Le fantôme dans le standard : Leçons tirées de 81 millions de conversations d’assistance

Il existe une fiction silencieuse et dangereuse qui circule actuellement dans les conseils d'administration et les directions générales. Elle affirme que l’IA a enfin résolu le problème du coût du support. La logique est simple : automatiser les questions de routine, voir le volume diminuer et réduire l’effectif. Si l’on se fie aux tableaux de bord à l’échelle macro, cela semble fonctionner. L’efficacité est en hausse et la déviation des tickets atteint des sommets historiques.

Cependant, si vous passez du temps avec une équipe de support aujourd’hui—si vous observez le rythme de leurs conversations internes et voyez l’expression d’un agent à 16h un jour de semaine—vous constatez que la réalité est toute autre. Le support ne devient pas plus léger. Il devient plus dense. 

Et cette densité pèse pleinement sur les humains qui restent.

Chez Hiver, nous n’avons jamais cherché à concevoir pour la complexité tentaculaire du Fortune 500 ; nous avons construit pour les équipes agiles et réactives qui veulent résoudre des problèmes sans l’inertie d’un fonctionnement à l’ancienne. L’an dernier, nos plateformes ont aidé nos clients à résoudre 81 millions de conversations. Ce n’est pas un volume d’entreprise, mais même dans cette bulle des PME, nous observons un changement qui reflète, et à bien des égards amplifie, la crise qui frappe le monde de l’entreprise.

Le secteur marche à l’aveugle vers une crise des talents. Nous assistons à une érosion globale du support de niveau 1. Dans notre précipitation à automatiser les tâches simples, les plateformes de support « alimentées par l’IA » ont accidentellement brisé le parcours vers l’expertise.

Vous pouvez appeler cela une « transformation » si vous le souhaitez, mais le choix du vocabulaire ne masque pas le fait que le point d’entrée vers l’expertise dans le support disparaît rapidement et discrètement. Ce qui rend cette période différente des cycles passés d’optimisation, c’est que l’économie sous-jacente commence à évoluer à rebours du récit dominant. 

Ce n’est pas un échec temporaire du management. C’est un changement systémique.

Pendant plus d’un siècle, service client s’est appuyé sur l’hypothèse invisible que le support était un problème de plomberie. Cette idée remonte à 1917 et à un mathématicien nommé Agner Krarup Erlang. Il a créé l’Erlang-C, une formule permettant aux compagnies de téléphone de savoir combien d’opérateurs elles devaient employer pour un nombre donné d’appels. La formule traite les humains comme des tuyaux : si le niveau d’eau monte, il suffit d’élargir le tuyau. Donc, si vous recevez plus d’appels, il suffit d’ajouter du personnel pour traiter l’entrée.

Cette logique du standard téléphonique reste toujours à l’œuvre sous la surface de chaque service moderne d’assistance. Nous parlons de futurs axés sur l’IA et d’agents surpuissants, mais nous continuons à piloter le support avec des indicateurs vétustes comme le Temps Moyen de Traitement ou le Taux d’Occupation. L’IA promettait de sortir de la plomberie. Trop souvent, elle n’a fait que devenir le dernier tuyau raccordé à une vieille machine.

Laissez-moi illustrer ceci davantage.

L’an dernier, l’infrastructure de Hiver a exécuté 85 millions de tâches manuelles via l’automatisation—réinitialisations de mots de passe, mises à jour de statuts, règles de routage qui constituaient autrefois le quotidien des agents. Selon l’ancienne logique du standard, éliminer 85 millions d’unités de travail devrait libérer une vaste capacité humaine. Et si cette logique restait valable, ce surplus serait visible à l’échelle de l’ensemble du secteur du support.

Pourtant, à l’échelle du secteur, 77 % des agents déclarent que la complexité s’accroît, tandis que d’autres études révèlent que 56 % des professionnels du support connaissent des taux d’épuisement record. 

La logique échoue car elle a oublié que ces 85 millions de tâches faciles n’étaient pas seulement du travail—elles étaient des moments de récupération, d’apprentissage et de respiration cognitive. Supprimez la répétition sans redessiner le système humain autour de ce qui subsiste, et le résultat n’est pas l’efficacité mais l’écrasement.

Le Global Call Center Project de Cornell a passé des années à documenter pourquoi ce modèle de « plomberie » échoue. Leur rapport de 2007 a prouvé pour la première fois que les équipes performantes excellent grâce à leur autonomie décisionnelle, alors que le secteur continue de les gérer par le volume. 

Il a fallu près de vingt ans à l’industrie du support pour s’y mettre, mais nous commençons enfin à parler de « surcharge cognitive » et de « jugement humain » – des expressions reprises bien plus tôt par d’autres secteurs à hauts enjeux lorsque ceux-ci ont adopté l’automatisation et l’intelligence augmentée. 

Dans l’aéronautique par exemple, le pilote automatique n’a pas supprimé les pilotes ; il les a transformés en responsables d’exceptions rares et critiques où le jugement prévaut sur le contrôle de routine. En médecine, les logiciels d’imagerie diagnostique n’ont pas remplacé les radiologues ; ils ont recentré leur attention sur les clichés ambigus où l’expérience est déterminante. 

Dans chaque cas, l’automatisation a supprimé la répétition mais préservé les voies d’apprentissage qui conduisent à l’expertise. Le support client entre désormais dans cette même phase historique—mais à une cadence plus rapide, et sans avoir protégé le parcours qui forme les experts nécessaires.

Pouvons-nous former les experts de demain si nous avons bétonné le chemin aujourd’hui ?

Il existe un effet secondaire encore plus dangereux de cette automatisation, que le secteur ignore largement. Nous supprimons consciemment l’échelle de l’apprentissage en alternance. 

Selon les études, il faut environ 16 semaines à un nouvel agent pour atteindre une réelle maîtrise. Historiquement, ces 16 semaines se passaient au niveau 1. Un agent junior découvrait le produit et apprenait le langage spécifique du client en traitant des centaines de demandes simples et à faible enjeu.

Mais aujourd’hui, nous plongeons les nouveaux embauchés directement dans le grand bain. Nous en voyons les conséquences chaque jour. Un client envoie un e-mail pour signaler qu’il y a un problème visuel sur la partie gauche du panneau. Pour un agent expérimenté, il s’agit d’une référence évidente à un module d’activité précis. Mais pour un agent junior qui n’a pas pu traiter les 1000 tickets simples nécessaires à la construction de cette carte mentale, c’est une énigme ambiguë.

Ce fossé linguistique crée une immense dette d’expertise. Nous n’avons plus aucun moyen de former la prochaine génération de seniors, car nous avons automatisé toutes les leçons destinées aux débutants. C’est la raison pour laquelle Gartner prédit que 50 % des organisations qui auront réduit leur personnel grâce à l’IA seront contraintes de réembaucher pour ces mêmes postes d’ici 2027. 

Ils se rendent compte que si l’IA peut parler, elle ne peut pas remplacer « l’expertise, l’empathie et le jugement » qui ne se construisent qu’avec l’expérience. Nous avons recouvert les pierres du chemin et nous nous demandons désormais pourquoi plus personne ne peut traverser la rivière.

Toute profession repose sur un parcours visible, du novice à l’expert, une période où les erreurs sont minimes, les enjeux faibles, et la reconnaissance des schémas s’accumule discrètement. Quand ce terrain intermédiaire disparaît, l’expertise cesse de se renouveler. Le symptôme immédiat, c’est une résolution plus lente et une escalade plus fréquente. Mais la conséquence à long terme est bien plus grave : une main-d’œuvre vidée de sa substance, où le jugement des seniors devient rare et fragile. Lorsque le manque apparaîtra sur les tableaux de bord des dirigeants, le cycle d’apprentissage permettant d’y remédier sera déjà brisé depuis des années.

Alors, comment les équipes peuvent-elles survivre lorsqu’aucune personne seule ne détient toutes les réponses ?

Cette pression a déclenché un mécanisme de survie bien visible dans la boîte de réception. Cette année, les utilisateurs de Hiver ont créé 5 millions de notes internes directement au-dessus des conversations clients. Ce n’est pas qu’une statistique de collaboration. C’est le signe que l’ère de l’agent solitaire est terminée.

Dans l’ancien modèle, une personne était responsable d’un ticket jusqu’à sa résolution. Mais lorsqu’en réalité chaque ticket devient une exception complexe, plus personne ne peut détenir toutes les réponses. Ces 5 millions de notes représentent un regroupement collectif. En se réunissant autour du problème, au sein même de la conversation, les équipes construisent un « cerveau partagé » en temps réel. Elles répartissent ainsi la charge cognitive pour qu’aucun individu n’ait à porter seul le poids d’une crise complexe. 

Mais l’intelligence collective n’est que l’une des deux faces de la survie. L’autre, c’est la réalité économique.

Parce que nous avons banalisé la rapidité grâce à l’IA, les indicateurs sur lesquels nous nous sommes appuyés pendant des décennies perdent leur sens. Un nouvel indicateur émerge, qui devrait inquiéter tous les responsables financiers : le coût croissant de l’automatisation.

La dernière analyse de Gartner suggère que le rêve d’un support « gratuit » touche à sa fin. D’ici 2030, le coût par résolution via GenAI devrait dépasser 3 $ ; dépassant le coût de nombreux agents humains délocalisés. Les subventions prennent fin, et les coûts d’infrastructure s’accumulent.

Vous vous souvenez lorsque j’ai déclaré plus tôt que la réalité économique de fond commence à évoluer en sens inverse du récit ? Depuis plus de dix ans, l’automatisation a principalement été justifiée par l’arbitrage de main-d’œuvre, en supposant que le logiciel devient moins cher à mesure qu’il se développe. Mais lorsque le coût marginal d’une résolution automatisée commence à rivaliser, voire dépasser le coût du travail humain, la question stratégique change complètement. 

L’IA ne peut plus être défendue uniquement comme un substitut aux personnes. Elle doit désormais se justifier comme un multiplicateur des capacités humaines. Cette distinction est fondamentale. La substitution permet de réduire les coûts à court terme. La multiplication détermine la résilience sur le long terme. Les organisations qui comprendront ce changement en avance renonceront à chercher à évincer les humains du support, pour se concentrer sur la manière de rendre ceux qui restent infiniment plus efficaces.

Et l’efficacité, dans ce nouveau paysage, ne se définit plus uniquement par la justesse.

L’an dernier, nos clients ont utilisé plus de 3,6 millions de fois une fonctionnalité appelée « Analyse de sentiment », afin de comprendre le contexte émotionnel dans les conversations de support. Cela montre qu’une bonne réponse ne suffit plus, ni à être efficace. 

Les clients abordent aujourd’hui l’interaction humaine avec un déficit de sentiment. Ils sont fatigués et frustrés par les bots qu’ils viennent d’affronter. Dans un tel contexte, le travail de l’agent est passé de la délivrance d’informations à la restauration émotionnelle. L’objectif n’est plus la « résolution » ; c’est « l’équilibre émotionnel ».

Alors, dirigez-vous encore une usine, ou êtes-vous prêt à accompagner des experts ?

Si ce diagnostic est correct, l’implication pour les dirigeants n’est pas une amélioration incrémentale mais une vraie réorientation managériale. La question centrale du support n’est plus : « Comment traiter plus de tickets avec moins de personnel ? » mais bien : « Comment amplifier le jugement humain là où l’automatisation atteint ses limites, tout en s’assurant que les bons relais se passent au bon moment sans que le contexte se perde dans la multiplication des outils et le cerveau partagé ? » Et c’est une question passablement complexe. 

Les organisations qui continuent à optimiser pour le rendement paraîtront efficaces jusqu’à ce que la confiance client s’érode et que la fuite des talents s’accélère. Celles qui investissent au contraire dans le contexte, la collaboration et l’apprentissage expérientiel sembleront plus lentes à court terme mais structurellement supérieures à long terme. La différence entre ces voies définira la prochaine décennie de l’assistance client et de l’expérience client.

Les responsables du support font aujourd’hui face simultanément à trois pressions convergentes : le coût cognitif croissant de chaque interaction restante, un vivier de jeunes talents qui s’amenuise et n’est plus capable de progresser vers l’expertise, et une couche d’automatisation dont les économies marginales plafonnent à mesure que les infrastructures et les modèles mûrissent. 

Lorsque la complexité augmente plus vite que la productivité, le système se resserre. Voilà pourquoi la prochaine rupture dans le support ne sera pas graduelle. Elle paraîtra soudaine, non parce que les forces sont nouvelles, mais parce qu’elles ont silencieusement franchi le seuil où l’optimisation incrémentale ne suffit plus à compenser les tensions structurelles.

La crise à laquelle nous faisons face n'est pas un manque de technologie ; c'est un attachement à une philosophie de gestion vieille de 100 ans. Si nous voulons résoudre la dette d'expertise et prévenir l'érosion du niveau 1, nous devons cesser de créer des outils qui isolent les agents et commencer à construire des environnements qui reconnaissent et facilitent le cerveau collectif.

Le support ne peut plus augmenter son échelle en détournant les clients ; nous ne pouvons croître qu'en donnant du pouvoir aux personnes qui agissent comme gardiens de la confiance dans les situations à haut risque. La prochaine décennie ne sera pas remportée par l'entreprise disposant du bot le plus efficace, mais par celle qui préservera les humains les plus compétents, calmes et riches en contexte.