Agent conversationnel et Accueil Client : la solution AI Receptionist de Cisco Webex

DL : Bonjour, je suis Didier Lambert, le fondateur de la plateforme Hubtic, une plateforme de veille d'informations dans le domaine des communications unifiées, de la collaboration et de l'expérience client. Ce matin, j'échange avec Xavier Hemery, qui est Solution Engineer leader chez Cisco Webex. Bonjour Xavier, comment allez-vous ?

XH : Bonjour Didier, ça va très bien et vous ?

DL : Bien, merci. Merci de me consacrer à nouveau un peu de votre temps pour parler cette fois de réceptionniste IA. Avant de rentrer dans ce point très spécifique, peut-être qu'on peut rappeler l'approche qu'a Cisco Webex en termes d'IA.

XH : Oui, tout à fait. L'IA dans les solutions de collaboration Cisco, on va la retrouver à de multiples étages. Déjà, on va la retrouver dans tout ce qui est client de collaboration, pour essayer d'améliorer la voix ou la vidéo avec le filtrage des bruits, avec des cadrages automatiques, avec des codecs qui vont permettre de faire du prédictif sur les écrans qui sont perdus pour avoir une bonne qualité vidéo. Puis on va l'avoir derrière, dans le backend, pour assister les personnes, pour être productifs, pour faire de la synthèse, définir des actions automatiquement, détecter des intentions. Puis on va également avoir les agents. C'est ce vers quoi on se dirige avec le réceptionniste IA, on va en parler un peu plus dans le détail. On a un set d'agents qui couvrent l'ensemble des workloads proposés par la plateforme Webex. La plateforme Webex, c'est du messaging pour échanger des messages, de la téléphonie et du centre d'appel, et de l'enregistrement des terminaux vidéo. Ce qu'on met à disposition, c'est la capacité d'ouvrir l'ensemble de ces stacks à des agents. On va retrouver des agents prédéfinis, préconfigurés, livrés tout en un, je dirais, prêts à l'emploi pour les utilisateurs, qui permettent d'être complètement intégrés à la plateforme sans beaucoup de complexité à mettre en œuvre d'un point de vue opérationnel. À l'inverse, on va avoir, avec ces mêmes capacités, la mise à disposition d'une forme de toolkit, de boîte à outils, qui va permettre d'orchestrer son agent sur l'ensemble de ces éléments. Celui qui est le plus connu en termes de toolkit, c'est l'agent pour les centres d'appel, qui peut tout faire, entre guillemets, mais qui va être assez spécialisé au final dans ses fonctions pour décharger les humains des tâches répétitives dans les centres d'appel, pour apporter plus de qualité aux appelants et plus de pertinence dans les réponses, qui vont s'intégrer au CRM ou à d'autres outils. Mais il reste très spécialisé sur la partie centre d'appel. On retrouve aujourd'hui, pour les personnes qui implémentent des solutions de téléphonie, des besoins similaires d'automatiser des fonctions d'accueil téléphonique, avec la même volonté d'apporter cette précision dans les réponses et cette capacité de traitement d'appel, mais sans aller jusqu'à un niveau de complexité et une tarification de type agent de centre d'appel. C'est là que vient le Cisco AI Receptionist. Ça s'appuie sur les mêmes stacks, mais c'est pré-packagé et beaucoup plus facile à configurer. On reste uniquement dans la partie calling. Quand je configure mon site, quand je configure les numéros de téléphone, quand j'affecte les téléphones aux personnes, quand je déclare mes files d'attente, éventuellement des groupes de distribution sur un site, je vais pouvoir configurer cet agent AI Receptionist. À cet agent, je vais tout simplement définir une mission, je le fais en langage naturel. Je vais lui définir la phrase d'accueil par défaut. Ensuite, je vais définir l'action par défaut, quand l'agent ne comprend pas l'intention du client. Je vais pouvoir ensuite lui charger des bases de connaissances, sur des formats de fichiers assez simples. Une des différences qu'on va avoir avec l'agent de centre d'appel, c'est que lui va pouvoir s'intégrer avec des CRM, il va pouvoir importer des sites web par exemple, les monitorer et les parser régulièrement pour enrichir sa base de données. Sur l'AI Receptionist, on est vraiment juste sur un fichier à plat, avec des horaires, des choses assez simples, des FAQ ou équivalent. Ensuite, on va pouvoir définir des formes de routage vers des files de distribution d'appel. La grande différence qu'on va avoir avec les réceptionnistes qu'on pouvait avoir précédemment, ou des IVR, c'est qu'on a ici une détection de l'intention en langage naturel par les agents, une détection de ce qui est voulu par l'appelant, et on va pouvoir le mapper automatiquement sur les files d'attente. On va définir par exemple : si c'est plutôt pour de la gestion de rendez-vous, je vais être mappé vers la file d'attente, ou la file de distribution, le numéro de téléphone qui va permettre d'aller vers ce groupe-là. En termes de fonctionnalités, sans faire la liste complète pour ne pas être trop long à écouter, cet agent fait de l'enregistrement de la transcription des échanges.

DL : Après le routage, est-ce que ces éléments sont transmis à l'interlocuteur qui prend l'appel éventuellement derrière ? C'est quoi son niveau d'autonomie et son niveau de valeur ajoutée par rapport à un agent humain qui prendrait le relais derrière ?

XH : Dans son traitement, il est complètement autonome. Ce qu'on a évoqué aussi, c'est que quand il y a un « bug », ou quand ça ne passe pas, on ne reste pas seul face à la machine, on est transféré vers une file de routage par défaut. Ensuite, on va pouvoir retrouver l'ensemble des statistiques sur ce qu'a fait l'agent, comprendre son efficacité, le nombre de fois où il a été pertinent par jour ou non, pour pouvoir le suivre. Ce qui est avantageux aussi, je l'ai mentionné tout à l'heure, c'est la distribution de la partie téléphonique : on ne sort pas sur un outil existant, quasiment dans le même menu on définit les files d'attente et les groupements de distribution. De la même manière, pour tout ce qui est statistiques, on va les retrouver également dans les outils d'administration classiques, les mêmes outils qui permettent de déterminer, sur un groupement de distribution, qui décroche le plus ou le moins. Ce qui permet de juger la pertinence de la configuration de cet agent.

DL : On a le sentiment que cet AI Receptionist, c'est un collaborateur numérique à côté des agents humains. Quelque part, on traque sa performance en efficacité de la même façon ?

XH : Je ne sais pas si on va aller jusqu'à traquer son efficacité de cette façon. C'est surtout que, sur la plupart des environnements téléphoniques, le front desk, cette partie réceptionniste, ça devient un goulet d'étranglement. Souvent, les personnes qui sont affectées à ces accueils téléphoniques ont d'autres tâches à faire, elles ne sont pas monopolisées sur cette seule fonction. Je ne sais pas si on est juste sur une évaluation de la performance d'accueil téléphonique. Je reformule juste mon commentaire — quand je disais « traquer », c'est au sens de voir comment on peut améliorer l'efficacité de l'outil.

XH : Tout à fait. Ou si on constate, par exemple, que les détections d'intention qu'on a configurées ne fonctionnent pas et qu'on tombe toujours dans la file par défaut, ou qu'il y a une base où la plupart des questions traitées ne sont quasiment jamais répondues par l'agent et qu'on arrive systématiquement sur une file par défaut, c'est-à-dire que la base est mal documentée, mal faite, ou autre. Et ça, ça passe par la mesure : si on ne mesure pas, on ne peut pas le…

DL : Si on soulève un peu le capot, première question : ces outils fonctionnent avec des briques technologiques type NLU, LLM, etc. Les technos qui sont derrière, ce sont des technos propriétaires Cisco Webex, ou c'est ouvert à des briques tierces, je pense notamment aux LLM existants sur le marché ? Comment ça s'articule ?

XH : À ce jour, on utilise un LLM qui est proposé par Cisco. L'avantage, c'est qu'on va pouvoir utiliser les garde-fous, les rails de sécurité de Cisco, à la fois en entrée pour ce qui est envoyé par les gens, et également en sortie. Parce qu'on peut constater, lorsqu'on met en place ce type de système, qu'on délègue une part d'image de marque assez importante : il y a une part de confiance qui doit être faite dans le système, puisqu'il va nous représenter vis-à-vis de l'appelant. On a une vigilance assez particulière là-dessus, et cette vigilance passe par la mise en place de la confiance nécessaire, donc par l'application d'un certain nombre de règles, à la fois dans la conception d'origine du système, et dans son fonctionnement, ce qui permet de garantir un comportement des interactions conforme à ce qu'on veut mettre à disposition.

DL : Sur une solution comme ça, on est dans une architecture full SaaS, ou il y a des déclinaisons hybrides ?

XH : Effectivement, cette brique est full SaaS. L'avantage, encore une fois, c'est qu'elle est native, intégrée à la plateforme, et qu'elle bénéficie donc de tous les outils de monitoring et autres. Mais on a aussi un certain nombre de clients qui souhaitent avoir accès à ce type de solution sans pour autant être hébergés en mode full SaaS. On permet donc, via un déploiement en mode hybride, de consommer ces services tout en distribuant ces fonctionnalités d'agent réceptionniste sur un environnement on-premise. Concrètement, l'appel arrive en local et est traité par un IPBX en local, mais il y a derrière toute une connexion vers le cloud qui permet d'aller interagir avec l'agent. L'agent est donc bien en mode SaaS, dans le SaaS Webex, et il faut faire un lien entre le SaaS Webex et le système client on-premise pour que ça fonctionne.

DL : On a évoqué les garde-fous, on comprend la logique de leur mise en place. Qu'en est-il d'un autre sujet qui a tendance à monter fortement aujourd'hui, en tout cas à préoccuper un certain nombre d'interlocuteurs en B2B : les questions de souveraineté, de RGPD ? Comment c'est abordé ?

XH : Encore une fois, tout ce qui est fait sur la partie IA bénéficie du responsible AI framework de Cisco, qui est un encadrement assez strict sur les fonctions. En termes de processing, on est sur du processing et de l'analyse de conversations, mais on n'a pas de stockage, pas de traitement, pas d'enregistrement a priori qui soit spécifique à cet AI Receptionist, qui serait différent de ce qu'on peut vouloir mettre en place sur son système de solution téléphonique. On n'a donc pas de mesure spécifique par rapport à ça, on est juste sur du processing en temps réel.

DL : Une autre question, même si je crois que vous avez déjà un peu évoqué le sujet : ce qui importe aussi, c'est comment ces AI Receptionist s'intègrent dans le système d'information de l'entreprise de manière plus large. Notamment, est-ce qu'elles ont accès à un CRM, ou est-ce qu'elles peuvent y injecter de l'info par exemple ? Est-ce que ce sont des choses opérationnelles aujourd'hui dans la version disponible en France ?

XH : Encore une fois, l'idée de cet AI Receptionist, c'est d'avoir un package assez simple, assez limité par rapport au toolkit qui peut tout faire mais qui est plutôt orienté centre d'appel fonctionnel. Pour autant, dans la roadmap des six prochains mois, on va pouvoir intégrer des MCP, faire de l'agent to agent, pour aller, par exemple, au-delà de répondre à de simples questions sur une base de connaissances, et interagir avec un agent pour gérer de la prise d'appel ou faire de la capture de leads dans un CRM par exemple — ce sont des choses qui arrivent dans les prochains mois. Aujourd'hui, on n'a pas encore de sommaire ni de résumé ; dans les six prochains mois arrive le résumé du transfert pour les agents, avec la synthèse de ce qui a été évoqué, l'enregistrement pour la compliance de l'ensemble des appels, des analytics plus précis, et encore une fois l'intégration avec des MCP, tout en restant dans un contexte d'accueil téléphonique.

DL : Peut-être pour rendre ça plus concret : les clients Cisco qui utilisent cette brique aujourd'hui, qu'est-ce qu'ils en attendent ? Et en termes de ROI, quels sont les indicateurs qui ont aujourd'hui leur préférence, on va dire ?

XH : Je pense que ce qu'ils en attendent, c'est un peu ce qu'on a évoqué : la qualité d'accueil, le scaling durant les pics de demande ou d'appels, libérer du temps sur des tâches assez répétitives pour les personnes en accueil, pour qu'elles se concentrent sur des cas plus complexes, et limiter la pression sur les ressources et les coûts qui sont liés. Le tout en restant intégré à une solution de téléphonie traditionnelle, sans aller chercher des add-ons, en étant complètement intégré à l'environnement existant.

DL : Pour finir, une question que je pose toujours : quelles sont les modalités de tarification de cette brique ?

XH : On va avoir des instances de réceptionnistes, avec chacune un certain nombre de minutes assez larges. Quand on a plusieurs agents, ils peuvent aussi mutualiser ces minutes. Et s'il y a des dépassements, ça peut amener à des paliers supérieurs. Par défaut, c'est ça : une instance agent avec un package de minutes associé. Pour les très grandes entreprises, on peut aujourd'hui scaler jusqu'à 100 agents sur une organisation.

DL : OK, super. Xavier, merci beaucoup pour ce tour d'horizon rapide.

XH : Merci, Didier.

DL : Écoutez, je vais suivre avec intérêt les futures releases, notamment tout ce qui touche au MCP, un sujet dont on entend beaucoup parler en ce moment. En tout cas, je vous souhaite une bonne journée, et peut-être, avec un peu de chance, on se reparlera sur les prochaines versions de cette offre AI Receptionist de Cisco Webex.

XH : Avec plaisir. Merci, Didier. À bientôt, au revoir.