Qu’est-ce qu’un chatbot ? Définition et état des lieux du marché
Le terme « chatbot » est sur toutes les lèvres, mais que recouvre-t-il vraiment ? Loin d’être un simple gadget, cet outil est en train de redéfinir la manière dont les entreprises interagissent avec leurs clients. Pour y voir plus clair, nous avons interrogé Kevin Colleaux, co-fondateur de Kick My Bot, un expert du conversationnel qui nous livre une définition précise et un panorama complet de cet écosystème en pleine effervescence.
Comment définir simplement un agent conversationnel ? Kevin Colleaux l’explique ainsi : « On peut définir un chatbot comme un agent conversationnel qui va être en mesure de comprendre une requête utilisateur et de l’orienter effectivement vers la meilleure réponse possible. » Cette définition simple cache cependant une grande diversité d’acteurs et de technologies. Le marché se structure principalement en trois grandes familles :
- Les agences classiques : Elles n’ont pas forcément de brique technologique propre et créent souvent des chatbots simples, de type « foire aux questions », basés sur des arbres de décision très linéaires.
- Les plateformes SaaS (Software as a Service) : Sur le modèle de Wix.com pour les sites web, ces plateformes permettent à quiconque de développer facilement son propre chatbot sans connaissances techniques approfondies.
- Les acteurs du sur-mesure : C’est le segment de Kick My Bot. Ces entreprises développent des chatbots entièrement personnalisés pour répondre à des problématiques complexes et spécifiques, souvent liées à de grandes bases de données.
Les technologies au cœur des chatbots : comment ça marche ?
Pour simuler une conversation humaine de manière fluide et pertinente, un chatbot s’appuie sur des technologies d’intelligence artificielle avancées. Il ne s’agit pas simplement de reconnaître des mots-clés, mais bien de comprendre le sens, le contexte et les nuances du langage naturel.
Le rôle clé du NLP et du Machine Learning
La pierre angulaire de la technologie chatbot est le NLP, pour Natural Language Processing, ou traitement automatique du langage naturel. Comme le souligne Kevin Colleaux, « d’un point de vue techno, on va travailler beaucoup avec ce qu’on appelle des plateformes NLP. » Ces plateformes, développées par les géants du web comme Google, Amazon ou Facebook, « vont tendre à comprendre la complexité du langage humain. »
Le fonctionnement de ces outils repose sur des algorithmes de machine learning chatbot, c’est-à-dire d’apprentissage automatique. L’objectif est simple : « on est clairement sur de la recherche d’intention dans un texte afin de comprendre bah finalement le sens de la phrase de l’utilisateur. » Une fois que la machine a été entraînée sur des milliers d’exemples, elle devient capable d’identifier l’intention principale d’une nouvelle requête, même si celle-ci est formulée différemment.
Comprendre l’utilisateur : intentions et entités nommées
Identifier l’intention est la première étape. La seconde, tout aussi cruciale, est d’extraire les informations clés de la demande. Ce sont ce que les experts appellent les « entités nommées ». Kevin Colleaux illustre ce concept avec un exemple très concret de leur client, Century 21.
Imaginons la phrase suivante, assez courante : « Bonjour Century 21, je recherche un appartement de 400 000 € à Melun avec trois chambres et minimum 90 m² de surface. »
Le chatbot va d’abord identifier l’intention : une « recherche de biens ». Ensuite, il va extraire les entités. « Ce ne sont pas des mots clés mais c’est tous les éléments clés qui vont nous aider à affiner la réponse auprès de l’utilisateur », précise Kevin. Dans cet exemple, les entités sont :
- Le budget : 400 000 € (ce qui indique un achat et non une location)
- La ville : Melun
- La surface : 90 m²
- Le nombre de chambres : trois chambres
Grâce à ces informations structurées, le chatbot peut alors interroger la base de données de Century 21 pour « afficher uniquement les biens immobiliers à Melun de 90 m² qui correspondent au budget de notre notre utilisateur. »
Au-delà du NLP : le Deep Learning et les réseaux de neurones
Si le NLP et le Machine Learning sont puissants, ils ont aussi leurs limites. Pour proposer des solutions toujours plus efficientes, Kick My Bot travaille également avec le deep learning, une sous-famille du machine learning. « De temps en temps on va s’affranchir des plateformes NLP qui ont des forces et des faiblesses », confie Kevin. Un exemple frappant est la gestion de la négation.
« C’est très compliqué pour une machine effectivement de comprendre que je ne veux pas un appartement à 90 m² avec trois chambres mais que je veux tout le reste. » Pour résoudre ce type de problème, l’équipe développe ses propres « réseaux de neurones récurrents ».
Les possibilités offertes par le deep learning sont fascinantes. Alexandra Gallo, docteure en informatique chez Kick My Bot, a développé un logiciel capable de comprendre un texte en profondeur. « On va pouvoir, je sais pas, isoler 5 ou 6 pages d’un texte de Voltaire par exemple et une fois qu’on l’a rentré dans la machine, on va poser une question au chatbot pour lui dire ‘quel est le narrateur ?’ […] Et en fait la machine va comprendre le sens de l’histoire. » Si cette technologie n’est pas encore applicable à des centaines de pages, la vision est claire : « d’ici quelques temps, on pourrait effectivement sur un site internet absorber l’intégralité des contenus, les comprendre et orienter l’utilisateur vers la réponse la plus pertinente. »
Le chatbot, un outil puissant pour le matching de données
Tous les chatbots ne se valent pas. Leur véritable puissance se révèle lorsqu’ils sont connectés à des bases de données riches et complexes, leur permettant d’effectuer ce que l’on appelle du « matching ».
Des chatbots « foire à questions » aux algorithmes de matching
Il existe des chatbots basiques, de type « foire à questions », qui fonctionnent avec des données fixes pour répondre aux interrogations les plus fréquentes des utilisateurs. Mais ce qui passionne Kevin Colleaux et son équipe, c’est une autre dimension : « ce qui nous anime, c’est tout ce qui est l’algorithme de matching. » Le principe : mettre en relation une demande utilisateur complexe avec une offre profonde et variée.
Sur la quarantaine de projets menés par Kick My Bot, seuls deux n’impliquaient pas de matching. C’est dire l’importance de cette approche. « Nous aujourd’hui on se positionne clairement sur le matching soit d’offre d’emploi, soit d’offre de formation, de catalogue d’offre immobilière mais également de catalogue e-commerce. »
Des cas d’usage concrets : de l’immobilier à l’e-commerce
L’exemple de Conforama illustre parfaitement ce potentiel. Face à l’immensité du catalogue, il a été décidé de se concentrer sur des verticales spécifiques comme la télévision. Un utilisateur pouvait alors aller sur Messenger et demander au chatbot : « trouve-moi la télé Samsung avec un budget entre 1000 et 1500 € pour avoir une télé 4K ou full HD avec trois ports HDMI. » En une microseconde, le chatbot proposait les produits correspondants.
Cette expertise sur le matching a amené Kick My Bot à se spécialiser sur le secteur des « classifieds » (petites annonces, emploi, immo). Ce n’est pas une contrainte technologique, mais un choix stratégique lié à l’histoire de l’équipe. « On a tous un passif qui est très fort côté RH et emploi », explique Kevin. Cette spécialisation permet d’aller plus vite : « lorsqu’on développe un chatbot, je sais pas, on est spécialiste du voyage […] bah une fois qu’on l’a fait une fois, on a un historique des demandes récurrentes des utilisateurs donc c’est plus simple d’en développer d’autres. »
Quel est l’intérêt marketing d’un chatbot pour une entreprise ?
Au-delà de la prouesse technologique, le chatbot est un formidable levier de performance marketing. Il permet de créer des expériences utilisateur plus fluides, d’améliorer l’engagement et, in fine, de booster les conversions.
Une expérience utilisateur guidée et simplifiée
Pour comprendre l’intérêt marketing du chatbot, Kevin Colleaux propose de se mettre dans la peau d’un client. « Je suis un client potentiel pour Adidas. Donc aujourd’hui je me mets au running pour trouver une paire de chaussures, c’est un petit peu compliqué. » Grâce à un chatbot, l’expérience devient limpide :
« Je vais commencer à parler au chatbot pour lui dire ‘OK, salut Adidas, je veux me mettre au running’. Le chatbot va me répondre et me dire ‘OK Kevin, j’ai bien compris que tu te mets au running donc tu es débutant. Est-ce que tu vas courir sur route, dans les champs ou sur piste ?’ […] ‘Est-ce que tu penses plutôt courir 50 km par semaine, 100, 200 ?’ Et en fonction de toutes ces informations, je vais me laisser guider et je vais avoir les résultats. »
Cet accompagnement pas à pas, appelé « social commerce » sur des plateformes comme Messenger, évite à l’utilisateur de se perdre dans les méandres d’un site web. L’exemple de La Grande Récré est tout aussi parlant : en 3 secondes, via une simple conversation, un client peut trouver le jouet Olaf de la Reine des Neiges qu’il cherchait, sans naviguer entre les onglets et les sous-catégories.
Des statistiques percutantes : rétention, ouverture et conversion
Les résultats chiffrés sont sans appel. Le chatbot pour site internet est d’abord un formidable outil de rétention. « Souvent mes clients me disent ‘sur les réseaux sociaux, on est dans du snacking de contenu, on n’arrive pas à garder quelqu’un captif plus de 15 ou 20 secondes’. Sur les chatbot, la première conversation […] dure en moyenne 7 minutes. » Un chiffre impressionnant comparé à des taux de rebond de moins d’une minute sur certains sites.
Sur Messenger, le taux d’ouverture est un autre atout majeur. « Lorsque j’envoie un message à un utilisateur sur Messenger, 98 % du temps, il est ouvert dans les 2 heures. » C’est une instantanéité que l’emailing ne peut plus offrir.
Enfin, l’impact sur les conversions est spectaculaire, notamment dans le domaine du chatbot recrutement. Sur les sites emploi de leurs clients, le taux de conversion (candidatures reçues par rapport aux vues de l’offre) est « de l’ordre de 4 à 13 % pour les plus performants. » À mettre en perspective avec les sites d’emploi classiques : « Mon annonce, elle est vue 800 fois mais en moyenne, je reçois entre 15 et 25 CV. On passe d’un taux de transformation de 2 % et demi à 4 % et plus grâce au chatbot. » La conclusion est claire : « la conversation booste la rétention et la candidature. »
L’avenir du chatbot : vers un web de plus en plus conversationnel
Pour Kevin Colleaux, le chatbot n’est qu’une facette d’une transformation bien plus profonde. L’enjeu n’est pas de développer des chatbots, mais de devenir des « experts du conversationnel », capables de comprendre l’utilisateur « au travers de la voix et du texte », peu importe le canal.
Cette vision est nourrie par une tendance de fond observée aux États-Unis : « aujourd’hui une recherche sur 5 aux États-Unis sur Google est faite au travers de la voix. » Cet usage, encore peu développé en France, annonce une mutation inéluctable du web.
L’objectif final est de rendre l’accès à l’information instantané et sans friction. « Il n’est pas acceptable pour un utilisateur de passer 10 ou 15 minutes […] pour chercher mon information. Ce qu’on imagine, c’est des sites qui sont de plus en plus conversationnels sur lesquels j’envoie ma requête et j’ai une réponse immédiate. » Le moteur de recherche interne de demain ne sera plus une simple barre de recherche, mais une véritable interface de dialogue.
FAQ sur les chatbots et leur technologie
Qu’est-ce qu’un chatbot et comment le définir ?
Un chatbot, ou agent conversationnel, est un logiciel programmé pour comprendre une demande formulée en langage naturel par un utilisateur (texte ou voix) et y apporter la réponse la plus pertinente possible, simulant ainsi une conversation humaine.
« On peut définir un chatbot comme un agent conversationnel qui va être en mesure de comprendre une requête utilisateur et de l’orienter effectivement vers la meilleure réponse possible. » – Kevin Colleaux
Quelles sont les principales technologies derrière un chatbot ?
Les chatbots modernes reposent principalement sur le Traitement Automatique du Langage Naturel (NLP), le Machine Learning (apprentissage automatique) pour comprendre les intentions, et parfois le Deep Learning (apprentissage profond) via des réseaux de neurones pour gérer des cas plus complexes comme la négation.
« D’un point de vue techno, on va travailler beaucoup avec ce qu’on appelle des plateformes NLP. Donc ça veut dire Natural language processing […] ces plateformes NLP vont reposer sur des algorithmes de machine learning. » – Kevin Colleaux
Comment un chatbot parvient-il à comprendre le langage humain ?
Il analyse la phrase pour en déduire l' »intention » générale (ex: rechercher un produit). Ensuite, il identifie et extrait les « entités nommées », qui sont les informations clés de la requête (ex: un prix, une ville, une couleur), afin de fournir une réponse précise et personnalisée.
« Notre machine va comprendre l’intention de l’utilisateur. Donc on est sur une recherche de biens et ensuite, on va chercher ce qu’on appelle des entités nommées. Donc ce ne sont pas des mots clés mais c’est tous les éléments clés qui vont nous aider à affiner la réponse. » – Kevin Colleaux
Un chatbot a-t-il toujours besoin de data pour fonctionner ?
Non, pas nécessairement. Un chatbot simple de type « foire à questions » peut fonctionner avec des données fixes et des arbres de décision. Cependant, les chatbots les plus puissants, notamment ceux qui font du « matching », ont besoin d’accéder à une base de données riche (catalogue produits, offres d’emploi, etc.) pour être réellement utiles.
« Tu peux avoir des chatbot foire à question. Donc là effectivement qui vont permettre sans data avec des données qui sont plutôt fixes de répondre aux utilisateurs. Nous ce qui nous intéresse […] c’est tout ce qui est l’algorithme de matching. » – Kevin Colleaux
Quel est l’intérêt d’un chatbot pour un site e-commerce ?
Pour un site e-commerce, un chatbot agit comme un conseiller de vente virtuel. Il guide l’utilisateur à travers un catalogue complexe en posant les bonnes questions (budget, caractéristiques, usage), lui évitant de se perdre dans les menus et filtres, et l’amenant directement au produit qui correspond à son besoin.
« Pour notre client Conforama […] un utilisateur qui pouvait aller sur Messenger, demander au chatbot de lui trouver la télé Samsung avec un budget entre 1000 et 1500 € […] et effectivement, il le trouvait en une microseconde. » – Kevin Colleaux
Quels sont les indicateurs de performance (KPI) d’un chatbot marketing ?
Les principaux KPI sont la durée de la conversation (un signe de rétention), le taux d’ouverture des messages (particulièrement sur Messenger, proche de 98%), le taux d’engagement, et surtout le taux de conversion (candidatures, ventes, prises de contact) qui est souvent bien supérieur aux canaux traditionnels.
« La première conversation entre le chatbot de nos clients et les utilisateurs dure en moyenne 7 minutes. […] Lorsque j’envoie un message à un utilisateur sur Messenger, 98 % du temps, il est ouvert dans les 2 heures. » – Kevin Colleaux
Pourquoi les chatbots sont-ils si efficaces pour le recrutement ?
Dans le recrutement, le chatbot fluidifie et accélère le processus de candidature. Il peut qualifier un candidat en posant quelques questions, l’orienter vers les offres les plus pertinentes et l’aider à postuler. Cela augmente drastiquement le taux de transformation des visiteurs en candidats, passant de 2,5% à parfois plus de 10%.
« On a un taux de conversion qui est de l’ordre de 4 à 13 % pour les plus performants. […] On passe d’un taux de transformation de 2 % et demi à 4 % et plus grâce au chatbot. Donc la conversation booste la rétention et la candidature. » – Kevin Colleaux
Quelle est l’évolution future des chatbots et de la recherche en ligne ?
L’avenir est au « conversationnel ». Les chatbots ne sont qu’un élément de cette tendance. Les sites web intégreront de plus en plus des moteurs de recherche en langage naturel, et la recherche vocale va devenir un usage courant, obligeant les marques à pouvoir répondre instantanément et précisément à des questions directes.
« Notre vision c’est de se dire que d’ici quelques temps, on pourrait effectivement sur un site internet absorber l’intégralité des contenus, les comprendre et orienter l’utilisateur vers la réponse […] qui correspond en tout cas le mieux à sa requête. » – Kevin Colleaux
