ADA’S Group

Chatbot de support client : quelles questions se poser avant de construire sa base de connaissances ?

La qualité d'un chatbot de support dépend moins du modèle que de sa base de connaissances. Sous quelle forme l'écrire, où la ranger, et comment la faire grandir sans y passer vos semaines.

De quoi parle-t-on ?

Un chatbot de support repose sur deux briques. Le prompt système lui donne son rôle, son ton et ses garde-fous : il sait qu'il répond aux clients d'une entreprise précise, sur le site ou dans l'espace client, et qu'il ne traite aucune question d'ordre général. La base de connaissances, elle, lui donne les réponses. C'est d'elle que dépend la qualité de ce que lit votre client, et c'est elle qui demande le plus de travail dans la durée.

Cet article traite de la seconde brique. Il ne prétend pas dire tout ce qu'il faut pour la construire : il passe en revue les questions que nous nous sommes posées avant de la mettre en place chez un client (sous quelle forme l'écrire, où la ranger, qui la complète), et les choix que nous avons faits. Notre critère est resté le même à chaque fois : le moins de friction possible pour l'équipe, avec l'outil le plus simple qui donne un résultat juste.

Sous quelle forme écrire la base de connaissances ?

La forme la plus fiable et la plus simple à faire évoluer est une FAQ structurée : une question précise, une seule réponse possible. Rangez-la dans une table, de préférence dans l'outil qui sert déjà de source de vérité à votre entreprise, et ajoutez-lui trois cases à cocher (nouvelle, à revoir, validée). Ainsi, le chatbot peut y inscrire lui-même les questions auxquelles il ne sait pas répondre, et votre équipe n'a plus qu'à compléter et valider.

Pourquoi une FAQ plutôt qu'une documentation complète ?

Le premier réflexe consiste à tout décrire : le fonctionnement de la plateforme, chaque écran, chaque parcours. Or une documentation de ce type n'est jamais exhaustive, et chaque nouvelle question oblige à trouver où l'intégrer dans un ensemble déjà construit. De plus, il est plus difficile pour un chatbot d'extraire une réponse d'un texte générique que de retrouver une question précise à laquelle correspond une réponse précise.

En revanche, un chatbot de support répond à peu près toujours aux mêmes clients, sur le même produit. Les questions se répètent donc, et c'est précisément ce qui rend la FAQ pertinente : chaque ligne couvre un cas réel, et la base grandit au rythme des questions qui arrivent vraiment.

Ce principe ne dépend d'aucun outil. Que le chatbot tourne sur n8n, sur une autre plateforme d'automatisation ou sur du code écrit sur mesure, la logique reste la même.

Comment rédiger la première version ?

Inutile de partir d'une page blanche. Demandez à chaque membre de l'équipe qui parle aux clients d'enregistrer un vocal : les questions qu'on lui pose le plus souvent, et la façon dont il explique comment naviguer dans la plateforme. Ensuite, donnez ces vocaux à un assistant comme Claude et demandez-lui d'en tirer une FAQ composée de questions très simples, chacune avec un champ de réponses aussi réduit que possible. L'objectif est qu'une question n'admette qu'une seule bonne réponse.

Cette première base ne sera pas complète, et ce n'est pas un problème : c'est le chatbot qui vous dira ce qui manque.

Quelles colonnes donner à la table ?

Deux colonnes suffisent pour démarrer : la question et la réponse. Cependant, pour que la base s'enrichisse proprement, nous ajoutons trois cases à cocher, parce qu'une case est plus simple à lire et à filtrer qu'un statut à plusieurs valeurs, aussi bien pour votre équipe que pour l'IA.

  • is_new : la question vient d'être ajoutée par le chatbot, car un client l'a posée et la FAQ n'y répondait pas. Elle n'a donc pas encore de réponse.
  • needs_revision : la réponse existe, mais elle est incomplète ou fausse. Par exemple, un client conteste la réponse du chatbot en citant ce qui est écrit sur le site : soit le site est faux, soit la FAQ l'est, mais dans les deux cas il faut vérifier. Cette case évite aussi de créer une nouvelle question chaque fois qu'une réponse existante se révèle incomplète : le chatbot signale la ligne et demande des précisions, si bien que la base ne se remplit pas de doublons.
  • is_validated : la réponse a été relue et approuvée par l'équipe. Seul un membre de l'équipe peut cocher cette case.

Ajoutez enfin une colonne commentaire, dans laquelle le chatbot explique ce qui doit être revu, et, si vous voulez plus de traçabilité, une date d'ajout et le nom de la personne qui a validé.

Où ranger la base de connaissances ?

Deux questions, dans l'ordre.

  1. Votre FAQ va-t-elle évoluer au fil des questions des clients ? Non : un simple document dans votre espace de stockage habituel (SharePoint, OneDrive, Google Drive) suffit. Oui : passez à la question 2, car il vous faut des données structurées.
  2. Avez-vous déjà une source de vérité que toute l'équipe consulte (un CRM, SharePoint, une base SQL) ? Oui : rangez la table à cet endroit. Vous évitez ainsi une connexion de plus entre vos outils, et la base reste accessible à tous. Non : une table dans Google Sheets, dans Dataverse ou dans la table de données de votre outil d'automatisation fait l'affaire, même si elle reste un peu à l'écart du reste de vos données.

Comment la base s'enrichit-elle ensuite ?

Le chatbot doit savoir faire deux choses avec la FAQ : la lire, bien sûr, mais aussi y ajouter une ligne. Lorsqu'un client pose une question à laquelle il ne sait pas répondre, il inscrit cette question avec la case is_new cochée et une réponse vide. C'est exactement le signal que vous voulez récupérer.

Pour la suite, nous recommandons de séparer les rôles. Le chatbot qui parle aux clients lit la FAQ, y ajoute des questions et signale les réponses incomplètes, mais il n'écrit jamais de réponse. Il ne fait donc pas que répondre : il tient aussi la base à jour.

Qui complète les réponses, et à quel endroit ?

Deux façons de faire fonctionnent. Dans la première, une personne de l'équipe ouvre la table, filtre les questions nouvelles ou à revoir, puis rédige elle-même les réponses. Une table dans Google Sheets suffit, et c'est la solution la plus simple à monter.

Dans la seconde, celle que nous avons retenue pour un client, un second agent va chercher chaque matin les questions restées sans réponse et publie les trois premières dans Slack. La personne concernée répond dans le fil de discussion, en langage naturel, à l'écrit ou en vocal ; l'agent récupère sa réponse, la reformule proprement, l'inscrit dans la base et met à jour l'état de la question, puis l'équipe coche is_validated. Nous préférons cette seconde façon, parce que Slack est l'endroit où l'équipe travaille déjà : personne n'a à ouvrir un outil de plus pour que la base s'enrichisse. C'est aussi le parti pris d'outils comme Viktor, un agent IA qui travaille directement dans Slack. Amaury, notre fondateur, tient un blog sur Substack, où il a justement décrypté Viktor. Ces deux agents n'ont ni les mêmes droits ni le même usage, et c'est ce qui protège votre base.

Faut-il deux bases, une pour l'interne et une pour les clients ?

Non : maintenir deux bases, c'est accepter qu'elles finissent par se contredire. Nous gardons une seule FAQ, à laquelle nous ajoutons une case à cocher : « utilisable en externe ». Deux agents s'en servent, avec des droits différents. Celui qui parle aux clients ne lit que les lignes dont la case est cochée. L'autre lit tout, mais il n'a aucun moyen de s'adresser à un client : il sert à l'équipe, et il enregistre les questions auxquelles le premier n'a pas su répondre. Le premier peut lui transmettre une demande, jamais l'inverse. Les périmètres d'action sont ainsi définis une fois pour toutes.

Au démarrage, les dirigeants passent en revue le premier lot, une quarantaine de questions, et décident pour chacune si elle peut être dite à un client. Ensuite, chaque nouvelle question et chaque réponse précisée doit recevoir la même décision. Par défaut, la case reste décochée, ce qui limite le risque : au pire, une réponse utile n'est pas donnée aux clients, mais aucune information interne ne sort. Cette prudence a une contrepartie, qu'il faut connaître : tant que personne n'a tranché, la réponse reste réservée à l'interne.

À quoi ça ressemble sur un cas concret ?

Une fintech régulée voulait un chatbot de premier niveau dans l'espace de ses clients, pour répondre aux questions sur l'utilisation de sa plateforme. Nous avons monté sa base de connaissances sous la forme d'une FAQ, chargée en entier dans le contexte du chatbot à chaque échange. Ce n'est pas une recherche documentaire avancée (ce que l'on appelle le RAG), mais cela suffit tant que la FAQ reste de taille raisonnable, et c'est l'un des premiers axes d'amélioration identifiés.

Lorsque le chatbot ne trouve pas de réponse, il crée un ticket : un email part de l'adresse de contact de la fintech, vers cette même adresse, avec le client en copie. Le chatbot y reformule la question et demande à l'équipe les éléments de réponse. Comme l'équipe surveille déjà cette boîte, elle répond par email ou rappelle directement le client.

Enfin, toutes les questions et toutes les réponses sont conservées. Cela permet de repérer les questions qui reviennent sans cesse : si les clients demandent toujours comment trouver les coordonnées de leur conseiller, c'est peut-être l'interface qu'il faut revoir, et non la FAQ. Cela permet aussi de vérifier que les réponses sont justes, et de comparer plusieurs modèles d'IA pour garder le moins coûteux qui répond correctement.

Questions fréquentes

Faut-il mettre en place du RAG dès le départ ?

Non, pas nécessairement. Tant que la FAQ reste courte, la charger en entier dans le contexte du chatbot fonctionne. Le RAG devient utile lorsque la base grossit au point d'alourdir chaque échange.

Le chatbot peut-il modifier lui-même sa base de connaissances ?

Il peut y ajouter une question, mais il ne doit pas y écrire de réponse validée. La validation reste du ressort de votre équipe.

Que se passe-t-il quand le chatbot ne connaît pas la réponse ?

Il inscrit la question dans la FAQ et transmet la demande à l'équipe, par exemple sous la forme d'un ticket envoyé par email avec le client en copie. Le client n'est donc jamais laissé sans suite.

Nos données sont dispersées entre plusieurs outils : où ranger la FAQ ?

Dans l'outil qui sert déjà de source de vérité, s'il y en a un. Si ce n'est pas le cas, nous expliquons comment le choisir dans Tableur, CRM, base SQL : comment faire grandir la donnée de votre entreprise ?

Comment savoir si les réponses du chatbot sont bonnes ?

Conservez tous les échanges, relisez-les régulièrement, et surveillez la case needs_revision : chaque réponse contestée par un client y apparaît.

La suite

Vous êtes dans le même cas, ou ces choix ne conviennent pas à vos contraintes ? Appelez Amaury ou écrivez-lui au +33 6 79 34 13 31 (WhatsApp) : en dix minutes, il vous donne ses idées sur votre situation.

Réserver 15 minutes →