La directrice de l’expérience client explique que l’IA transforme les organigrammes de l’expérience client — et c’est pourquoi elle adopte un modèle de “pôles de service”

Sofia Barbosa est directrice de l’expérience client chez BMC Software, une entreprise B2B qui accompagne des clients disposant d’environnements informatiques complexes.

Nous avons échangé avec Sofia pour comprendre comment elle déploie l’IA — et comment celle-ci transforme l’organigramme de son organisation CX. Voici ce qu’elle nous a expliqué.

Piloter l’ensemble du cycle de vie client post-vente

Je m’appelle Sofia Barbosa et je suis directrice de l’expérience client chez BMC Software. Je dirige le bureau de l’expérience client, une organisation unifiée qui regroupe les services professionnels, le support, la gestion de la réussite client, la formation et la voix du client.

Ensemble, ces fonctions couvrent l’intégralité du cycle de vie client post-vente, de la mise en œuvre et de l’accompagnement jusqu’à la réussite continue, l’adoption et la recommandation.

Nous accompagnons des clients B2B qui exploitent certains des environnements informatiques les plus complexes au monde. Nos équipes interviennent donc sur un large éventail de canaux et de modèles d’engagement, allant des relations stratégiques avec les comptes nécessitant un accompagnement étroit au support évolutif en libre-service.

Pourquoi l’IA transforme les organigrammes CX

La plupart des organigrammes CX actuels reflètent des décennies de complexité accumulée : des équipes spécialisées, des transmissions limitées et des processus qui partent du principe que les humains effectuent chaque étape du travail. L’IA remet en cause ce principe, mais de nombreux dirigeants tentent encore d’intégrer l’IA à la structure existante au lieu de se demander à quoi devrait ressembler cette structure si elle était conçue de zéro, avec l’IA comme donnée de départ.

Mon conseil est d’oublier délibérément l’existant et de se concentrer sur la cible. Cela signifie résister à l’envie de demander : « Comment l’IA s’intègre-t-elle à nos équipes et processus actuels ? » Il faut plutôt se demander : « Si nous construisions cette organisation à partir de zéro aujourd’hui, avec des capacités d’IA disponibles, à quoi ressemblerait-elle ? »

Dans la plupart des cas, la réponse est plus simple que ce qui existe aujourd’hui : moins de silos, moins de transmissions et des rôles définis par les résultats plutôt que par des tâches fonctionnelles étroites.

C’est difficile, car cela signifie abandonner des structures, des intitulés de poste et des processus construits au fil des années. Mais les dirigeants qui repensent leur organisation autour de la cible plutôt que de réadapter l’existant créeront des structures à la fois plus simples et plus performantes que leurs modèles d’origine.

Comment l’IA permet un modèle de « pod de services »

Sofia partage

La responsabilité passe de “quelle équipe en est responsable” à “quel pod est responsable de l’expérience de ce client de bout en bout,” ce qui réduit progressivement le renvoi de responsabilités et permet de mieux voir où l’IA apporte réellement son aide, par opposition aux domaines où des lacunes nécessitent encore un suivi humain.

Au cours de l’année écoulée, nous avons mis en place un modèle de « pod de services » — une restructuration continue visant à supprimer les silos entre les services, le support, les responsables de la réussite client et la formation, et à intégrer les agents d’IA à ce même organigramme unifié au lieu de les traiter comme un outil distinct ajouté après coup.

Le déclencheur a été la part croissante des interactions courantes prise en charge par les agents d’IA. Nous avons compris que si l’IA fonctionnait en dehors de la structure d’équipe existante, elle créerait un nouveau silo — une nouvelle rupture dans les transmissions au lieu de résoudre celles qui existaient déjà. Nous nous efforçons donc de placer les agents d’IA, le support, les responsables de la réussite client, les services et la formation sous une direction commune, avec une visibilité partagée sur l’historique du compte, les problèmes ouverts et le contexte client.

Par conséquent, dans les domaines où le modèle de pod commence déjà à prendre forme, les clients n’ont plus à réexpliquer leur situation d’un canal à l’autre. Le contexte les accompagne, qu’un agent d’IA ou un humain réponde en premier.

Les agents d’IA font également émerger en temps réel des tendances, telles que les questions fréquentes et les points de friction, ce qui nous permet de mettre à jour la formation et la documentation de manière proactive plutôt que réactive.

La responsabilité passe de « quelle équipe en est responsable » à « quel pod est responsable de l’expérience de ce client de bout en bout », ce qui réduit progressivement le renvoi de responsabilités et permet de mieux voir où l’IA apporte réellement son aide, par opposition aux domaines où des lacunes nécessitent encore un suivi humain.

Un flux de travail d’IA de bout en bout pour former les utilisateurs

Un flux de travail alimenté par l'IA de bout en bout que nous utilisons aujourd'hui est axé sur la création de contenu et de formations, et nous l'étendons désormais avec un agent d'adoption.

Le flux de travail commence par des données brutes : interactions avec les clients, tickets d'assistance, données d'utilisation du produit et notes de dossier. L'IA les synthétise afin d'identifier les questions fréquentes, les points de friction et les lacunes en matière d'adoption des fonctionnalités dans les différents comptes.

À partir de là, l'IA rédige le contenu pertinent : modules de formation, mises à jour de la documentation, témoignages de réussite ou supports localisés/traduits, en fonction des lacunes révélées par l'analyse. Un humain examine ensuite cette première version et l'affine avant sa publication ou son intégration dans notre bibliothèque de formation et d'accompagnement.

Les outils utilisés sont Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach et des outils de télémétrie produit.

Nous déployons également un nouvel élément : un agent d'adoption développé en interne avec Copilot Studio. Il ferme la boucle : au lieu de simplement créer du contenu de formation et d'attendre que les clients le trouvent et l'utilisent, l'agent identifie de manière proactive les situations dans lesquelles un client ou un utilisateur n'adopte pas une fonctionnalité ou un flux de travail comme prévu, puis lui présente directement la formation ou les conseils pertinents au moment où il en a besoin.

Le flux de travail de bout en bout se présente ainsi : signaux de données → contenu/formation généré(e) par l'IA → examen et amélioration par un humain → publication → l'agent d'adoption associe le contenu approprié au bon client au bon moment, en fonction de ses lacunes d'utilisation réelles.

Nous n'en sommes encore qu'aux débuts du déploiement de l'agent d'adoption, mais notre objectif est de transformer la création de contenu, qui fonctionne actuellement comme une diffusion à sens unique, en un système en boucle fermée dans lequel l'IA guide à la fois la création et la diffusion du contenu.

Comment l'IA améliore l'efficacité dans l'expérience client

En ce qui concerne les résultats que nous observons, l'IA a généré des gains considérables en matière d'échelle et de production. Nous avons à peu près triplé le nombre de témoignages de réussite et constaté des progressions similaires dans l'automatisation de la documentation, la création de formations et de cours d'apprentissage, les contenus vidéo et la traduction automatique.

Le travail manuel constituait auparavant un goulot d'étranglement pour des tâches comme la rédaction de témoignages clients, la localisation de contenus ou la création de modules de formation. L'IA produit désormais une première version de ces éléments en une fraction du temps, ce qui permet aux équipes de créer davantage de contenu pour un plus grand nombre de comptes et de langues qu'il n'était auparavant possible de le faire.

La répartition entre le travail de l'IA et le travail humain dans l'expérience client

Globalement, l'IA guide désormais plusieurs activités liées à l'expérience client : la priorisation du backlog, l'analyse des dossiers, la planification de l'adoption, la création de témoignages de réussite et les évaluations de la valeur réalisée. Dans chacun de ces domaines, l'IA synthétise les données, fait ressortir les tendances dans les différents dossiers, signale les comptes à risque et rédige les premières versions, tandis que les humains examinent, affinent et ajoutent leur jugement avant que quoi que ce soit ne parvienne au client.

Les activités explicitement humaines nécessitent une connaissance de la relation ou un jugement stratégique : la gestion des relations avec les ambassadeurs, la gestion des escalades avec les principales parties prenantes et les échanges sur la réalisation de la valeur, dans lesquels le « pourquoi » derrière une recommandation compte autant que la recommandation elle-même. Dans ces domaines, l'IA ne peut pas reproduire la confiance, le ton et l'historique concret du compte.

La répartition est simple : l'IA réduit le temps consacré à l'analyse et à la rédaction, des tâches qui nécessitaient auparavant des heures de recherche manuelle dans les dossiers, les données d'utilisation ou les notes. En déléguant cela à l'IA, nous libérons du temps à nos équipes pour qu'elles se concentrent sur des activités à plus forte valeur ajoutée.

Pourquoi les projets pilotes d'IA doivent être évolutifs dès le premier jour

Les difficultés que j'ai rencontrées concernaient moins l'IA elle-même que le passage de la preuve de concept à la production. Bon nombre de ces cas d'utilisation fonctionnaient bien dans le cadre d'un projet pilote ou à petite échelle, mais nous avons constaté que leur transformation en processus reproductibles, prêts pour la production — avec les contrôles qualité appropriés, l'intégration dans les flux de travail existants et une cohérence entre les équipes — était plus difficile que ne le laissaient penser les premières expérimentations.

L'écart entre « cela fonctionne dans une démonstration » et « cela est intégré de manière fiable à notre fonctionnement quotidien » a constitué le principal point de friction.

En matière d’IA, l’expérimentation est le bon point de départ, et il est essentiel d’avancer sans attendre d’avoir des certitudes parfaites. Mais je conseillerais aux équipes qui débutent aujourd’hui de concevoir leurs solutions pour la mise à l’échelle et la production dès le départ, même pendant la phase d’expérimentation.

Ainsi, vous ne resterez pas bloqués dans un modèle de preuve de concept, à enchaîner les projets pilotes qui démontrent qu’une idée fonctionne sans mettre en place les processus, les intégrations et les contrôles qualité nécessaires pour la passer en production. Si vous ne réfléchissez pas suffisamment tôt à cette trajectoire, vous finissez avec un cimetière de projets pilotes réussis qui ne sont jamais devenus de véritables capacités opérationnelles.

Mon conseil est donc de conserver cet état d’esprit expérimental, tout en l’associant dès le premier jour à une vision claire des exigences de la mise en production, afin que les projets pilotes disposent d’une véritable voie de progression au lieu de devenir des impasses.

Sofia partage

En matière d’IA, l’expérimentation est le bon point de départ, et il est essentiel d’avancer sans attendre d’avoir des certitudes parfaites…Mon conseil est donc de conserver cet état d’esprit expérimental, tout en l’associant dès le premier jour à une vision claire des exigences de la mise en production, afin que les projets pilotes disposent d’une véritable voie de progression au lieu de devenir des impasses.

Pourquoi l’IA ne peut pas remplacer la stratégie humaine dans l’expérience client

L’idée selon laquelle l’IA pourrait augmenter la couverture des comptes stratégiques de la même manière qu’elle a accéléré la production de contenu ou la documentation ne s’est pas vérifiée. Les relations à forte implication et à forts enjeux restent fondamentalement humaines, l’IA jouant un rôle de soutien plutôt que de direction.

En revanche, l’IA a apporté de l’efficacité à ce processus. Elle aide à préparer plus rapidement les conversations stratégiques, fait ressortir les données et le contexte pertinents avant les réunions, et rédige des supports que les humains remanient puis présentent. Elle accélère une stratégie menée par des humains, mais ne la remplace pas.

Comment l’IA a fait évoluer les préférences de canal selon les générations

L’une des hypothèses de longue date que l’IA nous a obligés à reconsidérer concernait les préférences de canal selon les générations : l’idée que les clients plus jeunes se tournent par défaut vers le chat ou le libre-service, tandis que les clients plus âgés privilégient le téléphone ou l’e-mail, et que nous devrions concevoir les expériences strictement en fonction de ces lignes générationnelles.

Nous avons constaté que l’IA a brouillé ces distinctions plus que prévu, sans toutefois les faire totalement disparaître. Toutes générations confondues, les clients se tournent de plus en plus vers le canal qui permet de résoudre leur problème le plus rapidement.

Par exemple, un client plus jeune peut décrocher son téléphone pour un problème complexe, tandis qu’un client plus âgé peut utiliser volontiers un chat basé sur l’IA pour une demande simple. Auparavant, nous aurions supposé l’inverse. La rapidité et la qualité de la résolution l’emportent désormais souvent sur le canal lui-même.

Cela dit, nous avons également constaté que, pour certains clients — souvent, mais pas exclusivement, parmi les générations plus âgées — le besoin de contact humain n’a pas disparu. Cela est particulièrement vrai pour les problèmes complexes, les situations sensibles ou les conversations fondées sur la relation, lorsque le réconfort et la confiance comptent autant que la réponse elle-même. L’IA n’a pas remplacé ce besoin. Au contraire, elle a rendu plus visibles les situations dans lesquelles l’interaction humaine compte véritablement, car l’IA prend désormais en charge le volume d’interactions plus transactionnelles.

Plutôt que d’abandonner complètement la réflexion générationnelle, nous sommes donc passés d’une conception « par génération » à une conception « par besoin ». Nous utilisons l’IA pour gérer les interactions à fort volume et à résolution rapide pour tout le monde, tout en préservant et en priorisant les parcours à forte implication menés par des humains pour les moments complexes ou émotionnellement importants, quelle que soit la personne qui demande de l’aide.

Pourquoi les responsables de l’expérience client doivent se différencier grâce à des données propriétaires

Mon conseil aux dirigeants CX est de vous concentrer sur la différenciation grâce à vos propres données. Les capacités d'IA génériques deviennent indispensables ; tous les fournisseurs et concurrents ont accès à des modèles et des outils sous-jacents similaires. La véritable différenciation provient des données propriétaires que vous avez accumulées : interactions avec les clients, habitudes d'utilisation, historique du support, résultats obtenus et connaissances institutionnelles propres à votre entreprise et à vos relations clients.

Les dirigeants qui prendront de l'avance sont ceux qui considèrent ces données comme un actif stratégique et les intègrent activement à leurs initiatives d'IA, plutôt que de s'appuyer sur une IA prête à l'emploi qui produit les mêmes résultats génériques que les autres. Cela signifie investir dès maintenant dans la qualité, l'accessibilité et l'intégration des données, afin que les outils d'IA travaillent avec le contexte complet de vos relations clients plutôt qu'avec des schémas génériques.

Ne cherchez pas à rivaliser en possédant une IA. Cherchez à vous démarquer par la manière dont vous ancrez votre IA dans les données et les connaissances que vous seuls détenez.

Suivez son travail

Vous pouvez suivre le travail de Sofia Barbosa sur LinkedIn.

D'autres entretiens avec des experts seront bientôt disponibles sur The CX Lead !