Livre blanc | Expérience client : appliquer les leçons du text analytics CX à l'IA générative
Comment tirer les leçons de notre expérience du text analytics CX afin de tirer le meilleur de l'IA ?
L'IA générative a rapidement démocratisé le pouvoir de l'intelligence artificielle en matière d'analyse de texte. Fondamentalement, toute personne ayant accès à Internet peut désormais poser des questions et obtenir des réponses de ces chatbots ultra-intelligents.
Les outils d'IA – en particulier les modèles de langage à grande échelle (Large Language Models ou LLM) – peuvent être exploités dans de nombreux cas d'utilisation pratique du text analytics. Alors que nous entrons dans un nouveau paradigme, tirer les leçons de notre expérience en la matière nous garantira de ne pas répéter les mêmes erreurs et de tirer pleinement parti de ces nouveaux outils.
D'offre de niche il y a plus d'une décennie, le text analytics est désormais devenu la norme dans la plupart des programmes d'expérience client (CX) d'envergure. Il peut être utilisé pour identifier et quantifier des sujets clés et le sentiment des consommateurs sur la base des retours sollicités (tels que des questions ouvertes), et non sollicités (notamment basé sur des données issues des réseaux sociaux).
Alors que nous entrons dans un nouveau paradigme, tirer les leçons de notre expérience du text analytics garantira que nous ne répéterons pas les erreurs et que nous pourrons tirer pleinement parti de ces nouveaux outils.
Dans ce livre blanc, en s'appuyant sur les leçons tirées de notre expérience du text analytics au cours des 15 dernières années et en s'appuyant sur notre framework d'IA Vérité, Beauté et Justice, nos experts CX partagent cinq enseignements clés à garder à l'esprit lorsqu'on utilise des outils d'IA générative alimentés par des LLM :
- Exigez la transparence
Assurez-vous de bien comprendre les capacités du LLM, la nature des données utilisées, et s'il est capable d'apprendre et de s'adapter à mesure qu'il travaille avec de nouvelles données. La transparence implique de mettre en place une exigence contractuelle, une gouvernance et une infrastructure pour protéger la confidentialité et la sécurité des données et des informations sensibles. - Ne négligez pas les données
Si les données utilisées ne sont pas représentatives ou pertinentes par rapport à vos enjeux commerciaux, ou ne contiennent pas suffisamment de détails pour répondre à vos questions, alors les résultats ne répondront pas à vos objectifs. - L'évaluation formelle demeure primordiale
Pour tirer le meilleur parti du text analytics, la qualité des cas d'usage doit être systématiquement évaluée. En soumettant les LLM à la même rigueur que le text analytics traditionnel, vous en exploiterez le plein potentiel. - Gérez les attentes des utilisateurs
Tout comme pour le text analytics, il est nécessaire de prendre en compte les attentes des utilisateurs finaux concernant les commentaires fournis par les LLM. Les résultats qu’ils fournissent doivent être rigoureusement contrôlés. - Établissez un modèle de reporting et de cas d'usage qui répond aux besoins de votre entreprise
Les LLM et l'IA générative se basent sur le text analytics tels qu'il existe aujourd'hui – sur des interfaces existantes et propices aux interactions en direct. Ces interfaces, ainsi que les modèles utilisés, doivent être mis à disposition d’utilisateurs qui en connaissent le fonctionnement et les limites.
Si nous traitons les LLM avec le respect qu'ils méritent, apprenons du passé et embrassons l'avenir : ils mèneront sans aucun doute à de meilleures relations clients ainsi qu'à de meilleurs niveaux de fidélisation et rentabilité.
