Service client : la vraie question n’est plus combien automatiser, mais où s’arrêter

Les entreprises cherchent à automatiser toujours davantage leur relation client. Pourtant, le taux d’automatisation ne devrait pas constituer un objectif en soi.

À mesure que l’intelligence artificielle absorbe les demandes simples, elle concentre les situations complexes entre les mains des humains. Le véritable enjeu n’est donc plus seulement de savoir ce que la technologie permet d’automatiser, mais de décider où l’automatisation doit s’arrêter.

Cette frontière devient une question stratégique. Automatiser ne signifie pas seulement réduire une charge de travail. À mesure que l’IA absorbe les interactions standardisées, elle modifie la composition même du travail humain, désormais davantage exposé à l’exception, à l’incertitude, au risque et à la relation. Les compétences attendues, les modèles d’organisation et la manière dont l’entreprise crée de la valeur s’en trouvent directement transformés.

Le service client devient ainsi un laboratoire particulièrement révélateur d’une transformation beaucoup plus large de l’entreprise. Que doit encore faire l’humain lorsque la machine devient capable de répondre, de recommander et désormais d’agir ?

Automatiser le simple concentre le complexe

Pendant longtemps, les centres de contacts ont été organisés autour du volume. Il fallait absorber les appels, réduire le temps d’attente, diminuer la durée moyenne de traitement et améliorer le coût par interaction. Les premières générations de chatbots ont prolongé cette logique en automatisant les demandes récurrentes à partir de scénarios prédéfinis.

L’IA générative change l’échelle du phénomène. Un système peut désormais comprendre une demande formulée en langage naturel, consulter plusieurs sources d’information, synthétiser un historique, contextualiser une réponse et, lorsqu’il est connecté aux systèmes de l’entreprise, commencer à exécuter certaines actions.

Mais cette évolution produit une conséquence moins visible. Lorsque les demandes prévisibles disparaissent du flux humain, celles qui restent deviennent mécaniquement plus difficiles.

Le conseiller récupère les exceptions : litige complexe, fraude potentielle, situation financière sensible, client déjà frustré après plusieurs tentatives auprès d’un assistant automatisé.

Automatiser le simple concentre le complexe.

Cette transformation modifie directement le profil des compétences nécessaires. On ne peut pas automatiser les tâches standardisées tout en continuant à recruter, former et évaluer les collaborateurs selon les mêmes modèles.

Le conseiller devra disposer de davantage d’autonomie, de capacités d’analyse, de compréhension contextuelle et d’intelligence relationnelle. Il devra aussi savoir exploiter les recommandations de l’IA, en reconnaître les limites et s’en écarter lorsque la situation l’exige.

L’automatisation ne supprime donc pas seulement une partie du travail humain. Elle sélectionne progressivement le travail qui reste aux humains. Et ce travail pourrait devenir plus exigeant.

L’IA diffuse l’expertise. Mais qui produira l’expertise nouvelle ?

Les travaux d’Erik Brynjolfsson, Danielle Li et Lindsey Raymond constituent un point de départ important.

En étudiant 5 172 agents de support client utilisant un assistant fondé sur l’IA générative, les chercheurs observent dans la version publiée de leurs travaux une hausse moyenne de productivité de 15 %, mesurée par le nombre de problèmes résolus par heure. Les gains sont nettement plus importants chez les collaborateurs les moins expérimentés ou initialement moins performants, alors qu’ils sont beaucoup plus limités chez les salariés les plus expérimentés.

L’interprétation est particulièrement intéressante pour l’entreprise. L’IA semble capable de diffuser une partie des pratiques associées aux meilleurs collaborateurs vers ceux qui disposent de moins d’expérience. Elle peut ainsi transformer une expertise jusque-là largement individuelle en capacité disponible à plus grande échelle dans l’organisation.

Une expérience de terrain menée avec Alibaba et rendue publique en 2026 nuance néanmoins ce constat. L’assistance générative améliore la rapidité de traitement et certains indicateurs de qualité, avec des gains particulièrement importants chez les collaborateurs initialement moins performants. Mais les agents les plus performants bénéficient moins de l’outil et peuvent même enregistrer une dégradation de certains indicateurs.

La conséquence managériale mérite d’être soulignée : il n’existe probablement pas une seule manière pertinente d’augmenter tous les collaborateurs par l’IA.

Un novice peut avoir besoin d’un système relativement directif, lui suggérant réponses et procédures. Un expert pourrait au contraire tirer davantage de valeur d’une IA moins prescriptive, utilisée pour rechercher, vérifier, challenger une hypothèse ou explorer une alternative.

La personnalisation de l’IA pourrait donc ne pas concerner uniquement le client. Elle pourrait également concerner le collaborateur.

Mais une question plus fondamentale apparaît.

Si l’IA accélère la transmission de l’expertise existante, comment l’entreprise continuera-t-elle à produire l’expertise nouvelle ?

Diffuser l’expertise et produire l’expertise sont deux fonctions différentes. Cette interrogation dépasse largement le service client. Elle concerne potentiellement les ingénieurs, consultants, juristes, développeurs, analystes, professionnels de la finance ou de la santé.

Si les collaborateurs juniors réalisent de moins en moins les tâches qui permettaient historiquement d’acquérir les fondamentaux d’un métier, comment construiront-ils l’expertise qui fera d’eux les experts de demain ?

L’enjeu n’est donc plus seulement d’organiser l’adoption de l’IA. Il faut également préserver les conditions de production du raisonnement humain, de l’expérimentation et du jugement.

Une IA qui parle n’est pas une IA qui agit

Une deuxième rupture est désormais visible.

Les premières applications d’IA générative dans le service client assistaient principalement la conversation. Elles proposaient une formulation, résumaient un dossier, retrouvaient une information ou suggéraient une procédure.

Les systèmes agentiques changent la nature du problème. Ils peuvent identifier l’intention du client, rechercher des informations dans plusieurs systèmes, vérifier certaines règles, déclencher une action puis confirmer son exécution.

Une IA qui parle n’est pas une IA qui agit.

Tant que l’IA conseille, l’humain reste le principal point de décision. Lorsqu’elle agit, l’entreprise lui délègue une partie de son pouvoir opérationnel.

La question n’est alors plus seulement celle de la performance du modèle. Elle devient celle du périmètre de délégation que l’organisation accepte de lui confier.

Les travaux publiés en 2026 autour des systèmes de support de Nubank illustrent cette évolution. Ils décrivent cinq déploiements en production couvrant notamment la livraison de cartes, la gestion de dettes, les limites de crédit, la gestion des cartes et l’explication de produits. Le point déterminant ne réside pas uniquement dans le modèle utilisé, mais dans l’ensemble du dispositif d’évaluation, de contrôle et d’amélioration entourant son déploiement.

Lorsqu’un système passe de « voici ce que je vous recommande » à « j’ai effectué l’opération », les conséquences d’une erreur changent d’échelle. Elles peuvent devenir financières, contractuelles ou opérationnelles.

Jusqu’où l’agent peut-il agir seul ? À partir de quel seuil une validation humaine devient-elle obligatoire ? Comment détecter une situation inhabituelle ? Comment retracer les décisions prises ? Qui intervient lorsque le système hésite ? Qui assume la responsabilité en cas d’erreur ? Le passage du chatbot à l’agent transforme ainsi le service client en sujet de gouvernance.

En Europe, cette gouvernance possède également une dimension réglementaire. Depuis le 2 août 2026, les obligations de transparence prévues par l’article 50 de l’AI Act s’appliquent à certaines catégories de systèmes d’IA. Pour les systèmes destinés à interagir directement avec des personnes physiques, celles-ci doivent notamment être informées qu’elles interagissent avec une IA, sauf lorsque cette situation est évidente pour une personne raisonnablement informée, attentive et avisée. La transparence devient donc elle aussi un élément du design de certains parcours automatisés.

Klarna : réduire les coûts n’est pas optimiser la relation

Le cas Klarna illustre particulièrement bien la tension entre efficacité économique et création de valeur.

La fintech suédoise est devenue l’un des symboles de l’automatisation du service client. Après avoir fortement utilisé l’IA dans une logique de gains de productivité et de réduction des coûts, Klarna a progressivement rééquilibré sa stratégie. En septembre 2025, Sebastian Siemiatkowski reconnaissait que l’entreprise avait probablement été trop loin dans cette direction et indiquait vouloir davantage utiliser l’IA pour améliorer les services et les produits.

Ce mouvement ne signifie pas que Klarna renonce à l’IA. C’est précisément ce qui rend le cas intéressant.

Il ne raconte pas l’échec de l’automatisation. Il montre les limites d’une stratégie qui mesurerait son succès essentiellement par la réduction des ressources mobilisées.

Une interaction peut coûter moins cher sans produire davantage de valeur.

L’optimisation du coût de traitement n’est pas équivalente à l’optimisation de la relation client.

Le taux d’automatisation peut donc devenir un indicateur trompeur s’il est dissocié de la qualité de résolution, de la confiance et de la valeur créée.

Où placer la frontière ? La grille de décision EntrepreneurIA

Pour les dirigeants, ces transformations peuvent être traduites en une grille de décision simple autour de trois configurations : IA autonome, humain augmenté, humain expert.

Il ne s’agit pas d’une taxonomie scientifique validée, mais d’une grille stratégique proposée par EntrepreneurIA pour aider les organisations à positionner leurs interactions.

L’IA autonome convient aux demandes répétitives, documentées et présentant un faible risque : retrouver une information, vérifier un statut ou expliquer une procédure simple.

L’humain augmenté devient pertinent lorsque l’IA peut préparer la décision sans devoir l’assumer seule. Elle recherche les informations, synthétise l’historique, propose une procédure ou identifie certains risques. Le collaborateur conserve le jugement et la responsabilité.

L’humain expert intervient lorsque l’incertitude, le risque ou la valeur relationnelle deviennent élevés : négociation, litige, fraude, vulnérabilité financière, situation émotionnelle ou client stratégique.

Trois variables structurent alors la décision : Complexité. Risque. Valeur stratégique.

Une opération peu complexe n’est pas nécessairement une bonne candidate à l’automatisation si le coût potentiel d’une erreur est élevé.

Inversement, une demande que l’IA est techniquement capable de traiter peut rester humaine pour des raisons commerciales ou relationnelles.

Un client souhaitant renouveler un contrat majeur, accroître son investissement ou accéder à une prestation premium peut formuler une demande parfaitement automatisable. L’entreprise peut néanmoins décider que cette interaction mérite un humain.

La frontière d’automatisation ne dépend pas seulement de ce que la technologie sait faire. Elle dépend aussi de ce que l’entreprise considère comme stratégique.

 

Cette grille invite chaque organisation à poser trois questions :

• Que pouvons-nous automatiser ?
• Quelles interactions nécessitent un humain augmenté ?
• Que voulons-nous préserver comme interaction humaine ?

Le client ne veut pas nécessairement choisir entre l’IA et l’humain

La transformation du service client doit également être observée depuis l’autre côté de l’interaction.

L’Observatoire des services clients 2025 d’Ipsos bva, réalisé auprès de 5 000 personnes dans cinq pays européens, fait apparaître une préférence particulièrement forte pour l’humain en France. Selon l’étude, 90 % des Français interrogés préfèrent attendre plus longtemps pour être mis en relation avec un conseiller humain plutôt qu’avec un conseiller virtuel. 72 % déclarent qu’ils se sentiraient trompés si une entreprise ne les prévenait pas qu’ils parlent à une IA.

Ces chiffres sont significatifs. Ils ne signifient pourtant pas que les consommateurs rejettent nécessairement toute interaction avec une IA.

Une recherche publiée en 2026 dans le Journal of Retailing and Consumer Services apporte une nuance intéressante. À travers quatre études, ses auteurs observent que les consommateurs préfèrent davantage l’IA lorsqu’ils communiquent des informations objectives, tandis qu’ils privilégient davantage l’humain lorsque les informations sont subjectives.

La question n’est donc probablement pas : les clients préfèrent-ils l’humain ou l’IA ? Elle est plutôt : pour quelle interaction, dans quel contexte et avec quel niveau d’enjeu préfèrent-ils l’un ou l’autre ?

Il n’existe probablement pas de préférence absolue pour l’humain ou pour l’IA. Il existe des situations dans lesquelles l’un ou l’autre produit davantage de valeur.

Dans de nombreux cas, le client souhaite avant tout que sa demande soit comprise et résolue rapidement, correctement et sans rupture inutile.

Une bonne expérience est d’abord une expérience dans laquelle le client ne subit pas les choix technologiques de l’entreprise.

Si une IA résout correctement et immédiatement une demande simple, l’intervention humaine n’apporte pas nécessairement de valeur supplémentaire. Mais lorsque le système ne comprend plus, que le risque augmente ou que la situation devient sensible, poursuivre l’automatisation peut détériorer l’expérience.

Une IA performante n’est donc pas seulement une IA capable de répondre. C’est aussi une IA capable de reconnaître le moment où elle ne devrait plus répondre.

La qualité du passage de la machine vers l’humain devient alors aussi importante que les capacités de la machine elle-même.

L’accès à l’humain pourrait-il devenir un privilège ?

L’automatisation ouvre enfin une question plus dérangeante. Plus les interactions automatisées deviennent nombreuses, plus l’accès à un interlocuteur humain réellement compétent peut acquérir de la valeur.

En 2025, Sebastian Siemiatkowski évoquait lui-même la possibilité que le service client humain devienne une forme d’expérience « VIP », dans un environnement où le service automatisé serait disponible à grande échelle.

Cette perspective mérite d’être prise au sérieux. Dans certains secteurs, la qualité de l’interaction humaine constitue déjà une partie importante de la proposition de valeur. C’est le cas de la banque privée, du luxe, de certains services de santé, du conseil B2B ou du voyage haut de gamme.

Dans un environnement où la conversation automatisée devient abondante, l’attention humaine peut devenir plus rare. Et ce qui devient rare peut prendre de la valeur.

Mais cette évolution comporte un risque : l’intervention humaine pourrait progressivement être concentrée sur certains segments considérés comme stratégiques ou rentables, tandis que d’autres seraient orientés prioritairement vers des interfaces automatisées.

Nous pourrions alors voir apparaître une relation client à deux vitesses : une expérience humaine riche pour certains et une expérience principalement automatisée pour d’autres.

L’enjeu ne serait plus seulement de savoir si l’IA améliore ou dégrade le service client. Il faudrait également se demander pour quels clients elle améliore l’expérience et pour quels clients elle remplace progressivement l’accès à l’humain.

La question devient économique, stratégique, mais aussi éthique.

Après vingt ans de digitalisation du service client, l’accès à un humain compétent pourrait-il devenir un privilège ?

Mesurer l’automatisation ou mesurer la pertinence ?

Les nouvelles capacités de l’IA obligent finalement les organisations à revoir leurs indicateurs. Les mesures traditionnelles restent utiles, mais elles ne suffisent plus.

Trois familles de KPI peuvent être distinguées.

• L’efficacité : coût par interaction, délai de traitement, temps d’attente, taux d’automatisation.
• La qualité : résolution au premier contact, répétition des demandes, satisfaction, abandon, fidélité.
• L’orchestration humain-IA : taux de transfert vers un conseiller, transferts inutiles, transferts trop tardifs, corrections humaines, erreurs non escaladées et qualité de la continuité entre l’IA et l’humain.

Mesurer uniquement le taux d’automatisation revient à mesurer combien de travail a été confié à la machine. Cela ne dit pas si cette répartition était pertinente.

Un indicateur encore exploratoire, et sans doute difficile à construire de manière robuste, mérite néanmoins d’être étudié : combien de situations l’IA aurait-elle dû transférer à un humain mais ne l’a pas fait ? Car le risque majeur ne réside peut-être pas seulement dans ce que l’IA ne sait pas faire. Il réside dans son incapacité à reconnaître qu’elle ne sait pas le faire.

Conclusion : l’entreprise doit décider où l’automatisation s’arrête

L’intelligence artificielle crée une capacité nouvelle d’automatisation. Mais elle ne détermine pas seule la manière dont cette capacité doit être utilisée.

Les travaux récents montrent qu’il serait réducteur d’opposer simplement remplacement et augmentation. L’IA peut améliorer fortement les performances de certains collaborateurs et beaucoup moins celles d’autres. Elle peut traiter seule certaines demandes, préparer la décision humaine dans d’autres et désormais commencer à agir directement sur les systèmes de l’entreprise.

La question centrale devient donc celle de la répartition des rôles entre l’IA et l’humain. Cette répartition doit tenir compte de la complexité, du risque et de la valeur stratégique de chaque interaction.

La création de valeur ne dépendra donc pas du taux d’automatisation le plus élevé, mais de la capacité de l’organisation à positionner l’IA au bon endroit, à renforcer les compétences humaines et à préserver l’intervention humaine lorsqu’elle produit davantage de valeur que l’automatisation.

La question n’est plus de savoir combien d’interactions une entreprise peut automatiser. Elle est de déterminer lesquelles elle ne devrait surtout pas automatiser.

Sources et références

Brynjolfsson, E., Li, D. & Raymond, L. R. (2025), “Generative AI at Work”, The Quarterly Journal of Economics, vol. 140, no 2, pp. 889-942. DOI : 10.1093/qje/qjae044.

Ni, X., Wang, Y., Feng, T., Lu, L. X., Wang, Y. & Zhou, C. (2026), Generative AI in Action: Field Experimental Evidence from Alibaba’s Customer Service Operations, arXiv:2603.29888. Prépublication.

Gupta, A., Rossell, K., Alcobaça, E., Pacheco, J. C. L., de Lima, C. B., Tang, S., Rabachini, L. P., Moneda, L., Fei, H., Silva, D. & Ramanath, R. (2026), Building Customer Support AI Agents at 100M-User Scale: An Evaluation-Driven Framework.

Ding, Z., Zhang, Y., Sun, J., Goh, M. & Yang, Z. (2026), “Harmonizing Human Touch and AI Precision in Customer Service”, Journal of Service Research, vol. 29, no 3. DOI : 10.1177/10946705251384692.

Dai, X., Zhang, L., Huang, Z. & Wang, L. (2026), “AI or Human: How the Type of Information to Be Disclosed Alters Customer Service Agent Preferences”, Journal of Retailing and Consumer Services, vol. 89, Part B, article 104621. DOI : 10.1016/j.jretconser.2025.104621.

Ipsos bva / Élu Service Client de l’Année (2025), Observatoire des services clients 2025 : l’humain (toujours) au cœur de la relation client à l’ère de l’IA, étude européenne auprès de 5 000 personnes.

Commission européenne (2026), Guidelines on the implementation of the transparency obligations for certain AI systems under Article 50 of the AI Act, 20 juillet 2026.

Mukherjee, S. & Wang, E., Reuters (2025), “Sweden’s Klarna shifts AI focus from cost cuts to growth”, 10 septembre 2025.

Davis, D.-M., TechCrunch (2025), “Klarna CEO says company will use humans to offer VIP customer service”, 4 juin 2025.