L’intelligence artificielle dans le support IT est présentée comme une évolution incontournable. Les démonstrations sont convaincantes : agents conversationnels instantanés, classification automatique, résolution sans intervention humaine. La réalité des déploiements est plus nuancée. Les projets qui fonctionnent ont une caractéristique commune : ils n’ont pas commencé par l’IA — ils ont commencé par le processus.
Les usages à valeur prouvée ont un prérequis commun : un processus déjà structuré
- Classification automatique des demandes : efficace lorsque le volume mensuel est suffisant et que les catégories sont cohérentes. Le dispositif classe correctement ce que les équipes ont correctement qualifié par le passé — il ne rattrape pas un historique mal structuré.
- Suggestion de réponses et base de connaissance interrogeable : utile lorsque la base est à jour et bien structurée. Une base obsolète produit des suggestions inutilisables, et c’est le frein le plus fréquent sur ce type de projet. C’est précisément ce que traite une démarche de RAG et de knowledge management.
- Automatisation des demandes de niveau 1 : réinitialisation de mot de passe, déblocage de compte, demandes d’accès standards. Ces cas offrent le retour sur investissement le plus rapide et les risques les plus faibles — et ils représentent une part importante du volume de niveau 1.
Ce que l’IA ne fait pas bien : comprendre les demandes ambiguës, gérer les exceptions, traiter les problèmes complexes multi-systèmes. La supervision humaine reste indispensable, au moins pour valider la qualité des réponses automatisées pendant les premiers mois.
L’IA n’améliore pas un processus défaillant — elle l’industrialise
Le premier facteur d’échec n’est pas technique : c’est la qualité des données. Un dispositif alimenté par des demandes mal qualifiées — catégories incohérentes, descriptions vagues, résolutions non documentées — produira des résultats médiocres quelle que soit la sophistication de l’algorithme.
Si les niveaux de service ne sont pas définis, si les escalades ne sont pas claires, si la base de connaissance n’est pas maintenue, introduire l’IA ne fera qu’accélérer les dysfonctionnements existants. Un système de résolution automatique qui répond à côté génère plus de frustration qu’un support humain lent.
Avant de choisir une solution, une question suffit
Notre processus de support est-il suffisamment structuré pour qu’une IA puisse l’améliorer ? Si la réponse n’est pas clairement oui, c’est là qu’il faut commencer : catégories de demandes cohérentes, niveaux de service définis, base de connaissance maintenue à jour. Structurer le catalogue de services et les circuits de traitement relève du digital workflow avant de relever de l’IA.
Une fois ces fondations en place, la séquence naturelle consiste à commencer par les demandes répétitives de niveau 1, à mesurer les résultats sur un périmètre restreint, puis à élargir. Mettre en place un mécanisme de retour dès le lancement — pour que les agents corrigent facilement les erreurs du dispositif — est ce qui maintient la qualité dans la durée.
