Un dirigeant technologique affirme que les leaders automatisent à outrance au lieu de corriger une mauvaise conception de produit
Shankar Sahai explique pourquoi les dirigeants de l’expérience client devraient corriger une mauvaise conception de produit et des données désordonnées avant d’utiliser l’IA pour automatiser les problèmes liés au parcours client.
Shankar Sahai
Directeur de l’expérience client chez UpendNow.com
Recherche par IA: L’IA réduit le temps consacré à la recherche qualitative, qui passe de plusieurs semaines à quelques minutes, en révélant en temps réel les points de friction précis rencontrés par les utilisateurs.
Jugement humain: Les humains doivent interpréter le contexte du secteur, repenser les parcours et gérer les décisions sensibles liées à la récupération du service.
Assistance contextuelle: L’IA fournit au personnel d’assistance le contexte complet de la session, ce qui permet d’apporter une aide plus rapide et plus pertinente sans enfermer les clients dans des robots conversationnels.
La conception d’abord: Une meilleure conception de produit est souvent plus efficace que la personnalisation lorsque les utilisateurs ont besoin de processus plus simples, d’interfaces plus claires et d’une recherche plus rapide.
Fondation des données: La réussite des projets pilotes d’IA nécessite des données nettoyées et unifiées ; sinon, l’automatisation amplifie les contradictions, le bruit et les mauvaises décisions.
Shankar Sahai est le directeur de l’expérience client chez UpendNow.com, une plateforme d’orchestration de la production par IA qui rationalise la création de vidéos, de films et de publicités. Il s’attache à empêcher l’organisation de construire des solutions coûteuses dont personne ne veut. Et il y parvient grâce à l’IA.
Nous nous sommes entretenus avec Shankar pour découvrir ce qu’il automatise — et dans quels domaines le design l’emporte sur l’automatisation.
Veiller à ce que l’expérience humaine soit à la hauteur des promesses de la direction
Bonjour à tous, je m’appelle Shankar Sahai et je suis le directeur de l’expérience client chez UpendNow.com.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Si je devais résumer en une seule phrase ce que je fais chaque jour, ce serait celle-ci : j’empêche les entreprises de construire des solutions incroyablement coûteuses dont personne ne veut ou ne sait se servir. Je consacre la majeure partie de mon temps à l’intersection chaotique du développement produit, de la recherche client et de la stratégie opérationnelle.
Chez UpendNow, nous travaillons principalement dans le domaine B2B, en aidant les organisations à mener de vastes transformations numériques et à réparer les parcours clients défaillants. Lorsque nous parlons de « mise à l’échelle », il s’agit moins de compter un volume massif de tickets d’assistance — même si nous en voyons beaucoup — que de prendre en charge une complexité opérationnelle considérable. Nous examinons des écosystèmes multicanaux dans lesquels les clients peuvent passer, au cours de la même semaine, d’un portail web à une application mobile, puis à l’assistance directe et à un commercial, en s’attendant à ce que l’entreprise se souvienne comme par magie de chaque interaction.
En tant que directeur de l’expérience client, j’aide les équipes dirigeantes à cesser de considérer l’expérience client comme un simple centre de coûts lié à l’assistance et à commencer à la traiter comme un moteur essentiel de l’activité. Nous faisons le travail de fond — de la recherche utilisateur approfondie à l’automatisation des flux de travail et aux transformations agiles — afin de veiller à ce que l’expérience humaine soit à la hauteur des grandes promesses formulées par la direction.
Comment intégrer l’IA à la recherche utilisateur qualitative
Nous avons créé un pipeline d’IA interne qui ingère, catégorise et cartographie automatiquement les sentiments à partir des données conversationnelles brutes en temps réel… Cela a supprimé les suppositions. Notre délai d’obtention d’informations est passé de trois semaines à quelques minutes. En fait, nous avons récemment détecté un défaut majeur d’UX dans un nouveau portail dans les 48 heures suivant son lancement, l’avons corrigé immédiatement et avons évité une hausse massive des tickets d’assistance.
Notre plus grand changement n’a pas consisté à installer un chatbot tape-à-l’œil destiné aux clients. Nous avons plutôt intégré l’IA en profondeur à notre recherche utilisateur qualitative et à l’analyse post-interaction.
Nous disposions d’une montagne de données non structurées — des milliers d’heures d’entretiens avec des utilisateurs, de transcriptions d’échanges avec l’assistance et de commentaires ouverts. Examiner manuellement ces données à la recherche d’informations exploitables prenait autrefois des semaines. Au moment où nous avions cartographié les points de friction, les données étaient déjà obsolètes.
Nous avons créé un pipeline d’IA interne qui ingère, catégorise et cartographie automatiquement les sentiments à partir des données conversationnelles brutes en temps réel. Au lieu de simplement signaler les utilisateurs « heureux ou tristes », il identifie des obstacles comportementaux précis — par exemple l’endroit où un utilisateur est désorienté par la terminologie de l’interface ou abandonne un parcours d’intégration.
En ce qui concerne les outils, nous utilisons l’API Whisper d’OpenAI pour la transcription audio et vidéo. Pour l’analyse et la catégorisation, nous utilisons Claude (3.5 Sonnet) d’Anthropic.
Cela a supprimé les suppositions. Nous avons remplacé les intuitions de la direction par des données concrètes. Nous disposons désormais d’un tableau de bord en temps réel qui montre exactement pourquoi et où les utilisateurs rencontrent des difficultés. Et cela a accéléré les choses. Notre délai d’obtention d’informations est passé de trois semaines à quelques minutes. En fait, nous avons récemment détecté un défaut majeur d’UX dans un nouveau portail dans les 48 heures suivant son lancement, l’avons corrigé immédiatement et avons évité une hausse massive des tickets d’assistance.
Un flux de travail d’expérience client personnalisé et assisté par l’IA
Chez UpendNow.com, tout notre univers s’articule autour de Solt OS, notre plateforme qui aide les cinéastes et les agences publicitaires à automatiser le cauchemar de la préproduction — en transformant un scénario désordonné en storyboards, listes de plans et budgets. Comme la réalisation cinématographique est aussi visuelle que complexe, un flux de travail standard de tickets d’assistance ne fonctionne pas pour nous. Lorsqu’un réalisateur essaie de générer une vidéo de prévisualisation et que la cohérence des personnages cesse de fonctionner, il ne veut pas d’un service d’assistance informatique générique.
Nous gérons désormais cela de manière fluide. Voici le flux de travail.
Dès qu’un créateur signale un problème ou se retrouve bloqué, notre IA interne ne se contente pas de lire le texte de sa réclamation ; elle absorbe l’intégralité du contexte de sa session créative. Elle examine le scénario qu’il a importé, les invites qu’il a utilisées et les storyboards qui ont échoué.
À partir de là, l’IA effectue l’essentiel du travail analytique. Elle diagnostique le point précis de friction créative — par exemple en identifiant que le cinéaste a utilisé un en-tête de scène non standard qui a désorienté le système dans le suivi des lieux.
Ensuite, au lieu de faire attendre l’utilisateur ou de le faire dialoguer avec un robot, le système transmet tout à l’un des membres humains de notre équipe. Mais il le fait avec une fiche récapitulative complète. L’opérateur humain ouvre le dossier et voit instantanément quels numéros de scène tournent en boucle, quel est le problème de mise en forme et quelle solution a été pré-rédigée.
Le cinéaste obtient rapidement une réponse profondément contextualisée de la part d’un humain qui parle son langage cinématographique, et nous évitons ainsi que son élan créatif ne s’essouffle. Pour boucler la boucle, l’IA consigne automatiquement ce problème de mise en forme précis dans notre backlog d’ingénierie afin que nous puissions corriger l’interface du produit et éviter qu’il ne se reproduise avec le prochain réalisateur.
Comment l’IA éclaire les décisions relatives à l’expérience client tandis que les humains orientent la stratégie
Shankar partage
…nous n’automatisons pas les relations humaines. Nous utilisons l’IA pour prendre en charge le travail analytique répétitif afin que notre équipe ait le temps de se concentrer sur le travail à forte valeur ajoutée, profondément humain, qui consiste à créer des relations et à résoudre des problèmes complexes.
Nous suivons une règle simple et stricte : l’IA s’occupe du « quoi » et du « où », mais les humains prennent en charge le « pourquoi » et le « comment ».
Voici quelques exemples de tâches que l’IA prend bien en charge :
Priorisation des problèmes et détection des tendances : l’IA analyse en temps réel des milliers de transcriptions de demandes d’assistance et de sessions utilisateurs entrantes. Elle signale instantanément les anomalies — comme une hausse soudaine de 15 % du nombre d’utilisateurs bloqués sur une page de paiement — bien avant qu’un responsable humain ne remarque la tendance. Nous utilisons PostHog pour cela.
Cartographie des frictions dans le parcours : l’IA analyse le comportement des utilisateurs sur nos plateformes et met précisément en évidence où se produisent les abandons. Elle élimine les approximations. Nous migrons actuellement nos outils vers FullStory (StoryAI et API).
Du côté humain :
Refonte du parcours et stratégie : l’IA peut me dire où les utilisateurs abandonnent, mais elle ne possède ni le contexte commercial ni l’empathie créative nécessaires pour repenser l’expérience. Corriger un parcours B2B défaillant exige de composer avec les enjeux politiques entre équipes, les compromis techniques et une compréhension approfondie du comportement humain. L’IA ne peut pas s’asseoir autour d’une table et amener trois services différents à se mettre d’accord sur une solution.
Rétablissement du service et escalade : si une panne du système perturbe les activités d’un client à forte valeur ajoutée et le rend furieux, celui-ci ne veut pas recevoir des excuses parfaitement formulées par une IA. La gestion d’une situation critique exige une véritable empathie humaine, de la responsabilité et l’autorité nécessaire pour assouplir les règles afin de rétablir la situation.
Autrement dit, nous n’automatisons pas les relations humaines. Nous utilisons l’IA pour prendre en charge le travail analytique répétitif afin que notre équipe ait le temps de se concentrer sur le travail à forte valeur ajoutée, profondément humain, qui consiste à créer des relations et à résoudre des problèmes complexes.
Comment l’IA peine à comprendre le contexte propre à un secteur
Shankar partage
Faire aveuglément confiance au tableau de bord automatisé sans vérification humaine nous aurait fait perdre des semaines à réécrire du code pourtant parfaitement fonctionnel. L’IA repère les tendances, mais elle peine considérablement à comprendre les contextes sectoriels approfondis.
L’intégration de l’IA dans notre analyse des données qualitatives et la priorisation des problèmes a transformé notre rythme opérationnel.
Notre équipe passait autrefois des semaines à étiqueter manuellement les données afin d’identifier les défauts systémiques d’UX ou les blocages lors de l’intégration sur les différents comptes. Désormais, l’IA signale presque instantanément ces schémas de friction récurrents. Détecter ces problèmes plus rapidement nous permet de corriger les bogues et de résoudre les parcours déroutants avant qu’ils ne se transforment en flot de réclamations clients. Cela a fondamentalement éloigné nos équipes produit et recherche de la fastidieuse saisie de données dans des feuilles de calcul, leur permettant de se concentrer sur la conception de solutions.
Mais tout n’a pas été simple. Notre principal problème était le bruit analytique et l’absence de véritable contexte.
Au début, nous avons accordé trop d’importance à la capacité de l’IA à étiqueter les sentiments et les tendances. Nous avons constaté une forte hausse des étiquettes de sentiment négatif autour d’une fonctionnalité récemment lancée. L’équipe a failli se précipiter pour annuler la mise à jour. Mais une analyse humaine approfondie a révélé que l’IA avait complètement mal interprété le jargon propre au secteur utilisé par nos utilisateurs avancés ainsi que leurs remarques techniques. Ils n’étaient pas mécontents de la fonctionnalité : ils parlaient simplement avec passion de leurs propres processus de travail complexes.
Faire aveuglément confiance au tableau de bord automatisé sans vérification humaine nous aurait fait perdre des semaines à réécrire du code pourtant parfaitement fonctionnel. L’IA repère les tendances, mais elle peine considérablement à comprendre les contextes sectoriels approfondis.
Pourquoi la conception du produit peut être plus importante qu’une IA sophistiquée
La personnalisation hypercontextuelle est un autre domaine dans lequel l’IA n’est pas à la hauteur.
La promesse était que l’IA pourrait examiner de manière fluide le comportement passé d’un client B2B, son utilisation actuelle du produit et son historique de support afin d’adapter dynamiquement son expérience d’intégration ou de tableau de bord en temps réel. Nous pensions que cela semblerait intuitif — comme un concierge numérique qui anticiperait exactement ce dont un utilisateur aurait besoin ensuite. En réalité, cela s’est surtout révélé intrusif ou dépourvu de pertinence.
Dans un environnement technologique B2B complexe, les intentions des utilisateurs changent radicalement d’une heure à l’autre. Un utilisateur peut se connecter pour effectuer rapidement une tâche administrative répétitive, mais l’IA — qui essaie de se montrer utile en s’appuyant sur les tendances générales du compte — encombre son écran de recommandations concernant une fonctionnalité avancée qui ne l’intéresse pas à ce moment-là. Elle a ajouté une charge cognitive au lieu de la réduire.
Nous avons compris que, lorsqu’ils naviguent sur une plateforme, les utilisateurs ne veulent pas que l’IA devine ce qu’ils souhaitent faire ensuite ; ils veulent une conception d’interface utilisateur claire, des flux de travail prévisibles et une fonctionnalité de recherche extrêmement rapide. Nous pensions que l’IA résoudrait un problème d’expérience utilisateur qui nécessitait en fin de compte une conception de produit plus efficace et plus simple.
Pourquoi la qualité des données est essentielle avant de lancer des projets pilotes d’IA
J’aurais aimé savoir à quel point nos propres données internes désordonnées allaient tout compromettre dès le départ.
Lorsque vous écoutez les fournisseurs d’IA, ils donnent l’impression qu’il suffit de brancher cet outil magique pour qu’il produise instantanément des informations brillantes, prêtes à être exploitées par des humains. Mais en réalité, votre IA n’est jamais meilleure que les données que vous lui fournissez.
Avant notre premier projet pilote, nous avions des années de retours clients, d’anciennes recherches utilisateurs et de journaux de support dispersés dans différents silos. Certaines données étaient obsolètes, d’autres étaient tout simplement contradictoires, et une grande partie ne tenait pas compte du contexte spécifique de la production audiovisuelle chez UpendNow.
Comme nous n’avions pas commencé par nettoyer cette base de données, l’IA a passé les premières semaines à inventer d’étranges tendances et à générer une quantité considérable de bruit analytique que mon équipe a perdu du temps à réfuter.
Si je devais recommencer, je consacrerais beaucoup moins de temps à évaluer des fonctionnalités d’IA tape-à-l’œil et beaucoup plus de temps à nettoyer notre architecture de données interne avant d’activer le système. Il faut d’abord consolider les fondations, sinon vous ne faites qu’automatiser le chaos.
Le domaine sur lequel tous les responsables de l’expérience client devraient se concentrer
Le domaine que tout le monde doit entièrement repenser dès maintenant est la cartographie du parcours client…Si vous ne repensez pas la manière dont vous cartographiez et visualisez le parcours client, vous utiliserez l’IA pour optimiser des points de contact individuels et isolés tout en passant complètement à côté du fait que l’expérience globale est défaillante. Nous devons cesser de cartographier le passé et commencer à orchestrer le présent.
Directeur de l’expérience client chez UpendNow.com
Le domaine que tout le monde doit entièrement repenser dès maintenant est la cartographie du parcours client.
Historiquement, la cartographie du parcours était un exercice statique réalisé en salle de réunion. Les participants s’installaient dans une pièce avec des notes autocollantes, cartographiaient un parcours idéalisé, le mettaient dans un PDF, puis plus personne ne le consultait pendant un an. Elle représentait ce que nous espérions que le client faisait, et non la réalité.
Dans un monde augmenté par l’IA, cette approche est obsolète.
Les responsables devraient repenser activement les cartes du parcours client pour les rendre dynamiques, en temps réel et alimentées par des données actualisées. Comme les outils d’IA peuvent désormais traiter des données non structurées — telles que les sessions utilisateurs en direct, les appels au support et les points d’abandon — en temps réel, votre carte du parcours ne devrait pas être un document. Elle devrait être un tableau de bord logiciel vivant et évolutif.
Au lieu de deviner où se trouve le point de friction, votre système devrait vous le signaler activement : « Hé, en ce moment, les professionnels de la production audiovisuelle des agences indépendantes se heurtent à un obstacle à la troisième étape de l’intégration à cause d’un ralentissement de l’interface utilisateur. » Si vous ne repensez pas la manière dont vous cartographiez et visualisez le parcours client, vous utiliserez l’IA pour optimiser des points de contact individuels et isolés tout en passant complètement à côté du fait que l’expérience globale est défaillante. Nous devons cesser de cartographier le passé et commencer à orchestrer le présent.
On ne peut pas automatiser pour compenser une mauvaise conception
Mon conseil est simple : cessez d'essayer d'automatiser pour compenser une mauvaise conception.
À l'heure actuelle, les dirigeants CX sont fortement tentés de déployer l'IA sur le moindre point de friction du parcours client, parce que cela semble rapide et bon marché. Si votre processus d'intégration est déroutant, déployez-y un assistant IA. Si votre documentation est en désordre, créez un robot de recherche alimenté par l'IA. Mais tout ce que vous faites, c'est appliquer un pansement high-tech sur un processus défaillant. Vous utilisez l'IA pour aider les clients à naviguer dans une complexité qui ne devrait tout simplement pas exister au départ.
Avant d'acheter un autre outil d'IA ou de lancer un autre flux de travail automatisé, revenez à l'essentiel. Examinez votre produit principal et la prestation de votre service principal. Corrigez d'abord les défauts UX sous-jacents, nettoyez les pipelines de données désordonnés et simplifiez le parcours client.
Suivez son travail
Vous pouvez suivre le travail de Shankar Sahai sur LinkedIn et X.
D'autres entretiens avec des experts seront bientôt disponibles sur The CX Lead !
We're building a curated community for senior leaders to pressure-test decisions, compare notes, and have the conversations they can't have everywhere else.
