Base de connaissances IA pour le service client : fonctionnement et mise en place

La plupart des agents de support IA utilisent une forme de génération augmentée par récupération (RAG). AWS décrit le RAG comme une technique qui enrichit un grand modèle de langage avec des données externes, comme les documents internes d'une entreprise. Dans les grandes lignes :

1. Vos documents sont convertis en embeddings — des représentations numériques du texte — et stockés dans une base de données vectorielle. C'est une étape de configuration ponctuelle.
2. Un client pose une question en langage naturel.
3. Le système lance une recherche de similarité dans la base de données vectorielle et ajoute au prompt, comme contexte, les passages trouvés.
4. Le modèle de langage rédige sa réponse à l'aide de ce contexte.

Deux conséquences en découlent. L'IA ne peut pas répondre à partir de ce qui n'est pas écrit, et elle travaille sur des extraits d'articles plutôt que sur l'ensemble de votre centre d'aide. Les recommandations de Freshdesk vont dans le même sens : Freddy AI récupère et utilise les articles indépendamment les uns des autres, donc si un article omet des définitions ou du contexte, l'IA peut faire des suppositions ou donner des réponses partielles.

Les principaux helpdesks intègrent ce mécanisme. Les agents IA de Zendesk peuvent utiliser des réponses génératives sur la messagerie et l'e-mail, connectées à plusieurs sources de connaissances, avec des règles de recherche qui déterminent quelles sources sont interrogées dans quelles conditions. Dans Jira Service Management, les articles d'un espace Confluence lié apparaissent dans le centre d'aide, dans la recherche de la base de connaissances et dans l'agent de service virtuel.

Un détail pratique : dans Freshdesk, une catégorie ou un dossier n'apparaît sur le portail client qu'une fois au moins un de ses articles publié. Pour les réponses de l'IA, ce que dit chaque article compte plus que son emplacement ; la hiérarchie aide surtout les personnes qui naviguent.

Freshdesk publie des recommandations pour rédiger du contenu de connaissances destiné à Freddy AI, et elles valent pour toute IA basée sur la récupération :

• Limitez chaque article à un seul sujet, et précisez quand l'information s'applique et quand elle ne s'applique pas.
• Mettez des liens vers les articles connexes au lieu d'y intégrer des workflows secondaires.
• Séparez la configuration, l'utilisation et le dépannage en articles distincts lorsqu'ils répondent à des objectifs différents.
• Rendez chaque article autonome : définissez les termes et le contexte sur lesquels il s'appuie.
• Utilisez un seul titre de premier niveau pour l'objet de l'article, et des titres de niveau inférieur pour séparer les tâches, les options ou les concepts.

Ajoutez-y quelques habitudes à vous. Titrez les articles avec les mots qu'emploient réellement les clients, pas avec les noms de produits internes. Placez la réponse dans les premières lignes, puis les étapes. Gardez les valeurs exactes — limites, délais, prix — à un seul endroit et renvoyez-y par un lien, pour qu'un changement ne laisse pas deux chiffres différents entre lesquels l'IA devrait choisir. Et commencez là où sont les tickets : quelques semaines de tickets regroupés par sujet montrent quels articles rédiger ou corriger en premier.

Un article obsolète se transforme en réponse d'IA assurée mais fausse : donnez donc à chaque article un responsable et un rythme de relecture. Zendesk le facilite avec la vérification des articles : les administrateurs de connaissances définissent des règles de vérification qui signalent les articles à relire selon des filtres et des intervalles — par exemple tous les trois mois pour les articles portant un libellé précis, situés dans une certaine catégorie ou non mis à jour depuis un moment — et les propriétaires des articles reçoivent des rappels par e-mail pour les vérifier. Vérifiez que votre offre l'inclut avant de compter dessus.

Les relectures planifiées rattrapent la dérive lente. Les événements suivants doivent déclencher une mise à jour immédiate :

• Un changement de produit, de tarif ou de politique : mettez à jour les articles au plus tard le jour de la sortie.
• Un agent répond à un ticket que la base de connaissances ne couvre pas : créez ou signalez un article.
• L'IA transmet une conversation à une personne parce qu'elle n'a pas pu répondre : examinez cette question.
• Deux articles donnent des réponses différentes : fusionnez-les et dépubliez le doublon.

Mesurez si les articles évitent des tickets, pas seulement s'ils sont lus. Gardez les mêmes définitions d'un mois à l'autre pour que la tendance ait un sens.

TascaLab construit des chatbots par-dessus les outils que vous utilisez déjà — Zendesk, Freshdesk, Jira, Slack ou des systèmes internes — via des API, des webhooks et Make ou n8n : votre base de connaissances reste où elle est. Le Starter Chat Bot (360 €, prix unique) couvre 1–2 canaux et le Standard Chat Bot (510 €) en couvre 3–5, parmi votre site web, le téléphone, WhatsApp, Telegram, Facebook Messenger et Instagram. Les workflows de maintenance, comme les rappels de relecture pour les articles obsolètes, relèvent de Custom Automation (à partir de 1 070 €).

La plupart des mises en place prennent 1 à 3 semaines. Chaque projet inclut 30 jours de support après le lancement et une documentation de base, sans frais cachés, et vous pouvez commencer par un appel Health Check gratuit de 30 minutes.