Comment Atlantic automatise la classification de ses mails SAV grâce à l’IA générative
Réduire le temps de tri des demandes et fluidifier le traitement SAV
Valoway
20/05/2026
Eléments clés
Problématique
Le service SAV d’Atlantic devait gérer un volume très important de mails entrants, triés manuellement par les équipes, entraînant une forte charge opérationnelle et des délais de traitement importants.
Solution apportée
Mise en place d’un système automatisé de classification des mails basé sur GPT-3.5 et une orchestration Logic App permettant d’identifier automatiquement :
- la nature de la demande,
- le produit concerné,
- le service ou département destinataire.
Résultats
- 70 % de réduction du temps consacré au tri manuel,
- classification des mails en moins de 3 minutes,
- amélioration de la réactivité du service SAV,
- automatisation de l’orientation des demandes vers les bonnes équipes.
Prochaines étapes
- amélioration continue des prompts,
- enrichissement des catégories métier,
- extension de l’automatisation à d’autres flux de demandes clients.
Contexte et enjeux
Acteur majeur européen du chauffage et du confort thermique, Atlantic conçoit et commercialise des solutions destinées aussi bien aux particuliers qu’aux professionnels.
Dans un contexte de forte activité, le service après-vente devait absorber quotidiennement un volume important de mails entrants provenant de différents profils de clients et partenaires.
Chaque demande nécessitait une analyse manuelle afin de :
- comprendre la nature du besoin,
- identifier le produit concerné,
- déterminer le bon interlocuteur métier.
Cette étape de tri représentait une tâche particulièrement chronophage pour les équipes opérationnelles et ralentissait la prise en charge des demandes.
L’objectif du projet était donc clair :
automatiser la compréhension et l’orientation des emails afin de fluidifier les processus SAV tout en conservant un niveau de fiabilité compatible avec les usages métier.
Choix du partenaire et de la solution mise en place
Valoway a accompagné Atlantic dans la conception d’une solution pragmatique permettant de déployer rapidement un premier niveau d’automatisation basé sur l’IA générative.
Plutôt que de développer un modèle supervisé classique nécessitant un important volume de données d’entraînement, le choix s’est porté sur GPT-3.5 et une approche par prompting.
Cette stratégie permettait :
- une mise en œuvre rapide,
- une meilleure flexibilité,
- une capacité d’adaptation aux cas métiers variés,
- et un contournement des limites liées au faible volume de données labellisées.
Le dispositif s’est appuyé sur :
- GPT-3.5 pour la classification des emails,
- Logic App pour l’automatisation des workflows,
- des mécanismes de prompting structurés pour guider l’IA dans l’identification des catégories métier.
Le projet a été pensé dans une logique d’intégration simple et progressive afin de faciliter son appropriation par les équipes SAV.
Témoignage
« Face au défi quotidien de la gestion des mails, notre approche a reposé sur une forte implication des équipes métier, grâce à des ateliers collaboratifs réguliers. Cette méthode a permis de concevoir une solution sur-mesure, en adéquation avec les enjeux terrain.En intégrant l’intelligence artificielle générative dans un cadre agile, nous avons non seulement optimisé le traitement des mails, mais aussi permis à nos agents de se recentrer sur des missions à forte valeur ajoutée !Au final, ce projet a amélioré l’efficacité opérationnelle globale du service et renforcé l’expérience client, tout en favorisant une adoption fluide et enthousiaste de l’IA dans le quotidien des équipes. »
Déroulement du Projet
Le projet s’est structuré autour de plusieurs étapes clés.
1. Structuration des catégories métier
Les équipes SAV et métiers ont d’abord travaillé à la définition des catégories de classification :
- nature des demandes,
- produits concernés,
- typologie des destinataires,
- règles de routage.
Un important travail de labellisation et de clarification des cas d’usage a été réalisé.
2. Mise en place du système de prompting
Un système de prompts structurés a ensuite été conçu afin de guider GPT-3.5 dans la classification automatique des emails.
L’objectif était de permettre au modèle de :
- comprendre le contexte métier,
- identifier les informations clés,
- retourner une classification exploitable automatiquement.
Cette approche a permis d’éviter les contraintes d’un fine-tuning classique.
3. Industrialisation du workflow
Une Logic App a été développée afin d’automatiser l’ensemble du traitement :
- réception des emails,
- appel au modèle IA,
- récupération des catégories détectées,
- orientation automatique vers les bons services ou dossiers.
4. Tests et ajustements continus
Plusieurs phases de tests ont été réalisées avec les équipes métier afin :
- d’évaluer la qualité des classifications,
- d’identifier les cas ambigus,
- d’améliorer progressivement les prompts,
- d’ajuster les règles de traitement.
Le projet a avancé selon une logique itérative fortement orientée terrain.
Résultats et prochaines étapes
Le projet a permis :
- une réduction de 70 % du temps consacré au tri manuel des emails,
- un traitement des demandes en moins de 3 minutes,
- une meilleure fluidité dans l’orientation des sollicitations,
- une amélioration de la réactivité du service SAV,
- l’atteinte de l’objectif cible de 70 % de classification correcte.
Les équipes disposent désormais d’un socle automatisé permettant de réduire les tâches répétitives et de concentrer davantage les efforts sur les demandes à valeur ajoutée.
Les évolutions envisagées portent sur :
- l’amélioration continue des prompts,
- l’enrichissement des catégories métier,
- la gestion de nouveaux types de demandes,
- l’extension de l’automatisation à d’autres canaux de support,
- le suivi fin des performances du système en production.
Bonnes pratiques
- partir d’un besoin métier concret et opérationnel,
- privilégier des approches simples et rapides à industrialiser,
- construire les catégories métier avec les utilisateurs finaux,
- avancer par itérations courtes avec tests réguliers,
- utiliser l’IA générative pour contourner les limites de données lorsque cela est pertinent.
Points de vigilance
- qualité et homogénéité des catégories métier,
- nécessité d’ajuster régulièrement les prompts,
- gestion des cas ambigus ou multi-demandes,
- dépendance potentielle aux modèles génératifs externes,
- importance de maintenir un contrôle métier sur les classifications automatisées.
Commentaires
Aucun commentaire pour le moment. Soyez le premier à commenter !
Vous devez être connecté pour ajouter un commentaire.
Tags
REX produit par