez comment un grand modèle de langage transforme un message client en réponse, pourquoi il se trompe parfois et comment le cadrer pour votre PME.
Un client écrit sur WhatsApp à 22 h : « Vous livrez en Belgique ? ». Quelques secondes plus tard, une réponse précise arrive, sans qu'aucun humain ne soit intervenu. Comprendre ce qui se passe entre les deux vous aide à choisir les bons réglages, à éviter les mauvaises surprises et à savoir quand passer la main à une personne. Cet article déroule le mécanisme sans jargon inutile.
Ce qu'est vraiment un grand modèle de langage
Un grand modèle de langage (LLM, pour large language model) est un programme entraîné sur d'immenses volumes de texte afin de prédire, mot après mot, la suite la plus plausible d'un texte donné. Il ne « sait » pas les choses comme un employé qui connaît votre catalogue : il produit des phrases cohérentes à partir de régularités apprises.
Trois conséquences pratiques :
- Il écrit très bien, dans la langue du client. Une question en français de Montréal, de Liège ou de Lausanne ne pose pas de difficulté de formulation.
- Il ne connaît pas votre entreprise par défaut. Vos tarifs, vos délais, votre politique de retour ne figurent pas dans son entraînement général.
- Il a une date de coupure. Ce qui s'est passé après la fin de son entraînement lui est inconnu, sauf si on le lui fournit.
Autrement dit, le modèle est un excellent rédacteur et un très mauvais archiviste. Tout l'enjeu d'un agent de support consiste à lui apporter les bonnes informations au bon moment.
Du message à la réponse : le parcours complet
Que le message arrive par le chat de votre site, Messenger ou WhatsApp, le trajet suit en gros les mêmes étapes.
- 01Message du client
- 02Recherche dans vos contenus
- 03Consigne + extraits + question envoyés au modèle
- 04Réponse rédigée et contrôlée
1. La réception
Le canal transmet le texte à l'agent. À ce stade, rien d'intelligent : un message est simplement arrivé, avec son historique de conversation.
2. La recherche dans vos contenus
Avant d'interroger le modèle, l'agent cherche dans votre base de connaissances (fiches produits, FAQ, conditions de livraison, pages de votre site) les passages qui ressemblent à la question. C'est ce qui permet de répondre avec vos informations plutôt qu'avec des généralités.
3. La construction de la requête
Le modèle reçoit un ensemble structuré :
- la consigne de l'agent (son rôle, son ton, ses interdits) ;
- les extraits retrouvés dans vos contenus ;
- l'historique récent de la conversation ;
- la question du client.
4. La génération
Le modèle rédige la réponse en s'appuyant sur ce contexte. Il n'a pas de mémoire propre d'une conversation à l'autre : tout ce qu'il « sait » à cet instant, c'est ce qu'on vient de lui transmettre.
5. Les contrôles et l'envoi
Des filtres peuvent vérifier la requête et la réponse, puis le texte repart vers le canal d'origine. Si la situation l'exige, la conversation est transmise à un humain plutôt que de recevoir une réponse automatique.
Pourquoi un LLM se trompe parfois
Les erreurs ne sont pas aléatoires : elles ont des causes identifiables.
- Information absente. Si votre base ne contient pas la réponse, le modèle peut combler le vide avec une réponse plausible mais inventée. On parle d'« hallucination ».
- Information contradictoire. Deux versions de vos conditions de retour, l'une ancienne, l'autre récente : le modèle ne sait pas laquelle fait foi.
- Question ambiguë. « C'est combien ? » sans produit précisé appelle une question de clarification, pas une réponse.
- Consigne trop vague. Un agent à qui l'on dit simplement « sois utile » improvisera là où il devrait s'abstenir.
- Tentatives de détournement. Certains visiteurs cherchent volontairement à faire ignorer ses règles à l'agent.
L'ancrage : garder les réponses attachées à vos contenus
L'ancrage (grounding) consiste à obliger l'agent à répondre à partir de vos documents, et à reconnaître quand il ne trouve rien. C'est le levier le plus efficace contre les inventions.
Les bonnes pratiques
- Une source de vérité par sujet. Supprimez ou mettez à jour les anciennes versions de vos documents.
- Des contenus rédigés comme on parle aux clients. Une fiche « Délais de livraison en Suisse » sera mieux retrouvée qu'un PDF de 40 pages mêlant tous les pays.
- Des questions-réponses pour les cas sensibles. Pour le remboursement ou la garantie, une réponse validée par vos soins vaut mieux qu'une reformulation libre.
- Une consigne explicite sur l'inconnu. Indiquez à l'agent ce qu'il doit dire quand l'information manque, par exemple proposer de contacter l'équipe.
Le cas du RGPD
Si vos contenus comportent des données personnelles, la prudence s'impose. Ne chargez pas dans la base de connaissances des listes de clients ou des échanges nominatifs : l'agent n'en a pas besoin pour répondre à une question de livraison. Limitez-vous aux informations qui peuvent être montrées à n'importe quel visiteur.
Choisir et tester le modèle
Il n'existe pas de « meilleur » modèle universel, seulement un modèle adapté à votre usage.
| Critère | Ce qu'il faut regarder |
|---|---|
| Qualité rédactionnelle | Ton, politesse, respect du vouvoiement |
| Fidélité aux sources | Le modèle s'en tient-il à vos documents ? |
| Vitesse | Acceptable sur un chat en direct ? |
| Coût | Un modèle plus puissant consomme généralement davantage |
| Langues | Qualité en français, y compris les expressions locales |
Une méthode de test simple
- Rassemblez vingt vraies questions reçues le mois dernier, dont quelques-unes pièges (hors sujet, informations manquantes).
- Posez-les au même agent avec deux modèles différents.
- Comparez : exactitude, ton, capacité à dire « je ne sais pas ».
- Retenez le modèle qui échoue de la manière la moins risquineuse pour votre métier, pas forcément le plus brillant.
Refaites ce test après chaque modification importante de vos contenus ou de la consigne.
La passation : ce que le modèle ne doit pas faire seul
Certaines situations ne se règlent pas par une réponse générée : un client en colère, une demande de remboursement exceptionnelle, un litige, une question qui touche aux données personnelles, un sujet médical ou juridique.
Prévoyez des règles claires :
- les cas où l'agent doit transférer (insatisfaction répétée, demande explicite d'un humain, sujet hors périmètre) ;
- qui reçoit la conversation et à quelle heure ;
- ce que le client lit pendant l'attente, sans promesse de délai que vous ne pourriez pas tenir.
Une bonne passation donne à l'humain l'historique complet, pour que le client n'ait pas à répéter sa demande. Relisez ensuite les conversations transmises : c'est la meilleure source pour améliorer vos contenus.
Mettre cela en pratique avec AI SNS CHAT
Voici comment les étapes ci-dessus se traduisent dans AI SNS CHAT.
Alimenter l'agent. Dans le menu Data sources, vous ajoutez des fichiers, des extraits de texte, un site web, des questions-réponses ou Notion. Des connecteurs sous Channels permettent aussi de relier Confluence, Google Drive, OneDrive, Dropbox, SharePoint, Zendesk Guide et d'autres sources documentaires. Les passages de la base montrés à des inconnus sont nettoyés des données personnelles.
Choisir le modèle. Dans Agent → Settings → AI, vous sélectionnez le fournisseur : Anthropic (Claude), OpenAI, Google (Gemini) ou OpenRouter. Si un fournisseur est indisponible, le service bascule vers les suivants dans cet ordre : celui de l'agent, puis Anthropic, OpenAI, Google, OpenRouter. Les modèles avancés et le basculement nécessitent le forfait Hobby ou supérieur ; en dessous, l'agent utilise le modèle standard du même fournisseur.
Tester avant de publier. Le Playground permet de dialoguer avec l'agent, et sa version de comparaison A/B met deux modèles face à face sur les mêmes questions. Vous pouvez aussi préparer la consigne avec le générateur de prompts, la bibliothèque de prompts ou l'un des 14 personas de départ, et revenir en arrière grâce aux points de restauration (jusqu'à 40 par agent).
Se protéger. Dans les réglages de sécurité de l'agent, des filtres contre l'injection de consignes et les abus, ainsi qu'une limitation de débit par appareil, réduisent les tentatives de détournement.
Passer la main. Sous Helpdesk → Scheduling (forfait Standard ou supérieur), vous définissez des plages de présence par personne et par fuseau horaire ; les transferts sont attribués à la personne de service. Les alertes peuvent partir vers Slack, Teams, LINE WORKS, WhatsApp, e-mail ou webhook. Le message affiché au client est composé par le serveur à partir du planning et n'invente jamais de délai. Dans Activity → Chat logs, vous pouvez reprendre la main sur une conversation (l'agent se met en pause), corriger une réponse pour en faire la réponse idéale qui entraîne l'agent, et noter les échanges.
Les canaux. Le widget de chat, WhatsApp, Messenger, Instagram et bien d'autres sont déployables depuis Channels. Détails sur les connexions, les fonctionnalités et les tarifs. Pour les pratiques de sécurité, conçues en référence au RGPD et à l'APPI, consultez la page sécurité.
Synthia, l'assistante intégrée au tableau de bord, peut vous guider écran par écran si vous cherchez un réglage.
Conclusion
Un LLM n'est ni un oracle ni un simple moteur de recherche : c'est un rédacteur très doué qui ne connaît que ce qu'on lui montre. La qualité de vos réponses dépend donc de trois choses que vous maîtrisez : des contenus à jour, une consigne précise et une passation bien pensée vers vos équipes. Commencez petit, testez sur de vraies questions, relisez les conversations, et élargissez le périmètre progressivement.
Questions fréquentes
Le modèle apprend-il automatiquement de chaque conversation client ?
Non. Le modèle lui-même ne change pas d'une conversation à l'autre. L'agent s'améliore quand vous améliorez ses contenus, sa consigne ou ses réponses de référence, par exemple en corrigeant une réponse dans les journaux de chat pour en faire la réponse idéale. Une fonction de notes de mémoire par personne (Co-Agent) existe, mais elle est désactivée par défaut et les notes attendent votre validation.
Pourquoi l'agent répond-il parfois avec des connaissances générales plutôt qu'avec mes documents ?
Souvent, parce que la recherche n'a pas trouvé de passage pertinent : le document manque, il est trop long ou rédigé autrement que la question du client. Ajoutez une fiche ou une question-réponse dédiée, supprimez les versions contradictoires et précisez dans la consigne que l'agent doit signaler qu'il ne sait pas plutôt que d'improviser.
L'agent peut-il chercher sur le web quand ma base n'a pas la réponse ?
Pas de façon générale. La recherche web en repli existe uniquement sur LINE WORKS (Behaviour → Web search), avec citation de la page utilisée, et une réponse issue du web coûte par défaut deux fois plus de crédits. Sur les autres canaux, l'action Tavily donne à un agent une recherche web en temps réel, dans la limite des actions autorisées par votre forfait.
Quel modèle choisir pour le support client ?
Aucun n'est universellement meilleur. Comparez deux ou trois modèles sur vos propres questions réelles dans le Playground A/B, en jugeant l'exactitude, le ton en français et la capacité à reconnaître une limite. Gardez le compromis entre qualité, rapidité et consommation de crédits qui convient à votre volume.
Comment empêcher qu'on fasse ignorer ses règles à l'agent ?
Combinez plusieurs protections : une consigne claire avec des interdits explicites, les filtres d'injection de consignes et d'abus disponibles dans les réglages de sécurité de l'agent, la limitation de débit par appareil, et une passation vers un humain pour les demandes sensibles. Aucune protection n'est absolue : testez vous-même des tentatives de détournement avant la mise en ligne et relisez régulièrement les conversations.


