E-commerce / mode

Cas client — triage support pour un e-commerce mode (180k tickets/an)

Comment nous avons réduit de 62 % le temps de traitement des tickets support d'un e-commerce mode français en 11 semaines, avec un ROI atteint en mois 4.

Client
E-commerce mode française (marque confidentielle)
Durée
11 semaines
Impact mesuré
Atteint en mois 4 — économie annuelle ~200 k€ (évite 4 embauches) vs projet 38,5 k€

Le contexte

Un e-commerce mode français (9 ans d’existence, ~40 M€ CA, 120 salariés) nous contacte en janvier 2026 avec une problématique claire : leur service client traite 180 000 tickets par an et l’équipe de 12 agents est saturée. Les délais de réponse s’allongent (48h moyenne vs 24h cible), le CSAT s’érode, et la direction hésite entre recruter 4 agents supplémentaires (+200 k€/an) ou explorer une voie IA.

Le directeur du service client nous dit : “On a testé un chatbot générique en 2024, c’était catastrophique. On veut pas remettre ça en place, mais on voit bien que nos concurrents gagnent en efficacité.”

Les 3 frictions qu’on a trouvées en audit

En 2 semaines d’audit (facturé 4 800 € HT, déduit du projet final), on a identifié :

1. 63 % des tickets sont sur 12 sujets récurrents

  • Où est ma commande ?
  • Je veux retourner un produit
  • Ma commande est arrivée avec un défaut
  • Je n’ai pas reçu ma facture
  • Modification d’adresse de livraison après commande
  • …

Aucun de ces tickets ne nécessite de l’humain — mais ils consomment 55 % du temps de l’équipe.

2. Les outils sont silotés

Tickets dans Zendesk. Commandes dans Shopify. Stock dans leur ERP custom (Sage 100). Logistique chez un 3PL qui expose une API. Les agents passent 2 minutes par ticket à juste rassembler le contexte avant de commencer à répondre.

3. Pas de classification automatique

Tous les tickets arrivent dans une même queue. Agents picorent au hasard. Pas de priorisation, pas de routage expert, pas de remontée des cas urgents (colis perdus, clients à risque).

La solution déployée

Phase 2 du projet (9 semaines) : implémentation d’un assistant IA de triage qui :

  1. Classifie le ticket entrant (catégorie + urgence + complexité).
  2. Rassemble le contexte depuis Zendesk + Shopify + ERP + 3PL en 1 appel MCP unifié.
  3. Pré-rédige une réponse dans le ton de la marque, avec les éléments factuels corrects.
  4. Route vers la bonne queue : self-service / agent junior / agent senior / manager.

Côté technique :

  • Modèle principal : Claude 4.6 Sonnet via API Anthropic directe, région EU, DPA signé.
  • Modèle tri simple : Claude 4.5 Haiku pour les tickets évidents (80 % du volume).
  • Serveur MCP unifié : 1 serveur qui expose Zendesk + Shopify + ERP + 3PL comme outils pour Claude.
  • Intégration front agent : widget dans Zendesk qui affiche la pré-réponse + contexte + bouton “valider/éditer/refaire”.
  • Observabilité : Langfuse pour traces LLM, Grafana pour métriques métier.

Les chiffres avant / après

Mesurés sur 4 semaines de production (mars 2026), versus baseline janvier 2026 :

MétriqueAvantAprèsDelta
Temps moyen par ticket8 min3 min-62 %
Résolution 1er contact48 %71 %+48 %
Délai moyen de réponse48h16h-67 %
CSAT4,1 / 54,5 / 5+10 %
Tickets escaladés au manager14 %6 %-57 %
Tickets auto-résolus (self-service)0 %22 %+22 points

Le seul indicateur qui n’a pas bougé : le taux de réclamation post-ticket (2,1 % → 2,0 %). Ça rassure : l’IA ne cache pas de problèmes sous le tapis.

Ce qui a été difficile

Nettoyer les fiches produits

L’IA ne peut donner une réponse correcte que si les données sont correctes. On a dû investir 1 semaine à redresser les descriptions produits (matières, délais, politique retour), parce que 18 % des tickets étaient générés par des infos incohérentes entre le site et les fiches CRM.

Le ton de la marque

Premier déploiement, les réponses IA étaient correctes mais froides. Le manager support nous dit : “Ça répond bien, mais ça ressemble à pas nous.” On a passé 3 jours à affiner le prompt système avec 30 exemples de réponses d’agents seniors pour capturer la voix de la marque (un peu familière, pas corporate, avec du “Coucou Marie,” et du “On s’occupe de ça direct 😊”). Après ajustement, différence invisible pour les clients.

La résistance d’équipe

2 agents sur 12 ont vécu ça comme une menace. On a passé du temps à montrer que l’outil ne remplaçait personne — il enlevait juste la partie chiante (copier-coller entre 4 outils) et laissait la partie valeur (décision, empathie, négociation). Après 3 semaines, 12/12 agents utilisent l’outil quotidiennement, dont les 2 initialement réticents.

Le ROI

  • Coût projet : 38 500 € HT (audit inclus)
  • Coût d’exploitation LLM : 240 €/mois (mix Claude Sonnet + Haiku pour 180k tickets/an)
  • Économie annuelle : +40 % de capacité = évité l’embauche de 4 agents à ~50 k€ chargés = 200 k€/an
  • ROI atteint : mois 4 (vs mois 6 prévus)

Ce que dit le client 3 mois après

“On a hésité un an avant de se lancer. On était trop brûlés par notre POC chatbot de 2024. La différence cette fois c’est qu’on a commencé par un audit qui nous a posé des vraies questions sur nos process, pas sur la techno. Quand la techno est arrivée, elle faisait juste ce qu’on avait décidé qu’elle fasse. On est passés de ‘l’IA c’est pas pour nous’ à ‘on cherche où la déployer ensuite’.” — Directeur service client.

Prochaine étape chez ce client

Phase 3 (en cours, décembre 2026) : extension à la rédaction des emails marketing transactionnels (confirmation commande, expédition, retour, remboursement) avec personnalisation par segment client. Budget prévu 18 000 €, ROI attendu sur la réduction des demandes SAV post-commande (estimée -15 %).

Pour votre e-commerce ?

Si vous reconnaissez votre contexte (volumes tickets > 50k/an, équipe support saturée, outils silotés), nos chiffres peuvent être atteignables chez vous. 30 minutes au téléphone pour qualifier le fit, sans engagement.

Pour aller plus loin