Aller au contenu
Ressources
Article

Chatbot ou agent IA : pourquoi une seule tâche en arrière-plan marche mieux

Un chatbot face au client est très difficile à réussir. Un agent IA qui fait une seule tâche en arrière-plan se mesure, et je vous dis par où commencer.

Stan GirardStan Girard, Cofondateurlundi 16 novembre 20267 min🇫🇷🇬🇧
La mascotte The Vibe Company prépare un brouillon à un bureau, pendant qu'une borne de chat face au client reste vide

Chatbot ou agent IA : si vous vous posez la question, je parie que la réponse est déjà tombée en réunion, sous la forme « on va mettre un chatbot ». Je comprends le réflexe. Un chatbot, ça se montre bien en démo, et tout le monde sait à quoi ça ressemble.

Mon avis, lui, vient d'un chatbot que j'ai construit moi-même. Un chatbot est fait pour un utilisateur final, quelqu'un qui attend devant son écran, et rendre cette expérience vraiment bonne est très difficile. Un agent IA, tel que je l'entends, est le contraire d'un généraliste. Il fait une seule tâche, très bien, le plus souvent en arrière-plan, après une demande client ou au milieu d'un process.

Donc si vous hésitez, commencez par l'agent. Une tâche, hors de la vue du client, que vous pouvez mesurer puis améliorer. Il m'a fallu un chatbot trop lent pour le comprendre.

Chez Quivr, la même réponse était trop lente face au client et assez rapide en arrière-plan

En 2023, j'ai créé Quivr avec Antoine Dewez. C'est un agent conversationnel sur vos documents : vous posez une question, il répond à partir de vos fichiers. Quivr a compté plus de 100 000 utilisateurs en 2024-2025.

Toute l'équipe faisait tout pour qu'une réponse de qualité arrive en moins de 5 secondes. C'était très dur, parce qu'une bonne réponse prenait en général 30 secondes. Il fallait choisir entre la vitesse et la qualité, donc entre deux façons de perdre : répondre vite et mal, ou bien et trop tard.

Imaginez-vous devant une fenêtre de chat qui tarde à répondre. Vous avez déjà rouvert un autre onglet.

En face du client, une bonne réponse prenait 30 secondes et le chatbot devait faire en moins de 5. En arrière-plan, on peut prendre 30 secondes à 1 minute.

Puis il y a eu le support client par mail, sur Zendesk. Les questions des utilisateurs y étaient compliquées, et les humains y répondaient d'habitude en quelques heures. Là, prendre 30 secondes à 1 minute pour rédiger une réponse ne gênait personne. Le délai qui condamnait le chatbot devenait, par mail, une réponse éclair.

Ce qui avait changé, c'était l'attente de la personne en face. C'est pour ça que Quivr a pivoté vers le support client.

Ce choix tourne encore en production chez LocService, une plateforme de location immobilière entre particuliers qui reçoit des centaines de tickets de support par jour. L'autodraft de Quivr lit les anciens tickets et la documentation interne, puis rédige la réponse à chaque nouveau ticket. Une personne de l'équipe support relit le brouillon, le corrige si besoin, puis l'envoie. Résultat, 87 % des tickets sont traités grâce à ces brouillons, et la mesure suivie au quotidien tient en une question : le brouillon est-il utilisé ?

La méthode complète est dans l'article sur l'agent IA de support client. Ce qui m'intéresse ici, c'est la forme : une seule tâche en arrière-plan, et une mesure.

Le RAG, la technique derrière Quivr, m'a appris la même chose par l'autre bout. Quand un chatbot n'est pas bien cantonné, les utilisateurs sont souvent déçus du résultat. Un chatbot qui fait une seule tâche très bien, ce que j'appelle un agent IA, est bien meilleur.

Je me l'applique. L'assistant généraliste dont je me sers est un chat, et je l'ai spécialisé en créant plusieurs agents, chacun sur une tâche. Un agent se multiplexe facilement : vous en faites tourner plusieurs, et la tâche de chacun se mesure et s'optimise mieux qu'une conversation ouverte.

Il y a pourtant une objection que je me fais moi-même.

L'objection est juste : un chatbot, c'est bien s'il est bien fait

Si votre besoin tient en une seule tâche étroite, et que la bonne réponse ne dépend d'aucun dossier client rangé dans vos systèmes, un outil clé en main peut suffire. Prenez-le et passez à autre chose.

Regardez pourtant ce que l'objection concède. Le chatbot qui marche est celui que quelqu'un a cantonné à une seule chose. C'est déjà presque un agent.

Ce qui cloche, c'est le chatbot à qui l'on demande de tout faire face à l'utilisateur final. Les attentes n'ont plus de bord : la personne peut tout demander, donc elle s'attend à ce qu'il sache tout.

Et sur un support où la bonne réponse dépend du dossier de chacun, une erreur de l'IA se voit tout de suite. Elle part avec le nom de l'entreprise dessus. C'est pourquoi, chez LocService, aucun chatbot ne répond seul aux clients.

Un avis qui n'engage que moi : je trouve nuls les chatbots de grand groupe, celui d'Uber Eats par exemple.

Autre point que je concède : plus ou moins tout le monde peut en faire, des chatbots comme des agents. Ma différence tient à l'expérience : avoir construit Quivr, et voir LocService tourner encore en production.

Reste la question pratique : par où commencer.

Chatbot ou agent IA : pour une PME, tout commence par une seule tâche

Laissez le chatbot généraliste de côté. Cherchez une tâche.

Une bonne candidate arrive après une demande client ou au milieu d'un process, et quelqu'un chez vous la fait déjà à la main. Demandez-vous combien de temps la personne en face attend aujourd'hui. Si elle attend des heures, votre agent a largement le temps de bien faire. Si elle attend devant un écran, vous retrouvez le problème que j'avais avec Quivr.

Mettez ensuite cette tâche en arrière-plan, avec un humain qui relit. L'IA prépare, l'humain envoie. Une erreur se corrige alors avant de sortir, au lieu de partir chez le client.

Puis mesurez, et mesurez l'usage. Une démo réussie ne dit rien de ce qui se passera la semaine suivante. La question de LocService suffit : ce que l'agent a produit, est-ce que quelqu'un s'en sert ?

Comptez-le chaque jour. Si le taux stagne, vous savez où regarder, parce qu'une seule tâche laisse peu d'endroits où chercher.

Pour la tâche suivante, allez voir les types d'agents IA par lesquels une entreprise peut commencer. Et si vous cherchez quelqu'un pour construire le premier, partez de ce comparatif des agences IA.

La prochaine fois que vous entendez « on va mettre un chatbot », posez une seule question : quelle tâche, exactement ?

Si vous hésitez sur la tâche, venez m'en parler. Prenez rendez-vous et décrivez-moi ce que vos équipes font après une demande client. C'est par là que je commence à chercher la tâche.

Les chiffres de Quivr viennent de mon expérience, rapportée au 16 novembre 2026, et celui de LocService de l'étude de cas publiée.

FAQ

Un chatbot suffit-il parfois ?

Oui, un chatbot suffit quand il est bien fait et cantonné à une seule tâche étroite, dont la réponse ne dépend d'aucun dossier client rangé dans vos systèmes. Dans ce cas, un outil clé en main peut faire l'affaire. Un chatbot généraliste face à l'utilisateur final déçoit souvent, parce que cette expérience est très difficile à rendre bonne.

Comment mesurer qu'un agent IA en arrière-plan sert vraiment ?

Mesurez l'usage de ce que l'agent IA produit. Chez LocService, la mesure suivie au quotidien est une question simple : le brouillon préparé par l'IA est-il utilisé par l'équipe support ? Un taux d'usage relevé chaque jour en dit plus qu'un score obtenu sur un jeu de test choisi à l'avance.