Le fantôme dans le standard : Leçons tirées de 81 millions de conversations de support

Il existe actuellement une fiction silencieuse et dangereuse qui circule dans les salles du conseil d'administration et les directions générales. Elle affirme que l’IA a enfin résolu le problème de coût du support. La logique est simple : automatiser les questions récurrentes, observer la baisse du volume et réduire les effectifs. Si l’on observe les tableaux de bord à grande échelle, cela semble fonctionner. L’efficacité augmente et la déviation des tickets atteint des sommets.

Mais si vous prenez le temps de vous asseoir aujourd’hui aux côtés d’une équipe de support—si vous observez le rythme de leurs discussions internes et le visage d'un agent à 16h un jour de semaine—vous savez que la réalité est tout autre. Le support ne s’allège pas. Il devient plus dense. 

Et cette densité retombe directement sur les humains qui demeurent.

Chez Hiver, nous n’avons jamais eu pour objectif de bâtir pour la complexité boursouflée du Fortune 500 ; nous avons construit pour les équipes agiles et réactives qui souhaitent résoudre les problèmes sans le poids d’une structure héritée. L’an dernier, nos plateformes ont aidé nos clients à traiter 81 millions de conversations. Ce n’est pas un volume d’entreprise, mais même dans cette bulle PME, nous constatons un changement qui reflète, et à bien des égards amplifie, la crise qui secoue le monde de l’entreprise. 

Le secteur avance à l’aveugle vers une crise des talents. Nous assistons à une érosion mondiale du support de niveau 1. À force d’automatiser le travail facile, les plateformes de support « optimisées par l’IA » ont accidentellement brisé le chemin menant à l’expertise.

Vous pouvez appeler cela une « transformation » si vous le souhaitez, mais le choix des mots ne masque pas le fait que le point d’entrée vers l’expertise en support disparaît rapidement et discrètement. Ce qui distingue ce moment des précédents cycles d’efficacité, c’est que les dynamiques économiques sous-jacentes commencent à aller à l’encontre du discours établi. 

Ce n’est pas un échec temporaire de gestion. C’est un changement systémique.

Depuis plus d’un siècle, le service client est régi par l’hypothèse invisible que le support est un problème de plomberie. Cette hypothèse remonte à 1917 et à un mathématicien nommé Agner Krarup Erlang. Il a développé l’Erlang-C, une formule permettant aux compagnies téléphoniques de déterminer le nombre d’opérateurs nécessaires pour un certain nombre d’appels. La formule traite les humains comme des tuyaux : si le niveau d’eau monte, il suffit d’élargir le tuyau. Donc, si le nombre d’appels augmente, il suffit d’ajouter plus de personnes pour gérer l’afflux.

Cette logique « standard de la commutation » opère toujours sous la surface de tous les helpdesks modernes. Nous parlons d’avenirs « IA-first » et d’agents surpuissants, mais nous continuons à gérer le support avec des métriques d’un autre temps comme le temps moyen de traitement ou le taux d’occupation. L’IA avait promis de nous échapper de la plomberie. Trop souvent, elle n’est que le nouveau tuyau installé dans une vieille machine.

Laissez-moi illustrer cela davantage.

L’an dernier, l’infrastructure d’Hiver a traité 85 millions de tâches manuelles grâce à l’automatisation : les réinitialisations de mots de passe, les mises à jour de statuts, et les règles de routage qui constituaient auparavant la routine d’une journée d’agent. En suivant la logique de l’ancienne arithmétique d’opérateurs, éliminer 85 millions d’unités de travail devrait créer un vaste surplus de disponibilité humaine. Et si cette logique était encore valable, ce surplus serait visible à travers toute l’économie du support.

Or, à l’échelle du secteur, 77 % des agents déclarent que la complexité augmente, tandis que d’autres études révèlent que 56 % des professionnels du support présentent des niveaux records d’épuisement. 

Les calculs échouent car ils oublient que ces 85 millions de tâches faciles n’étaient pas simplement du travail — c’étaient aussi des temps de récupération, d’apprentissage, et des respirations cognitives. Enlever la répétition sans repenser le système humain autour de ce qui reste, ce n’est pas de l’efficacité qui en ressort, mais de la compression.

Le projet Cornell Global Call Center a passé des années à documenter les raisons de l’échec de ce modèle de « plomberie ». Leur rapport de 2007 a prouvé pour la première fois que les équipes à haute performance prospèrent grâce à la discrétion, alors même que le secteur continue de les piloter pour le volume. 

Le secteur du support aura mis près de deux décennies à rattraper son retard, mais désormais on parle enfin de « surcharge cognitive » et de « jugement humain » — des concepts depuis longtemps adoptés par d’autres domaines critiques lors de leur transition vers l’automatisation et l’intelligence augmentée. 

Dans l’aviation, par exemple, le pilote automatique n’a pas éliminé les pilotes ; il les a transformés en gestionnaires de rares exceptions où le jugement compte plus que le contrôle de routine. Dans le domaine médical, les logiciels d’imagerie diagnostique n’ont pas remplacé les radiologues ; ils ont concentré leur attention sur les clichés ambigus où l’expérience fait toute la différence. 

Dans chaque cas, l’automatisation a supprimé la répétition tout en préservant les voies d’apprentissage menant à l’expertise. Le support client entre désormais dans cette même phase historique — à ceci près que tout va plus vite, sans avoir protégé l’accès à la formation des experts nécessaires.

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

Il existe un second effet secondaire, plus dangereux encore, de cette automatisation, et le secteur feint de l’ignorer. Nous supprimons en pleine conscience l’échelle de l’apprentissage en alternance. 

D’après les études, il faut environ 16 semaines à un nouvel agent pour devenir vraiment compétent. Historiquement, ces 16 semaines se déroulaient en niveau 1. Un agent junior apprenait le produit et le langage propre au client en traitant des centaines de demandes simples, à faible enjeu.

Mais aujourd’hui, nous jetons les nouvelles recrues directement dans le grand bain. Nous en constatons les conséquences chaque jour. Un client envoie un e-mail signalant qu’il semble y avoir un problème sur le côté gauche du panneau. Pour un agent expérimenté, il s’agit clairement d’une référence à un module d’activité spécifique. Mais pour un agent junior qui n’a pas eu l’occasion de résoudre les 1 000 tickets simples qui forment cette cartographie mentale, c’est une énigme ambiguë.

Cette lacune linguistique crée une véritable dette d'expertise. Nous n’avons plus aucun moyen de former la prochaine génération de seniors parce que nous avons automatisé toutes les étapes d’apprentissage pour débutants. C’est pourquoi Gartner prédit que 50 % des organisations ayant supprimé des postes au profit de l’IA seront contraintes de réembaucher pour ces mêmes postes d’ici 2027. 

Ils réalisent que, bien que l’IA puisse communiquer, elle ne peut remplacer « l’expertise, l’empathie et le jugement » qui ne s’acquièrent qu’avec l’expérience. Nous avons recouvert les pierres du gué et nous nous étonnons maintenant que plus personne ne puisse traverser la rivière.

Chaque profession repose sur un chemin visible allant de novice à expert, une période durant laquelle les erreurs sont mineures, les enjeux sont faibles, et la reconnaissance des schémas s’accumule discrètement. Lorsque cette zone intermédiaire disparaît, l’expertise cesse de se renouveler. Le symptôme immédiat est un ralentissement de la résolution et une augmentation des escalades. La conséquence à long terme est bien plus grave : une main-d’œuvre creusée où le jugement des seniors devient à la fois rare et fragile. Au moment où la pénurie devient visible sur les tableaux de bord de direction, le cycle d’apprentissage nécessaire pour y remédier est déjà brisé depuis des années.

Alors, comment les équipes survivent-elles lorsqu’aucune personne isolée ne détient toutes les réponses ?

Cette pression a déclenché un mécanisme de survie clairement visible dans les boîtes 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 sur la collaboration. C’est le signe que l’ère de l’agent « loup solitaire » est révolue.

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

Mais l’intelligence collective n’est qu’un des piliers de la survie. L’autre, c’est la réalité économique.

Parce que nous avons banalisé la vitesse via l’IA, les indicateurs que nous avons utilisés pendant des décennies perdent de leur sens. Un nouvel indicateur émerge et devrait inquiéter tout directeur financier : 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 GenAI devrait dépasser 3 $ ; il sera supérieur au coût de nombreux agents humains offshore. Les subventions s’amenuisent et les coûts d’infrastructure grimpent.

Vous vous souvenez que j’ai dit plus tôt que l’économie sous-jacente commence à évoluer à l’opposé du récit dominant ? Pendant plus d’une décennie, l’automatisation s’est justifiée essentiellement par l’arbitrage de la main-d’œuvre — en partant du principe que le logiciel devient plus rentable à mesure qu’il monte en charge. Mais lorsque le coût marginal de la résolution automatisée commence à égaler ou dépasser celui de la main-d’œuvre humaine, la question stratégique change du tout au tout. 

L’IA ne peut plus être défendue comme simple substitut des humains. Elle doit se justifier comme un multiplicateur des capacités humaines. Cette distinction est capitale. La substitution réduit les coûts à court terme. La multiplication détermine la résilience à long terme. Les organisations qui comprennent ce changement cesseront de se demander comment éliminer l’humain du support et commenceront à chercher comment rendre les humains restants infiniment plus efficaces.

Et l’efficacité, dans ce nouveau contexte, ne repose plus sur la seule justesse.

L’an dernier, nos clients ont utilisé la fonction « Analyse du sentiment » plus de 3,6 millions de fois pour comprendre le contexte émotionnel des échanges de support. Cela montre qu’une bonne réponse n’est plus suffisante ni vraiment efficace. 

Les clients arrivent à une interaction humaine avec une dette émotionnelle. Ils sont fatigués et frustrés par les bots qu’ils viennent d’affronter. Dans cet environnement, la mission de l’agent s’est transformée : il ne s’agit plus de délivrer l’information mais de restaurer l’équilibre émotionnel. L’objectif n’est plus la « Résolution » ; c’est « l’équilibre émotionnel ».

Alors, gérez-vous encore une usine, ou êtes-vous prêt à soutenir des experts ?

Si ce diagnostic est juste, alors l’implication pour les dirigeants n’est pas une amélioration incrémentale, mais une réorientation du management. La question centrale du support n’est plus : « Comment traiter plus de tickets avec moins de personnel ? » Mais : « Comment augmenter l’impact du jugement humain là où l’automatisation marque le pas, tout en garantissant que les relais s’opèrent au bon moment et que le contexte ne se perd jamais, malgré la multiplication des outils et le cerveau partagé ? » Et c’est, il est vrai, une longue question. 

Les organisations qui continuent d’optimiser le flux donneront une impression d’efficacité jusqu’au moment où la confiance client s’érodera et où les talents partiront en masse. Celles qui investissent dans le contexte, la collaboration et l’apprentissage expérientiel paraîtront moins rapides sur le court terme, mais fondamentalement supérieures à long terme. La différence entre ces deux voies définira la prochaine décennie du support et de l’expérience client.

Les responsables du support sont simultanément confrontés à trois pressions convergentes : le coût cognitif croissant de chaque interaction restante, un vivier de talents débutants s’amenuisant – ceux capables de devenir des experts – et une couche d’automatisation dont les gains marginaux se stabilisent à mesure que les coûts d’infrastructure et de modèles arrivent à maturité. 

Lorsque la complexité augmente plus vite que la productivité, le système se resserre. C’est pourquoi la prochaine disruption dans le support ne sera pas graduelle. Ce sera soudain, non pas parce que les forces sont nouvelles, mais parce qu’elles ont discrètement dépassé le seuil où l’optimisation incrémentale ne peut plus compenser la contrainte structurelle.

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

L’assistance ne peut plus se développer en détournant les clients ; nous ne pouvons évoluer qu’en donnant du pouvoir aux personnes qui maintiennent la confiance dans des situations à haut risque. La prochaine décennie ne sera pas remportée par l’entreprise ayant le bot le plus efficace, mais par celle qui saura préserver les humains les plus compétents, calmes et riches en contexte.