Un assistant IA de support traite en général 50 à 80 % des questions sans intervention humaine, selon le secteur. C'est la fourchette que nous observons sur les assistants de service client mis en production.
Le haut de la fourchette se rencontre sur le support d'un éditeur SaaS, où les questions se répètent. Le bas, là où dominent les problèmes de compte ou de commande, que l'assistant ne peut pas régler seul. Cet article explique ce qui fait varier le taux de résolution, comment le mesurer chez vous, et ce qu'on constate après plusieurs milliers de questions.
En bref
- Environ 50 à 80 % des questions traitées sans humain, selon le secteur
- Ce qui fait varier le taux : la part de questions « comment faire » contre celle de cas particuliers
- Une erreur de commande ou un problème de compte exige d'agir dans un système : l'assistant escalade
- Le taux se mesure avec les vraies questions des utilisateurs et une notation binaire
- Sur la plupart des assistants de service client, l'usage monte avec le temps
Taux de résolution d'un chatbot : 50 à 80 % selon le secteur
Le taux de résolution d'un chatbot de service client est la part des questions traitées sans qu'un humain intervienne. Sur les assistants que nous avons mis en production, il se situe entre environ 50 et 80 %, et l'écart tient d'abord au secteur.
Ces ordres de grandeur viennent de notre pratique : une vingtaine de RAG construits, améliorés ou audités, dont une dizaine en production aujourd'hui. Ce ne sont pas des promesses. Chez Heeya, un assistant de support pour éditeurs SaaS, plus de 20 000 questions ont été répondues, et le cas client est détaillé dans le retour d'expérience sur l'agent IA de service client Heeya.
Un point de vocabulaire : « traitée sans humain » ne veut pas dire « bien traitée ». Un taux de résolution n'a de sens que si les réponses sont correctes, d'où l'importance de la mesure détaillée plus bas.
Ce qui fait la différence entre 50 et 80 %
Le taux dépend avant tout de la nature des questions que reçoit le support, bien plus que du modèle de langage choisi. Les questions « comment faire » trouvent leur réponse dans la documentation. Les « mon cas particulier » demandent de regarder un compte, une commande, un historique.
| Type de question | Exemple | Traitée par l'assistant ? |
|---|---|---|
| Fonctionnalité | « Est-ce que je peux faire ceci dans le produit ? » | Oui, la réponse est dans la documentation |
| Mode d'emploi | « Comment faire cela ? » | Oui, avec la source affichée |
| Règle ou condition | « Quelles sont les conditions de ce forfait ? » | Oui, si le document est à jour |
| Cas particulier | « Mon export plante depuis hier sur mon compte » | Partiellement : pistes générales, puis escalade |
| Problème de compte ou de commande | « Ma commande n'est pas arrivée » | Non : il faut agir dans le système |
Un support dont le flux est surtout fait de lignes 1 à 3 de ce tableau approche le haut de la fourchette. Un support où les lignes 4 et 5 pèsent lourd reste vers le bas. Deux autres facteurs jouent, dans la plupart des projets :
- La qualité du corpus : documentation produit à jour, FAQ, problèmes récurrents déjà rédigés. Une réponse absente de la base ne sera pas inventée par un assistant bien configuré.
- L'interface : la façon dont l'information est présentée compte autant que le moteur. Une réponse claire, avec sa source cliquable, est lue et crue. Une réponse noyée dans un long texte renvoie l'utilisateur vers le ticket.
Le moteur de recherche et l'architecture comptent aussi, mais ils sont détaillés dans notre article sur l'architecture d'un agent IA de support client N1. Ici, on s'en tient à ce que le dirigeant peut attendre.
Les questions qu'un assistant ne peut pas traiter, et comment les escalader
Une question sur un problème ou une erreur de commande ne peut pas être traitée par un assistant documentaire. Pour y répondre, il faut agir dans le système : vérifier un compte, retrouver une commande, déclencher une action. Un assistant qui s'appuie sur la documentation explique, il n'opère pas.
Le sujet n'est donc pas de réduire cette part à zéro, mais de bien la transmettre. Une bonne escalade tient en quelques règles :
- Reconnaître tôt qu'il s'agit d'un cas hors périmètre, au lieu de multiplier les réponses approximatives.
- Résumer la conversation pour l'agent humain : l'utilisateur ne répète pas son problème.
- Joindre ce qui est déjà connu : la question initiale, les pages de documentation proposées, la réaction de l'utilisateur.
- Dire à l'utilisateur ce qui va se passer : qui le recontacte et par quel canal.
Dans le cas d'un éditeur de logiciel médical, l'assistant a réduit de moitié le volume de tickets entrants, tout en laissant à l'équipe les demandes qui exigent un humain (voir le cas client de l'éditeur de logiciel médical). Cette mesure porte sur les tickets, pas sur le taux de résolution décrit ici : les deux indicateurs ne se comparent pas directement.
Pourquoi le support d'un SaaS est le meilleur terrain
Le support d'un éditeur SaaS est le terrain où un assistant atteint le haut de la fourchette, parce que les questions s'y répètent. « Est-ce que je peux faire ça ? », « Comment faire ci ? » : la même question revient d'un client à l'autre, avec les mêmes mots ou presque.
Trois raisons y contribuent :
- Un corpus naturel : la documentation produit, la FAQ et les problèmes récurrents existent déjà, souvent publiquement.
- Des questions fermées sur le produit : on parle de fonctionnalités, pas de situations personnelles.
- Une vérification facile : la réponse se confronte à une page de documentation, que l'on peut afficher en source.
Un e-commerce, lui, reçoit davantage de questions sur des commandes précises, donc plus d'escalades. C'est une question de nature de flux, pas de qualité de l'assistant. Pour choisir entre un outil du marché et un développement spécifique, voir notre comparatif chatbot support client SaaS ou RAG sur mesure. Pour une PME qui cherche d'abord une solution, l'article sur le chatbot IA service client pour une PME française sert de point de départ.
Mesurer votre taux de résolution vous-même
Le taux de résolution se mesure en rejouant de vraies questions d'utilisateurs et en notant chaque réponse de façon binaire : correcte ou non. Le résultat est un pourcentage, que l'on suit à chaque évolution de l'assistant.
Notre méthode en mission tient en quelques points :
- Démarrer tôt : dès les deux à trois premiers jours, 20 à 50 questions de test suffisent pour une première mesure.
- Utiliser les vraies questions : pendant les tests, toutes les questions des utilisateurs sont reprises dans le jeu d'évaluation, qui grossit au fil du projet.
- Noter en binaire : une note de 1 à 5 est peu pertinente. On suit le pourcentage de bonnes réponses, de réponses complètes et de réponses fausses.
- Rejouer à chaque changement : sans cela, impossible de savoir si l'on progresse ou si l'on régresse.
La première mesure surprend régulièrement : elle est souvent plus basse que ce que l'équipe imaginait. C'est normal, et c'est ce qui rend les corrections suivantes utiles. Le détail est dans notre article mesurer la performance d'un RAG en entreprise. Pour la partie technique (métriques, outils), voir la baseline d'évaluation RAG sur ianas.fr.
Ce qu'on observe après des milliers de questions
Après plus de 20 000 questions répondues chez Heeya, et sur d'autres assistants de service client, le constat le plus net est que l'usage monte avec le temps sur la plupart des projets. Les utilisateurs prennent l'habitude de poser leur question à l'assistant avant d'ouvrir un ticket.
Trois enseignements reviennent :
- Les questions réelles ne ressemblent pas aux questions imaginées au cadrage. C'est pourquoi on les récolte et on les réintègre dans l'évaluation.
- Sourcer les réponses change la confiance : l'utilisateur vérifie en un clic, et l'équipe repère vite une source obsolète.
- Les problèmes récurrents alimentent le corpus : une question qui revient et reste sans réponse devient une page de documentation de plus.
Nous n'avons pas d'analyse chiffrée des historiques de questions à vous présenter, et nous ne ferons pas semblant : l'évolution dépend du projet. Ce qui est constant, c'est la méthode : mesurer, corriger, remesurer.
Aller plus loin
Pour un assistant branché sur votre documentation produit, FAQ et problèmes récurrents, découvrez notre offre d'assistant IA interne et RAG. Le principe général est expliqué dans notre guide du RAG en entreprise.
Questions fréquentes sur le taux de résolution d'un assistant IA de support
Articles recommandés
- Mesurer la performance d'un RAG : la méthode d'évaluation binaire sur de vraies questions.
- Agent IA support client N1 : l'architecture et les garde-fous.
- Chatbot support client SaaS ou RAG sur mesure : choisir son approche.
- Chatbot IA service client pour une PME française : choisir une solution.
