Pourquoi les agents IA échouent à comprendre vos clients en 1 ou 2 échanges (et comment y remédier)

Dans le retail, chaque seconde compte. Un client qui hésite devant un produit en ligne, qui compare des prix, ou qui exprime une frustration sur un chat n’a souvent que quelques échanges pour être convaincu. Pourtant, la plupart des agents IA déployés aujourd’hui doivent deviner l’intention et le contexte en un ou deux messages — une mission quasi impossible avec leurs architectures actuelles. Leur dataset est trop restreint pour saisir les signaux faibles (un ton dubitatif, un historique de navigation, une préférence implicite), et leur spécialisation les rend aveugles à tout ce qui sort de leur script pré-entraîné.

Résultat : 73 % des acheteurs en ligne attendent une personnalisation contextuelle, mais seulement 14 % des problèmes clients sont résolus en self-service sans intervention humaine, selon Gartner (les liens vers les sources sont à la fin de l’article).

La solution ne consiste pas à remplacer ces agents, mais à les augmenter pour cartographier les intentions et les personas en amont — et ainsi transformer une conversation basique en une interaction véritablement utile.

C’est tout l’objet de cet article.

Le défi : comprendre l’intention en un ou deux messages Les agents IA (et en particulier ceux du retail) sont aujourd’hui conçus pour des tâches précises : répondre à une FAQ, suivre un colis, ou recommander un produit basé sur des mots-clés. Leur défis principal est de comprendre une intention et un contexte souvent implicites .

Par exemple un client écrit : "Ce pull est joli, mais je ne suis pas sûr…" → L’agent classique répondra par la disponibilité des tailles, sans détecter ce qui pourrait être une hésitation d’achat à laquelle il faudrait répondre par une vidéo de styling ou un avis client similaire.

ChatGPT, ou LeChat de Mistral, eux, se basent sur un dataset élargi d’historique de l’utilisateur, incluant d’autres conversations sur d’autres sujets, mais fondateurs lorsqu’il s’agit d’affiner le profil du prompteur, qui pourrait être preneur de risque, ou focalisé sur sa sécurité, fashonista ou spécialiste de la transition écologique.

Pourquoi c’est si difficile pour les agents IA ? Dataset limité : Les agents s’appuient sur des scénarios pré-définis (ex. : "retour produit"), alors que les modèles larges analysent des milliards d’interactions pour en extraire des patterns de comportement. Manque de mémoire contextuelle : Ils ne se souviennent pas des préférences passées du client, contrairement à des plateformes comme Zalando ou Nike, qui lient l’agent au compte utilisateur. Pression temporelle : En retail, une réponse doit être rapide et pertinente. Or, 61 % des clients préfèrent une réponse AI instantanée plutôt qu’attendre un humain — mais à condition qu’elle soit adaptée.

Conséquence : Selon Gartner, seulement 25 % des clients réutilisent un chatbot après une première interaction, car ils perçoivent un manque de compréhension.

Quelles sont les clés pour dépasser les mots-clés ?

Pour qu’un agent devienne utile, il doit intégrer deux dimensions souvent ignorées :

Les intentions cachées Derrière une question simple se cachent des besoins complexes. Par exemple : Le contexte des personas Un client n’est pas un utilisateur anonyme mais un persona avec un historique, des préférences, et des attentes.

Trois étapes pour des agents "context/intention-ready" : comment passer de la théorie à la pratique

Étape 1 : Cartographier les intentions avec GPT (ou un LLM) L'objectif est Identifier les intentions cachées derrière les questions clients, au-delà des mots-clés évidents.

Analyser les logs de conversation : Utiliser GPT pour passer au crible les historiques de chat, les emails, et les avis clients. L’objectif est d’extraire des patterns récurrents d’intention. Par exemple : Créer une taxonomie des intentions : Classer les intentions en catégories actionnables. Sephora distingue par exemple : Valider avec des tests utilisateurs : Soumettre les intentions identifiées à un panel de clients pour vérifier leur pertinence. Sephora a réduit ses faux positifs de 30 % en croisant l’analyse GPT avec des retours humains.

Et bien sur, (voir nos autres publications sur ce sujet), ne pas confondre intention et mot-clé. Par exemple, "livraison" peut cacher une urgence ("Je dois l’avoir pour demain") ou une simple curiosité ("Quels sont les délais ?"). GPT permet de faire cette distinction en analysant le contexte de la phrase.

Étape 2 : Enrichir les personas avec des données contextuelles L'objectif est de transformer un client anonyme en un persona dynamique, avec des préférences, un historique, et un contexte d’achat.

Croiser les données CRM et comportementales : Intégrer à l’agent IA des informations comme : Créer des "micro-personas" : Plutôt que des segments larges ("femme 25–34 ans"), affiner les personas avec des attributs dynamiques : Utiliser le contexte en temps réel : Enrichir chaque interaction avec des données live :

Étape 3 : Injecter le contexte dans la conversation (sans alourdir l’expérience) L'objectif est de poser 1 ou 2 questions maximum pour affiner la compréhension, puis livrer une réponse ultra-personnalisée.

Poser des questions "intelligentes" : Les questions doivent être : Adapter le ton et le format de réponse : Escalader vers un humain si nécessaire. Selon Gartner, 64 % des clients préfèrent éviter l’IA pour le service client, mais seulement si elle ne résout pas leur problème rapidement.

Synthèse des bonnes pratiques Étape 1 : Utiliser GPT pour analyser les logs et créer une taxonomie d’intentions. Éviter de confondre intention et mot-clé. Étape 2 : Croiser les données CRM et comportementales pour créer des micro-personas dynamiques. Auditer régulièrement pour éviter les biais. Étape 3 : Limiter les questions à 1 ou 2, adapter le ton, et escalader vers un humain si nécessaire. Ne pas alourdir l’expérience.

Dans le retail, comme dans une grande partie des relations clients, la différence entre une vente perdue et un client fidèle tient souvent à un signal faible mal interprété. Les agents IA ont un rôle clé à jouer — à condition de ne plus se limiter aux mots-clés, mais d’embrasser l’intention et le contexte.

La question n’est plus de savoir si vos agents doivent comprendre vos clients, mais comment les y aider sans alourdir l’expérience. Et vous, quels signaux faibles vos outils actuels laissent-ils passer ?

Sources :

• McKinsey, "LLM to ROI: How to scale gen AI in retail", 2024 : lire l’étude: - Gartner, "Only 8% of customers used a chatbot during their last service interaction", 2023 : lire l’étude - Gartner, "Only 14% of customer service issues are fully resolved in self-service", 2024 : lire le communiqué - Gartner, "64% of customers would prefer that companies didn’t use AI for customer service", 2024 : lire l’étude - DigitalDefynd, "Sephora AI chatbot case study", 2025 : lire l’analyse - Yellow.ai, "Sephora chatbot case study" : lire le cas - DigitalDefynd, "Nike AI use cases", 2025 : lire l’article : https://digitaldefynd.com/IQ/ways-nike-use-ai/ - AI Expert Network, "Zalando AI case study", 2023 : lire le cas - Zalando Corporate, "Zalando Assistant update", 2025 : lire le communiqué : - VUX World, "Decathlon AI chatbot interview", 2022 : lire l’interview : - Cleverence, "Nordstrom AI customer service", 2025 : lire l’analyse :