92946d3203
- Created a new tech and AI monitoring report template for weekly updates. - Added an employment and developer trends report template to analyze market conditions. - Updated CLAUDE.md to include new directories for sources and templates. - Introduced a detailed structure for capturing key signals, OKR alignment, and actionable insights.
255 lines
3.3 KiB
Markdown
255 lines
3.3 KiB
Markdown
IA pour Gesteos
|
||
|
||
|
||
Stéphane Trémier
|
||
|
||
|
||
Philippe Aulnette
|
||
Cas d’usage : IA pour le support client Gesteos
|
||
|
||
|
||
1. Problème actuel (où on en est)
|
||
Aujourd’hui le support est :
|
||
|
||
fortement consommateur de temps humain (N1 + N2)
|
||
|
||
peu capitalisé (les réponses sont répétées)
|
||
|
||
dépendant des individus (Boris, Sylvie…)
|
||
|
||
hétérogène en qualité et en délai
|
||
|
||
|
||
|
||
👉 Conséquence directe :
|
||
|
||
coût support élevé
|
||
|
||
montée en compétence lente (Tony, futur recruté…)
|
||
|
||
pression sur BUILD (Fred)
|
||
|
||
expérience client variable
|
||
|
||
2. Principe du cas d’usage
|
||
|
||
|
||
👉 Utiliser Claude AI comme moteur de capitalisation et d’assistance au support
|
||
|
||
|
||
|
||
L’IA est alimentée par :
|
||
|
||
tickets historiques (Odoo)
|
||
|
||
réponses support existantes
|
||
|
||
documentation produit (release notes, guides, aide en ligne)
|
||
|
||
bonnes pratiques internes
|
||
|
||
|
||
|
||
👉 Objectif :
|
||
|
||
transformer chaque ticket traité en connaissance réutilisable
|
||
|
||
3. Fonctionnement cible (simple)
|
||
|
||
|
||
Étape 1 — Analyse automatique du ticket
|
||
|
||
|
||
Quand un ticket arrive :
|
||
|
||
l’IA identifie :
|
||
|
||
le type de problème (ex : facturation, liaison InSitu…)
|
||
|
||
la fréquence (problème connu ou nouveau)
|
||
|
||
le niveau (N1 vs N2)
|
||
|
||
|
||
|
||
👉 Résultat :
|
||
|
||
pré-qualification automatique
|
||
|
||
gain de temps immédiat
|
||
|
||
Étape 2 — Proposition de réponse
|
||
|
||
|
||
L’IA génère :
|
||
|
||
un diagnostic
|
||
|
||
une checklist de vérification
|
||
|
||
une réponse client prête à envoyer
|
||
|
||
|
||
|
||
Exemple :
|
||
|
||
|
||
|
||
“Avez-vous vérifié X / Y / Z…”
|
||
|
||
|
||
👉 Le support :
|
||
|
||
valide / ajuste
|
||
|
||
envoie
|
||
|
||
|
||
|
||
👉 Gain :
|
||
|
||
plus de rédaction manuelle
|
||
|
||
homogénéité des réponses
|
||
|
||
Étape 3 — Capitalisation automatique
|
||
|
||
|
||
Chaque ticket traité :
|
||
|
||
enrichit une fiche support structurée
|
||
|
||
symptôme
|
||
|
||
cause
|
||
|
||
résolution
|
||
|
||
réponse type
|
||
|
||
|
||
|
||
👉 Effet cumulatif :
|
||
|
||
amélioration continue
|
||
|
||
base de connaissance vivante
|
||
|
||
Étape 4 — Assistance proactive
|
||
|
||
|
||
À terme :
|
||
|
||
suggestions en temps réel au support
|
||
|
||
détection des patterns récurrents
|
||
|
||
alerte sur bugs fréquents (remontée BUILD)
|
||
|
||
|
||
|
||
👉 Boris passe de “traiter” à “piloter”
|
||
|
||
Étape 5 — Self-service client (phase avancée)
|
||
|
||
|
||
Le client peut :
|
||
|
||
poser une question directement
|
||
|
||
recevoir une réponse IA basée sur la base support
|
||
|
||
|
||
|
||
👉 Objectif :
|
||
|
||
éviter la création du ticket
|
||
|
||
4. Cas concret Gesteos
|
||
|
||
|
||
Exemple : problème de liaison InSitu
|
||
|
||
|
||
Aujourd’hui :
|
||
|
||
10 tickets similaires
|
||
|
||
10 réponses manuelles
|
||
|
||
|
||
|
||
Demain avec IA :
|
||
|
||
Claude identifie le pattern
|
||
|
||
propose une réponse standard
|
||
|
||
guide le client avec une checklist
|
||
|
||
résout 60% des cas sans intervention humaine
|
||
|
||
5. Impacts attendus (très concrets)
|
||
|
||
|
||
Court terme (1-2 mois)
|
||
-30% temps de réponse support
|
||
|
||
homogénéisation des réponses
|
||
|
||
montée en compétence accélérée des juniors
|
||
|
||
Moyen terme (3-6 mois)
|
||
50-60% des tickets assistés ou résolus par IA
|
||
|
||
réduction charge N2 (Boris)
|
||
|
||
Fred moins sollicité
|
||
|
||
Long terme (6-12 mois)
|
||
self-service partiel client
|
||
|
||
support devient scalable
|
||
|
||
capacité libérée pour :
|
||
|
||
commerce
|
||
|
||
onboarding
|
||
|
||
delivery
|
||
|
||
6. Impacts organisationnels (clé Gesteos)
|
||
|
||
|
||
DELIVERY
|
||
Boris = pilote du système (plus exécutant)
|
||
|
||
N1 augmenté par IA (Tony / futur recruté)
|
||
|
||
BUILD
|
||
moins de bruit support
|
||
|
||
meilleure remontée des vrais bugs
|
||
|
||
GROWTH
|
||
temps libéré pour Sylvie
|
||
|
||
meilleure expérience client → meilleure conversion
|
||
|
||
|
||
|
||
|
||
Logo
|
||
|
||
Stéphane Tremier
|
||
CEO
|
||
|
||
RENNES - ANGERS - NANTES - PARIS
|
||
Mobile : 06 18 45 31 14
|
||
www.6tm.com
|
||
Linkedin Youtube
|
||
|
||
|
||
|
||
|