Un agent IA support client répond aux demandes de niveau 1 de vos utilisateurs à partir de votre documentation, de leur compte et de votre produit. Ce qu'il ne sait pas traiter part chez votre équipe avec tout le contexte : compte, écran, erreur, étapes déjà tentées. Tensoria, basée à Toulouse, conçoit ces agents sur mesure, y compris quand les données sont sensibles (santé, paie, RH, finance).
Pour qui
Les éditeurs de logiciels (SaaS, logiciels métier) et les fabricants d'équipements, de 50 à 500 personnes, dont l'équipe support répond chaque semaine aux mêmes questions. Nos interlocuteurs habituels : CTO, directeur produit, responsable support.
Le constat
Chez un éditeur de logiciel, une grande partie des tickets porte sur des questions déjà traitées : comment exporter, où modifier un paramètre, pourquoi un import a échoué. La réponse existe souvent dans la documentation. L'utilisateur ne la cherche pas, ou ne la trouve pas au moment où il est bloqué.
Gartner a mesuré cet écart : dans une enquête menée en décembre 2023 auprès de 5 728 clients, seulement 14 % des demandes de service client sont entièrement résolues en libre-service, et 36 % pour celles que les clients jugent très simples. Première cause d'échec, relevée dans plus de 43 % des cas : ne pas trouver le contenu pertinent (Gartner, août 2024).
Le ticket arrive ensuite incomplet : pas d'identifiant de compte, pas de version, pas de capture. Le premier échange sert à demander le contexte. Et comme les personnes qui connaissent le mieux le produit sont au niveau 2, parfois dans l'équipe de développement, ce sont elles qui absorbent ce flux.
Ce que l'on retrouve dans la plupart des files de tickets
Avant le projet, chez un éditeur de logiciel médical
« On a toute la documentation et des vidéos explicatives, mais nos utilisateurs ouvrent un ticket plutôt que de les consulter. On passe nos journées à répondre à des questions déjà répondues. »
Ce que fait l'agent
« Comment poser un congé ? » se trouve dans la documentation. « Pourquoi ma note de frais de mardi est refusée ? » demande de lire le compte de l'utilisateur : la note, son montant, la règle qui l'a bloquée.
Un chatbot qui lit la documentation répond à la première question. Un agent connecté à votre produit répond aux deux, et peut agir. Pour un fabricant d'équipements, la logique est la même : « que signifie le code erreur E42 ? » relève de la documentation, « pourquoi ma machine s'est arrêtée cette nuit ? » demande l'historique de la machine. Quand ce fabricant veut aussi outiller le diagnostic de panne et l'escalade vers un technicien N2, c'est le cas d'usage détaillé dans notre agent IA SAV pour fabricants d'équipements.
Exemple de conversation
Exemple illustratif. La note et la règle viennent du compte de l'utilisateur, la marche à suivre vient de la documentation.
Guides, FAQ, notes de version, vidéos transcrites, tickets déjà résolus. L'agent répond aux questions « comment faire » et cite la page ou la vidéo d'où vient la réponse, pour que l'utilisateur puisse vérifier.
L'agent interroge vos API avec les droits de l'utilisateur connecté : statut d'un traitement, historique, paramétrage, dernier message d'erreur. Il traite les questions « pourquoi ça ne marche pas chez moi », celles qui partent aujourd'hui au niveau 2.
Pré-remplir un ticket avec le contexte, relancer un traitement bloqué, donner le statut d'une demande. Les actions sont limitées à une liste définie avec vous, et celles qui modifient des données passent par une confirmation de l'utilisateur.
Escalade vers un humain
Quand l'agent ne sait pas, ou que la demande sort de son périmètre, il transmet à votre équipe la conversation, les données consultées et ce qui a déjà été essayé. Le niveau 2 reprend le ticket sans reposer les questions.
| Niveau | Exemple de question | Ce que l'agent consulte | Ce qu'il fait |
|---|---|---|---|
| Documentation | « Comment exporter mes données en CSV ? » | Guides, FAQ, vidéos, tickets résolus | Répond et cite la source |
| Compte | « Pourquoi mon import de ce matin a échoué ? » | Journal d'import et paramétrage du compte, via vos API | Explique la cause propre à ce compte |
| Actions | « Pouvez-vous relancer le calcul ? » | API de traitement, droits de l'utilisateur | Relance après confirmation, ou pré-remplit un ticket |
| Escalade | Demande hors périmètre ou réponse incertaine | Toute la conversation et les données consultées | Transmet à votre équipe avec le contexte |
Mise en production
Une démo répond bien à dix questions choisies. En production, l'agent reçoit des milliers de questions que personne n'a prévues, sur des comptes qui contiennent des données personnelles. Ces cinq points sont traités dès la conception.
Permissions
Un utilisateur ne voit jamais les données d'un autre
L'agent appelle vos API avec l'identité de l'utilisateur connecté. Il voit ce que l'utilisateur voit dans l'application, rien de plus. Ce contrôle est appliqué par vos API, pas par les instructions données au modèle.
Refus
« Je ne sais pas » plutôt qu'une réponse inventée
Sans source suffisante, l'agent le dit et propose de transmettre la demande. Le seuil est réglé avec votre équipe : sur de la paie ou des données de santé, une mauvaise réponse coûte plus cher qu'un transfert.
Évaluation
Mesurée sur vos vrais tickets
Un jeu de test construit à partir de vos tickets historiques, anonymisés, mesure les bonnes réponses, les refus et les erreurs. Il est rejoué avant chaque mise en production et à chaque changement de modèle ou de prompt.
Coût
Un coût par conversation maîtrisé
Modèle choisi selon l'étape, nombre d'appels d'outils plafonné par conversation, coût réel suivi conversation par conversation. Vous savez ce que coûte une demande résolue avant de généraliser.
Journalisation
Chaque réponse est traçable
Conversations, sources consultées et actions exécutées sont journalisées. Ces traces servent à corriger l'agent, à répondre à un client qui conteste une réponse et à documenter l'usage.
Cadre de référence
Ces points recoupent trois risques du classement OWASP des applications LLM (édition 2025) : divulgation d'informations sensibles, autonomie excessive, consommation non bornée. Depuis le 2 août 2026, l'article 50 du règlement européen sur l'IA impose aussi d'informer l'utilisateur qu'il échange avec une IA : le widget l'indique dès le premier message.
Intégration
L'agent s'installe dans les outils que vos utilisateurs et votre équipe support utilisent déjà.
Côté utilisateur
L'utilisateur est déjà authentifié et l'agent sait sur quel écran il se trouve : inutile de lui demander son identifiant ou sa version. Le même agent peut aussi répondre depuis votre centre d'aide ou par e-mail.
Côté équipe support
Zendesk, Freshdesk, Intercom, HubSpot : l'agent crée ou complète le ticket dans l'outil que votre équipe utilise déjà. Aucun nouvel outil à adopter pour le niveau 2.
Côté produit
Lecture du compte, statuts, relance de traitements. Si vos API internes ne sont pas prévues pour ça, on définit avec votre équipe un petit ensemble d'outils dédiés, exposés directement ou via un serveur MCP, chacun avec ses droits.
Hébergement
Dans votre cloud (AWS, Azure, Google Cloud), sur un cloud français (OVHcloud, Scaleway, Outscale) ou on-premise. Les modèles sont appelés en région européenne, ou auto-hébergés en open-weight quand les données ne doivent pas sortir de votre infrastructure. Le choix se fait au cadrage, selon vos contrats clients et la nature des données.
Construire ou se faire accompagner
Oui pour un prototype, et ils connaissent votre produit mieux que personne. Un agent qui répond depuis la documentation se monte en une semaine avec les outils actuels, et la démo est souvent convaincante.
La mise en production demande un autre type de travail, qui avance rarement au rythme de la roadmap produit. On le mène en binôme avec votre équipe.
Le code vous appartient. Il est livré dans votre dépôt, l'architecture est documentée, et on forme vos développeurs pour qu'ils reprennent l'agent et le fassent évoluer seuls.
Ce que la production demande en plus du prototype
Un prototype existe déjà ?
L'audit technique RAG et agents IA mesure ce qu'il vaut sur vos données, localise les causes d'erreur et priorise ce qu'il reste à faire avant la production.
Choisir le bon niveau
Le critère principal : l'agent a-t-il besoin de connaître l'utilisateur ? Si la réponse est non, un développement n'est pas nécessaire.
Clé en main
Si l'agent doit répondre à partir d'une documentation ou d'un site public, Heeya, le SaaS de chatbot RAG conçu par Tensoria, se déploie en quelques heures : un widget à intégrer, l'adresse de votre documentation à indexer, des analytics sur les questions posées, et une marque blanche pour l'afficher sous votre nom.
Découvrir HeeyaSur mesure
Pour comparer les options en détail : chatbot support client SaaS ou RAG sur mesure, et le comparatif des outils chatbot IA service client.
Indicateurs
Les indicateurs sont définis au cadrage et mesurés sur vos données avant le lancement, pour comparer à un point de départ réel.
| Indicateur | Ce qu'il mesure | Point d'attention |
|---|---|---|
| Taux de résolution sans humain | Part des conversations closes sans ticket ni transfert | Une conversation close n'est pas toujours résolue : on la croise avec les tickets ouverts par le même utilisateur dans les jours suivants |
| Tickets évités | Écart entre le volume de tickets attendu et le volume réel, par motif | Comparer à période équivalente : clôture, paie, mise à jour majeure |
| Délai de première réponse | Temps entre la question et la première réponse utile, de l'agent ou d'un humain | Suivre aussi le délai des tickets transférés, qui arrivent avec leur contexte |
| Questions sans réponse | Demandes où l'agent a répondu « je ne sais pas » | Classées par fréquence, elles donnent la liste des pages de documentation à écrire ou à corriger |
Cas client
Un éditeur toulousain de logiciel de statistiques, utilisé par des médecins, des chercheurs et des équipes hospitalières, disposait d'une documentation complète et de vidéos tutoriels. Ses utilisateurs ouvraient quand même un ticket.
Tensoria a intégré un assistant dans l'interface du logiciel. La documentation et les transcriptions des vidéos sont indexées dans une base vectorielle Qdrant hébergée en Europe. La recherche est hybride : BM25 pour les termes exacts (noms de tests statistiques, abréviations métier), recherche vectorielle pour le sens, fusion par Reciprocal Rank Fusion puis reranking. Les modèles de langage sont des LLM européens, déployés en Europe sur AWS.
Résultat : le volume de tickets entrants a été réduit de moitié. Quand une vidéo est la meilleure réponse, l'assistant la propose avec l'extrait correspondant.
Ce projet couvre le premier niveau, documentation et vidéos. Les niveaux compte et actions s'appuient sur la même base, avec en plus l'accès à vos API et les permissions associées.
Après le déploiement
« Les utilisateurs trouvent maintenant les réponses eux-mêmes, et quand l'assistant leur propose directement la bonne vidéo, ils sont bluffés. Notre équipe support peut enfin se concentrer sur les vrais problèmes. »
Lire le cas client
Éditeur médical : RAG et support utilisateur
Base de connaissances unifiée, recherche hybride, LLM hébergés en Europe sur AWS.
Méthode
On part de vos tickets, on mesure avant d'intégrer, et on ouvre progressivement.
Cadrage sur vos tickets réels
Export anonymisé de vos tickets des derniers mois, classement par motif, part du niveau 1, données nécessaires pour répondre à chaque motif. On en tire les motifs à couvrir en premier et le niveau visé pour chacun.
Prototype évalué
Sur les motifs retenus, un prototype est mesuré sur un jeu de test tiré de vos tickets : bonnes réponses, refus, erreurs, coût par conversation. La décision de continuer se prend sur ces chiffres.
Intégration
Widget dans votre application, connexion au ticketing, outils sur vos API, permissions, journalisation, hébergement choisi au cadrage.
Mise en production
Ouverture progressive, sur un segment d'utilisateurs ou un canal, avec un seuil de transfert prudent au départ, ajusté sur les conversations réelles.
Suivi et transfert
Revue des questions sans réponse, évaluation rejouée à chaque changement de modèle, formation de votre équipe pour qu'elle reprenne l'agent.
Budget et délais
Sur devis, selon le nombre de motifs couverts, les API à connecter et l'hébergement. Premier périmètre en conditions réelles en 6 à 8 semaines ; un agent qui lit le compte et agit dans le produit demande plutôt 2 à 3 mois. Le premier échange de 30 minutes est gratuit.
Pour aller plus loin
Architecture
Agent IA support N1 : architecture RAG et garde-fous
Seuil de confiance, escalade humaine, pseudonymisation et intégrations ticketing, détaillés étape par étape.
Sécurité
RAG multi-tenant : sécuriser les droits d'accès
Filtrer par client dès la recherche, hériter des droits de la source, tester chaque profil avant la mise en production.
Cas d'usage
Tous les cas d'usage
Les problèmes métier que nous traitons avec le RAG et les agents IA, classés par besoin.
RAG sur vos données
Développement RAG sur mesure
Assistants RAG sur vos documents, pour vos équipes internes ou pour vos clients.
Au-delà du support
Agents IA sur mesure
Confier une tâche en plusieurs étapes à un agent qui agit dans vos outils, avec validation humaine.
Dans votre produit
Développement SaaS et application IA sur mesure
Ajouter d'autres fonctions IA à votre logiciel : recherche, extraction, génération.
En 30 minutes, on regarde vos motifs de tickets les plus fréquents, les données nécessaires pour y répondre et le niveau d'agent adapté à votre produit.
Un projet IA en tête ?
Je suis Anas, fondateur de Tensoria. Je peux vous aider à cadrer votre projet et mieux comprendre l'IA.
Prendre rendez-vous 07 82 80 51 40Ajustez les paramètres selon votre entreprise et découvrez votre potentiel d'économies.
Dites-nous où vous en êtes : on revient vers vous avec des pistes concrètes adaptées à votre métier. Pas de blabla, pas de spam.
On revient vers vous très vite avec des pistes concrètes.