La plupart des responsables d’opérations de service ont désormais assisté à la même démonstration. Un assistant rédige une réponse, résume l’historique d’un dossier, propose l’étape suivante. C’est convaincant. La question difficile arrive juste après : si cela se retrouve lundi devant deux cents personnes, qu’est-ce qui change réellement, et pour qui ?

Il existe une réponse publiée à cette question, et les preuves sont d’une qualité inhabituelle. Il vaut la peine de les connaître avant d’engager une opération dans un déploiement, car la forme du résultat n’est pas celle que supposent la plupart des dossiers d’investissement.

Ce qu’a montré la plus grande étude publiée

Brynjolfsson, Li et Raymond : Generative AI at Work, paru en 2025 dans le Quarterly Journal of Economics, a suivi 5 179 conseillers du support client d’un éditeur de logiciels pendant l’ouverture progressive de l’accès à un assistant d’IA générative. C’est précisément cette progressivité qui rend l’étude utile : les conseillers équipés et ceux qui ne l’étaient pas traitaient le même travail au même moment. La comparaison est donc une mesure, et non une impression.

Trois résultats ressortent.

La productivité a progressé d’environ 14 %, mesurée en dossiers résolus par heure.
Le gain s’est concentré sur les conseillers les plus récents et les moins performants, autour de 34 %. Pour les plus expérimentés, il était proche de zéro.
La satisfaction client s’est améliorée et la fidélisation des équipes a augmenté — deux grandeurs qui évoluent rarement ensemble dans une opération de service, et dont aucune n’était l’objectif déclaré de l’outil.

L’explication des auteurs est la partie réellement utile : l’assistant a diffusé à tous la pratique de travail des meilleurs conseillers. Il ne rendait personne plus rapide dans ce qu’il savait déjà faire. Il réduisait la distance entre un nouvel arrivant et un conseiller chevronné.

La forme du gain compte plus que son ampleur

Les 14 % de moyenne sont le chiffre qui arrive dans le dossier d’investissement. C’est aussi le moins utile pour planifier, car presque personne dans l’opération ne le vit. Certains gagnent un tiers. D’autres ne gagnent rien.

Où se trouve réellement la valeur

Si le bénéfice suit le manque d’expérience, alors son ampleur dans une équipe donnée dépend de l’écart d’expérience que cette équipe contient. Une équipe stable de spécialistes anciens traitant un travail familier a peu de marge. Une équipe marquée par des renforts saisonniers, une croissance récente, un fort renouvellement ou un périmètre produit large et mouvant en a beaucoup. Le même outil vaut des montants très différents dans deux équipes de taille identique.

C’est une meilleure règle de sélection que l’habituelle, qui consiste à commencer là où quelqu’un s’est porté volontaire.

Ce qu’il faut mesurer

Les dossiers résolus par heure sont une mesure légitime dans une étude contrôlée. En exploitation réelle, elle est faible à elle seule, car le moyen le plus rapide de résoudre davantage de dossiers par heure est de les résoudre moins bien. Associez toute mesure de débit à au moins une mesure de qualité produite indépendamment des personnes évaluées : dossiers rouverts, taux d’escalade, taux de réclamation, échantillonnage qualité, ou résolution au premier contact confirmée a posteriori.

Le NIST AI Risk Management Framework traite la mesure comme une activité continue, de la conception à l’usage, et non comme une étape franchie une fois. Pour une opération de service, cela se traduit simplement : l’évaluation qui a justifié le déploiement devrait encore tourner six mois plus tard, sur du travail réel.

Ce qui arrive à vos conseillers expérimentés

Si l’outil fonctionne en diffusant ce que les bons conseillers font déjà, alors les bons conseillers sont la source de la norme et non ses bénéficiaires. C’est un rôle, et il mérite d’être nommé et doté : relire les réponses suggérées, corriger les connaissances sur lesquelles l’assistant s’appuie, et décider quels dossiers ne doivent jamais être traités avec assistance. Une opération qui n’associe pas ses meilleurs éléments au système verra la qualité des suggestions dériver vers la moyenne de ce qui a été fourni au modèle.

Ce qui arrive à la formation

Un outil qui comprime la courbe d’expérience ne supprime pas le besoin d’expérience ; il déplace le moment où ce besoin se fait sentir. Les nouveaux conseillers atteignent un résultat acceptable plus tôt et une compréhension réelle plus tard, parce que l’étape intermédiaire qui produisait cette compréhension a été raccourcie. Les opérations qui se soucient de leur profondeur de banc à cinq ans, et pas seulement de leur montée en charge à cinq semaines, devraient l’anticiper plutôt que le découvrir.

Les contrôles qui font un déploiement plutôt qu’une expérience

Le travail de service touche des clients et, dans les secteurs régulés, des obligations. Selon Eurostat : utilisation de l’intelligence artificielle dans les entreprises, environ 20 % des entreprises de l’UE d’au moins dix salariés utilisaient des technologies d’IA en 2025, contre 13,5 % l’année précédente, et 55 % parmi les grandes entreprises. L’usage progresse vite ; la pratique d’exploitation qui l’accompagne, beaucoup plus inégalement.

Quatre contrôles comblent l’essentiel de l’écart.

Un chemin d’escalade préservé. Un client doit pouvoir joindre une personne, et un conseiller doit pouvoir refuser une suggestion sans justifier son refus. Une suggestion qu’on ne peut pas refuser est une décision.
Un ancrage dans des contenus validés. L’assistant doit s’appuyer sur des contenus à jour, dont quelqu’un répond, et versionnés. Une réponse assurée qui cite une politique retirée vaut moins que pas de réponse du tout.
Une trace de ce qui a été suggéré. Quand une réclamation arrive huit mois plus tard, la question portera sur ce que le conseiller avait sous les yeux. On ne peut y répondre que si cela a été journalisé à l’époque.
Une condition d’arrêt convenue à l’avance. Nommez la mesure et le seuil qui suspendraient le déploiement avant qu’il ne commence, tant que la décision reste peu coûteuse.

Le cadre réglementaire européen sur l’IA rattache les obligations à l’usage et non à la technologie. Pour une opération de service, c’est l’aiguillage décisif : le même assistant peut être une aide à la rédaction sans conséquence ou une composante d’une décision aux effets sensibles pour une personne — et le besoin de contrôle diffère en conséquence.

Un premier déploiement qui vaut la peine

Choisissez une file d’attente, pas une direction. Prenez un travail avec une définition claire de « terminé » et un signal de qualité observable. Ouvrez l’accès à la moitié de l’équipe d’abord et gardez l’autre moitié comme comparaison pendant une durée définie : l’ouverture progressive ne coûte rien de plus et fait la différence entre savoir et croire.

Convenez à l’avance de ce qui compte comme succès, de ce qui compte comme dommage, et de qui décide. Relevez la situation de départ avant l’arrivée de l’outil, car elle ne se reconstitue pas après coup. Laissez ensuite tourner assez longtemps pour que l’effet de nouveauté retombe : les deux premières semaines mesurent l’enthousiasme.

L’adoption seule n’est plus un facteur de différenciation. Le Stanford HAI AI Index Report 2026 situe l’adoption organisationnelle à 88 %, tout en notant que les résultats restent inégaux et que les incidents d’IA documentés sont passés à 362 en 2025, contre 233 l’année précédente. Presque tout le monde a déployé quelque chose. Les opérations qui obtiennent un retour sont celles qui savent dire ce qui a changé, pour qui, et comment elles le savent.

Pour un regard indépendant sur un processus de service avant de vous engager dans un déploiement : c’est le travail sur les opérations client, et il commence en général par un diagnostic cadré.

Cet article est une adaptation de l’original anglais. En cas de divergence, la version anglaise fait foi.