Retail : votre IA ne crée peut-être pas de valeur, mais elle vous montre où la trouver

Avec le cas IKEA, Romain André (Synolia) montre que la vraie valeur de l'IA se trouve dans ce qu'elle ne sait pas traiter.

Votre chatbot a permis d’économiser 13 millions d’euros. Félicitations. Mais si vous vous arrêtez à ce chiffre, vous risquez de passer à côté d’une occasion cent fois plus importante. C’est précisément ce qui aurait pu arriver à IKEA.

Entre 2021 et 2023, Billie, l’agent conversationnel déployé par Ingka Group, principal opérateur des magasins IKEA, a traité 3,2 millions d’interactions. Il a résolu environ 47 % des demandes reçues et généré près de 13 millions d’euros d’économies. Dans la plupart des entreprises, ces résultats auraient suffi à qualifier le projet de réussite. 

Des coûts réduits. Des équipes libérées des questions répétitives. Tous les indicateurs étaient au vert. Mais IKEA a regardé ailleurs. Non pas les 47 % de demandes résolues, mais les 53 % restantes. Et c’est là que se trouvait la véritable valeur.

Un bon KPI peut masquer la vraie question

Lorsqu’un chatbot ne répond pas à certaines demandes, la réaction habituelle consiste à améliorer le chatbot. On enrichit sa base de connaissances. On ajuste ses scénarios. On entraîne le modèle sur davantage de données. L’objectif est clair : passer de 47 % à 55 %, puis à 60 %. Faire progresser le KPI. Justifier l’investissement.

Ingka Group a choisi une autre voie. Le groupe a analysé les demandes que Billie ne savait pas traiter. Ces conversations ne révélaient pas uniquement les limites d’un outil. Elles faisaient apparaître un besoin client mal identifié. Des consommateurs ne cherchaient pas simplement à connaître la disponibilité d’un canapé ou les modalités d’un retour. Ils demandaient de l’aide pour aménager leur intérieur. Ils attendaient des conseils sur la configuration d’une pièce, la sélection des produits ou la conception d’un projet complet.

Ces demandes existaient probablement depuis longtemps. Mais elles se perdaient dans la masse des appels. Elles étaient traitées individuellement, sans être agrégées ni considérées comme un signal stratégique. Billie ne les a pas créées. Billie les a rendues visibles. L’échec apparent d’une automatisation peut devenir une carte des attentes auxquelles l’entreprise ne répond pas encore.

Ce que l’IA ne résout pas peut valoir plus que ce qu’elle automatise

La réponse classique à l’automatisation de 47 % des demandes d’un centre de contacts aurait été arithmétique. Moins d’interactions humaines signifie moins de personnel nécessaire.

Ingka Group n’a pas suivi cette logique. L’entreprise a choisi de requalifier 8 500 collaborateurs de ses centres d’appels. Ces équipes ont été formées au conseil en design d’intérieur à distance, à la vente digitale et au traitement de demandes nécessitant une compréhension plus fine du contexte. 

Billie a pris en charge les demandes répétitives. Les collaborateurs ont été repositionnés sur les interactions dans lesquelles la connaissance des produits, la relation et le jugement humain apportaient davantage de valeur. Les points de contact commerciaux à distance d’Ingka Group ont atteint 1,3 milliard d’euros de ventes à la fin de l’exercice 2022, soit 3,3 % des ventes totales du groupe. L’objectif annoncé était de porter cette part à 10 % au cours des années suivantes. 

Il serait excessif d’attribuer l’intégralité de ce chiffre d’affaires au chatbot. Le service de vente à distance s’inscrit dans une stratégie plus large. Mais le rapprochement reste saisissant. D’un côté, 13 millions d’euros d’économies opérationnelles. De l’autre, un canal de vente atteignant 1,3 milliard d’euros. L’IA a automatisé une partie du service. L’analyse de ce qu’elle ne savait pas traiter a contribué à faire émerger une nouvelle activité.

Vos données parlent déjà, personne ne les écoute

On présente souvent ce cas comme une réussite de l’intelligence artificielle. C’est une lecture incomplète. L’IA n’a pas imaginé le service de conseil en design d’intérieur. Elle n’a pas décidé de former les équipes. Elle n’a pas transformé seule un centre de coûts en canal de revenus.

Elle a révélé un signal qui existait déjà dans les données clients. Il a ensuite fallu considérer les demandes non résolues comme autre chose qu’un résidu opérationnel. Puis rapprocher la technologie, la connaissance client et les compétences disponibles pour transformer le travail. Pas uniquement l’automatiser. Cette situation se retrouve dans de nombreuses entreprises. Des tickets de support sont archivés sous la mention « non résolu ». Des verbatims d’enquêtes ne sont étudiés que partiellement. Des comportements d’achat sont enregistrés dans le CRM sans être rapprochés des données de marge. Des demandes commerciales sont refusées sans que personne cherche à savoir si leur répétition révèle un marché.

Les données sont présentes. Elles disent quelque chose. Mais personne n’a la responsabilité explicite de comprendre ce qu’elles signifient pour le modèle économique de l’entreprise. Les organisations ont nommé des responsables de la qualité, de la sécurité et de la gouvernance des données. Mais qui est responsable de leur interprétation stratégique ? Qui recherche les signaux faibles situés au-delà des tableaux de bord habituels ?

Optimiser l’IA ou optimiser l’entreprise

Lorsque l’on mesure une IA uniquement à travers le nombre de demandes qu’elle automatise, on optimise l’outil. Lorsque l’on analyse ce que les demandes restantes révèlent des attentes des clients, on commence à optimiser l’entreprise.

C’est tout l’enjeu du paradoxe de l’IA : la plupart des équipes gagnent du temps, mais très peu d’entreprises en voient l’effet sur leurs résultats. Du temps gagné n’est pas de la valeur créée. Ceux qui font la différence ne se contentent pas d’équiper leurs équipes : ils repensent le processus de bout en bout.

Les économies sont relativement simples à prévoir. Elles peuvent être modélisées, intégrées à un business case et suivies dans un tableau de bord. Les opportunités révélées par les données, elles, sont moins prévisibles. Elles émergent d’une anomalie, d’une récurrence ou d’une demande qui ne rentre pas dans le processus prévu. Elles exigent de la curiosité et un travail d’interprétation.

La question n’est donc pas seulement : « Combien de tickets notre chatbot résout-il ? » Elle est : « Que nous apprennent les tickets qu’il ne résout pas sur ce que nos clients attendent réellement ? »La première question améliore un outil. La seconde peut faire émerger une stratégie, et transformer enfin le temps gagné en résultat.

Dans votre organisation, qui est chargé de lire ce que les données disent au-delà de ce qu’on leur a demandé de mesurer ? Pas seulement de les collecter ou de les stocker. De les lire. Et d’en tirer une décision.

Sources

Ingka Group, « AI and Remote Selling bring IKEA design expertise to the many » [ingka.com]

CIO, « How IKEA turned a €13 million chatbot into a €1.3 billion business » [cio.com]

PYMNTS, « IKEA Turned 8,500 Call Agents Into Design Consultants » [pymnts.com]