Le service client, c’est l’image de la marque. Quand un client pose une question sur l’entretien de son blouson en cuir, il mérite une réponse précise et instantanée. Voici comment l’IA nous aide à y parvenir.

Le défi

  • 50,000 tickets par mois
  • 10 ans de documentation produit éparpillée
  • 47 pays avec leurs spécificités
  • 4 langues principales à supporter

L’approche RAG

RAG (Retrieval-Augmented Generation) combine le meilleur des deux mondes :

  1. Retrieval : On cherche les documents pertinents dans notre base
  2. Augmented : On enrichit le prompt avec ce contexte
  3. Generation : Le LLM génère une réponse personnalisée
def answer_customer_query(query: str, customer_context: dict) -> str:
    # 1. Embed the query
    query_embedding = embed(query)
    
    # 2. Search relevant documents
    relevant_docs = vector_store.search(
        query_embedding,
        filters={
            "product_category": customer_context.get("last_purchase_category"),
            "language": customer_context.get("language")
        },
        top_k=5
    )
    
    # 3. Generate response
    return llm.generate(
        prompt=CUSTOMER_SERVICE_PROMPT,
        context=relevant_docs,
        query=query,
        tone="zadig_voice"
    )

La stack technique

  • Embeddings : OpenAI text-embedding-3-large
  • Vector Store : Pinecone (serverless)
  • LLM : Claude 3.5 Sonnet (via API)
  • Orchestration : LangChain
  • Monitoring : LangSmith

L’indexation de 10 ans de contenu

Le plus gros chantier : structurer une décennie de :

  • Fiches produit (12,000+)
  • Guides d’entretien
  • FAQs pays par pays
  • Historique des collections
  • Politiques de retour (qui changent souvent)

Nous avons créé un pipeline d’ingestion qui :

  1. Parse les PDFs, Notion, Confluence, Google Docs
  2. Chunk intelligemment (respect des sections)
  3. Enrichit avec des métadonnées (saison, catégorie, pays)
  4. Embed et indexe dans Pinecone

Le prompt engineering

Le ton Zadig&Voltaire, c’est important. Notre prompt système :

Tu es l'assistant service client de Zadig&Voltaire.

Ton style :
- Chaleureux mais pas familier
- Expert mais pas condescendant  
- Rock chic, jamais guindé
- Tu tutoies en français, vouvoies par défaut ailleurs

Règles :
- Toujours citer la source de l'information
- Si tu n'es pas sûr, propose de transférer à un humain
- Ne jamais inventer de politique ou de prix

Résultats

Après 6 mois en production :

  • 80% des tickets résolus automatiquement
  • NPS service client : +12 points
  • Temps moyen de réponse : 8 secondes (vs 4 heures avant)
  • Coût par ticket : -65%

Les cas où l’IA passe la main

L’IA sait reconnaître ses limites :

  • Demandes de remboursement (décision humaine)
  • Plaintes sérieuses (empathie humaine requise)
  • Questions sur des commandes en cours (données temps réel)
  • Cas juridiques ou litigieux

Next steps

  • Voice : Intégrer au téléphone avec speech-to-text
  • Proactif : Anticiper les questions post-achat
  • Multimodal : Analyser les photos de produits endommagés