Qu’est-ce qu’un chatbot ?
La première référence historique à un chatbot se retrouve en 1950 avec le célèbre test de Turing. Le but était alors de distinguer un comportement intelligent non distinguable de celui d’un humain. Par la suite, ces agents conversationnels ont longtemps été utilisés en recherche dans le domaine de la psychologie/psychiatrie pour converser avec des patients. En 2006, le chatbot Watson d’IBM est le premier à remporter la victoire au jeu « Jeopardy ». Se succéderont ensuite d’autres bots iconiques comme Siri en 2010, Alexa en 2015… la machine s’accélère.
Concrètement, un chatbot est un « agent conversationnel », une interface qu’un utilisateur peut questionner pour obtenir une information (principe du chatbot Q&A – Questions and Answers) ou pour initier un processus (démarche métier, demandes de congés, prise de rendez-vous, etc.). Si historiquement le chatbot est une interface graphique peu intrusive qui ne s’utilise que via un ordinateur, il se retrouve aujourd’hui, dans ses versions les plus abouties, presqu’exclusivement remplacé par des assistants vocaux (principalement Alexa d’Amazon, Siri d’Apple, OK Google de Google, Cortana de Microsoft). Ce qui suppose également un usage différent, plutôt de type « consommateur ».
En tant que tel, un chatbot peut difficilement être comparé à de l’intelligence artificielle. Cette dernière est en effet identifiée comme étant une technologie qui, reposant sur le Machine Learning, s’améliore d’elle-même avec le temps et l’utilisation des outils. A contrario, la plupart des chatbots reposent simplement sur des bases de données de questions et réponses ; si l’utilisateur ne pose pas la question telle qu’elle est formulée dans la base, il n’a pas de réponse. L’expérience est décevante et l’adoption négative.
Un chatbot est donc un projet continu dont il faut enrichir en permanence les bases de données pour en garantir l’efficacité, et ce de deux façons. La première, via des opérateurs qui vont traiter les questions sans réponses et les ajouter dans la base de données. La seconde, qui constitue un premier pas vers l’intelligence artificielle, en automatisant tout ou partie du traitement des réponses. Car contrairement à une idée reçue, l’intelligence artificielle repose sur un apprentissage continu.
Quel apport dans l’entreprise ?
Un chatbot étant in fine une interface utilisateur, il peut répondre à des besoins divers : recherche d’information, démarrage de procédures internes type ressources humaines (demandes de congés), implémentation de procédures métiers tels que la génération de documents à caractères communs (légaux) ou encore participation au mieux-être des collaborateurs. Un chatbot peut donc aider dans bien des domaines.
Il peut en effet être pensé pour des processus nominatifs ou encore anonymes. Dans certains groupes, on pourra imaginer une implémentation qui, via un simple système de questions/réponses, viendrait suppléer la médecine du travail, accompagner les collaborateurs sur des plans de formation en langues étrangère ou sur des aspects techniques.
Dans le cadre d’un accompagnement au changement, il est possible de le placer en support de niveau 1 et agir en tant que filtre sur les demandes des utilisateurs. Une question posée ? si la réponse est connue, alors le chatbot la donne directement à l’utilisateur. Sinon, celui-ci est redirigé vers un opérateur du support.
Quelle est la bonne approche ?
Dans « ces » contextes, il peut être difficile de se projeter dans la mise en place d’un seul outil. Et La multiplication des solutions sur le marché du chatbot ne facilite pas le choix. Le premier facteur déterminant l’approche à adopter doit être la cible de ce chatbot. On ne mettra pas le même niveau d’exigence sur une application B2C, plus généralement orientée vers les réseaux sociaux ou le service client, que sur une solution B2B, tournée vers l’entreprise.
L’écosystème étant très jeune, je vous propose un petit tour d’horizon de cette complexité.
En pointe de la fourniture de services se trouvent naturellement Microsoft, Google, Facebook, Amazon, ainsi que IBM et SAP. Ces éditeurs proposent des APIs et services de « motorisation » de chatbots. Ces moteurs sont des processeurs de de langage naturel qui vont vous permettre de développer votre propre solution (que l’interface soit textuelle ou vocale). On y distinguera deux types de traitement des entrées utilisateur : les moteurs NLU (Natural Language Understanding) et les moteurs NLP (Natural Language Processing).
Ces services sont souvent disponibles selon un modèle gratuit (et limité) et un modèle payant. La solution implémentée sera évidemment dépendante d’une technologie qui évolue. Le principal avantage de ces outils est leur avance technologique. En effet, ces acteurs, portés par leur base d’utilisateurs extrêmement importante, ont pu inventer et affiner des fonctions très performantes. L’inconvénient est justement que ces composants essentiels évoluent rapidement, et nécessitent donc une veille constante.
Basées sur les APIs de ces éditeurs, des « moteurs de chatbot » sont disponibles à foison. Il s’agit de frameworks basés sur des moteurs NLU/NLP, qui vont permettre de faciliter le développement de chatbot. Souvent, ces frameworks sont spécialisés sur des verticaux fonctionnels particuliers, tels que le support niveau 1 ou le service client. Ils ciblent également la plupart du temps un frontal particulier : Facebook Messenger, Google, SharePoint, etc, ou nécessitent l’installation d’un client dédié.
Enfin, de nouvelles solution « clé en main » apparaissent. Elles permettent soit d’implémenter un chatbot sur un besoin particulier avec un minimum de configuration, soit d’avoir accès à un moteur de chatbot qui fonctionnera sur un modèle « Chatbot-as-a-Service ».
Ce dernier type d’approche est très intéressant : via un système de marketplace, chaque organisation cliente peut enrichir sont chatbot avec de nouveaux modules. Ces modules pourront tout aussi bien être de type question/réponse que répondre à des besoins métiers plus aboutis : génération de workflows, intégration dans des processus avec des outils tiers, gestion documentaire (avec génération / classification de documents et signature électronique).
Enfin, reste la possibilité de réaliser un projet sur mesure. Le résultat sera dédié et fermé, mais, de fait, répondant à 100% d’un besoin… au moment où celui-ci est exprimé. Quid de l’extensibilité de ce modèle ? De même pour la veille technologique, si importante pour bénéficier des dernières fonctionnalités et améliorations ?
Comment mesurer le retour sur investissement ?
Il faut distinguer deux types de retours sur investissement (ROI) lors de la mise en place d’une solution de chatbot, directement liés au type de vertical que la solution va adresser. Nous parlerons tout d’abord du ROI direct, qui englobera tous les gains quantifiables consécutifs à la mise en place de l’outil. Par exemple, la réduction du nombre de personnes affectées au support, si le support de niveau 1 est assuré par le chatbot, ou dans un autre cas de figure, l’automatisation de tout ou partie d’un cycle de vente.
Ensuite le ROI indirect, non quantifiable : Il s’agit des bénéfices invisibles, ou plutôt non-directement observables mais cependant réalisés. Les deux facteurs de ROI indirect les plus intéressants sont les gains de productivité, et surtout la rationalisation du temps perdu par les utilisateurs en rendant des processus – recherche, prises de rendez-vous, congés, etc. – plus efficaces. On réduit souvent le ROI indirect au facteur d’adoption des utilisateurs. C’est à mon sens un terme fourre-tout justifié ; du facteur d’adhésion à l’outil dépend la rentabilisation des investissements SI.
Si aujourd’hui beaucoup de DSI se disent intéressés par la démarche d’implémentation d’un chatbot, une fraction d’entre eux seulement passe à la phase d’implémentation. Notez que j’ai omis volontairement deparler de phase de test. C’est là le frein principal d’un tel projet : comment évaluer l’impact positif de la mise en place d’un chatbot lorsque l’effort de développement n’est pas négligeable ? Heureusement, le marché se dynamise et des éditeurs commencent à commercialiser des solutions de type « click and connect », qui ne nécessitent aucun codage pour la mise en place d’une phase de test. Des versions de démonstration sont parfois possibles. Ces nouvelles solutions, sans code, peuvent ensuite être enrichies par l’ajout de modules qui répondront à un besoin spécifique.
Le frein de l’investissement est désormais levé et plus rien ne s’oppose, financièrement du moins, à la mise en place de prototypes à l’échelle de l’entreprise.
Vers un chatbot 2.0
L’évolution des chatbot est très rapide, conjointement à l’évolution des services d’intelligence artificielle. Cet outil, qui devait être fait sur mesure il y a encore deux ou trois ans, bénéficie de cet historique. Des solutions packagées et dédiées existent, mais à cause de leur coût et de leur limitation fonctionnelle, se heurte encore à une certaine résistance pour leur démocratisation.
Dans cet univers de services, des solutions de Chatbot-as-a-Service sont en train d’être lancées sur le marché. L’investissement est désormais découpé entre un moteur d’interprétation (NLU et/ou NLP) et des composants spécialisés.
Premier facteur de décision de ce modèle, chaque entité de l’entreprise peut faire la demande d’implémentation de nouveaux services ; services qui peuvent aisément être refacturés.
Second facteur de décision, il est plus facile de se projeter dans un contexte de solution d’entreprise plutôt que dans un contexte de simple outil. La mise en place d’un chatbot et d’un service simple peut constituer une première étape dans la construction d’une plateforme multiservices répondant à des besoins plus complexes. Ces nouveaux hubs technologiques pourraient alors à la fois héberger des agents conversationnels et permettraient de développer des applications dédiées à des besoins particuliers nécessitant un recours plus important à l’IA.