Définition de l’IA agentique
Le terme agentic désigne un cadre combinant outils, produits et processus capables d’orchestrer une interaction complète, pas seulement une réponse ponctuelle. Cisco, via son vice‑président Vinod Muthukrishnan, précise que « un agent IA qui remplit un créneau ou réalise une transaction n’est pas agentic ». Cette nuance implique que l’IA doit gérer le parcours client, intégrer plusieurs systèmes et intervenir de façon décisionnelle. Talkdesk, sous la direction de Pedro Andrade, décrit l’IA agentique comme un operating model shift où l’automatisation (CXA) coordonne une main‑d’œuvre hybride IA‑humain, plutôt qu’un simple achat d’outil.
Métriques traditionnelles vs nouvelles approches
Pendant une décennie, les indicateurs de containment et de deflection ont guidé le ROI des centres de contact. Les intervenants du sommet contestent leur pertinence : un appel « contenu » peut simplement signifier que le client ne sera plus rappelé, ce qui n’est pas un résultat positif. Zoom CX, représenté par Ram Rajagopalan, introduit le concept d’« implied resolution » évalué par un grand modèle de langage, afin de distinguer les résolutions réelles des abandons. Talkdesk montre que les leaders CXA affichent une hausse de NPS de 22 % contre 5 % pour les adopteurs moins matures, tandis que le coût par contact passe de 57 % à 48 % d’amélioration, indiquant que le simple suivi du coût masque une valeur plus large.
Valeur économique et perception des utilisateurs
Les données de Five9, présentées par Amit Mathradas, révèlent un écart entre perception interne et externe : 99 % des praticiens estiment que leurs centres de contact se sont améliorés, contre seulement 66 % des utilisateurs finaux. Un tiers des clients perçoivent une dégradation du service, principalement parce qu’ils ne peuvent pas accéder à un humain. Five9 répond par le concept de Humantic, qui oriente les requêtes complexes, à forte valeur ou à vulnérabilité vers un agent humain. Cette règle d’escalade repose sur trois critères – complexité, valeur, vulnérabilité – et montre que la simple automatisation ne suffit pas à garantir la satisfaction.
Enjeux d’implémentation et gouvernance
Le passage d’une IA déterministe (arbres de décision masqués par la voix) à une IA probabiliste (modèles génératifs) élargit le périmètre des cas d’usage mais rend les modèles de gouvernance existants obsolètes. Les coûts opérationnels peuvent dépasser les prévisions, comme le signale Joe Rittenhouse de Converged Technology Professionals : les projets atteignent leurs objectifs techniques mais augmentent le P&L. La tarification doit évoluer vers des modèles basés sur le temps de résolution complet, incluant le back‑office, plutôt que sur le temps moyen de traitement. Enfin, 74 % des entreprises ont déjà intégré une couche générative, mais la transition vers une prise de décision multi‑systèmes nécessite encore une supervision humaine pour éviter les dérives.
