Scénario de déploiement Copilot IA pour le service client 3PL : comment réduire de 40 % la charge d'appels avec le suivi de colis, les modifications et les signalements d'exception

Une 3PL spécialisée dans le commerce transfrontalier, l'un de nos clients, recevait 600 appels par jour pendant la haute saison. Nous avons passé trois jours sur place pour étiqueter chaque appel. Le résultat était révélateur : dans presque la moitié des appels, les agents client répétaient les mêmes phrases — « Je vais vérifier pour vous », « Quel est votre numéro de commande », « Elle est arrivée au centre de tri ». Les gens restaient assis à leur bureau, faisant essentiellement le travail d'une machine de consultation.

C'est là que nous avons commencé à déployer des solutions IA pour le service client en logistique. La vraie question n'est pas « Que peut faire l'IA ? », mais plutôt « À quoi ressemble votre flux d'appels ? ». Parce que le service client en 3PL, ce n'est pas comme l'e-commerce : les expéditeurs, les destinataires et la plateforme appellent tous, avec des questions hautement structurées, mais qui restent bloquées entre plusieurs systèmes — WMS, TMS, API du transporteur, votre propre base de commandes. La question de savoir si vous pouvez réduire la charge dépend de la capacité d'un Copilot à lire et écrire dans tous ces systèmes.

Avant de parler IA, décomposez d'abord votre flux d'appels

Notre approche est de toujours faire un audit de deux semaines du flux d'appels avant le déploiement : transcrire les enregistrements mot pour mot, étiqueter par sujet, par émotion, et identifier « si cet appel avait vraiment besoin d'une personne ». Le flux d'appels en 3PL tombe généralement dans ces catégories, avec des degrés d'automatisation très différents :

Avec ce tableau sous les yeux, l'objectif de « réduire de 40 % la charge d'appels » passe d'un simple slogan à un calcul vérifiable : rien qu'en automatisant 80 % du suivi de colis, le volume total d'appels chute déjà d'environ 30 % ; puis en prenant en charge la moitié structurée des modifications de commande, on atteint les 40 %. Ce n'est pas une projection optimiste, c'est l'ampleur que nous avons réellement déployée sur deux projets 3PL.

Le suivi de colis semble facile, mais même les choses faciles peuvent se tromper

Le suivi est facile à automatiser parce qu'il est en lecture seule — le Copilot n'a qu'à consulter et expliquer clairement, sans modifier aucune donnée, donc le risque est faible. Notre approche consiste à faire en sorte que le Copilot accède directement à trois sources : votre base de commandes interne pour le numéro et l'article, le WMS pour le statut de prélèvement, et l'API du transporteur pour la trajectoire du dernier kilomètre. Quel que soit le canal — LINE, web ou téléphone — quand un utilisateur demande « Où est ma marchandise ? », il reçoit « Arrivée au centre de tri de Taoyuan hier à 18h40, livraison prévue demain matin, chauffeur Heimaou ».

Mais nous avons aussi appris une leçon à nos dépens — le partage pour que vous l'évitiez : les données de trajectoire du transporteur sont parfois retardées, ou les codes d'état sont incohérents (un même statut « en cours de livraison » peut signifier des choses très différentes selon le transporteur). Dans les premières versions, nous laissions l'IA réciter littéralement le code d'état, et le destinataire se faisait induire en erreur par « livré », alors que le colis était encore en camion — les réclamations ont explosé. Plus tard, nous avons ajouté une couche de règles : si le timestamp du statut dépasse un certain seuil, ou si les données de différentes sources sont contradictoires, le Copilot ne tire pas de conclusion, il dit plutôt « Le système affiche…, je vais vérifier auprès du chauffeur et vous répondre » et ouvre un ticket en même temps. Mieux vaut être prudent que de se tromper avec assurance.

Modifications et exceptions : le véritable point d'inflexion de l'automatisation

La modification de commande implique des écritures, c'est là que nous devons être les plus prudents en termes de conception. Notre principe est d'utiliser « le point de prélèvement » comme un feu tricolore : tant que la marchandise n'a pas été prélevée, le Copilot peut écrire directement l'adresse ou le créneau modifié dans le TMS, changement instantané ; une fois que le prélèvement a commencé ou que le colis est déjà en camion, tout changement va à un agent, car toute modification à ce stade peut affecter les itinéraires, les frais de port, voire nécessiter une réexpédition. L'endroit où tracer cette limite doit être défini avec vos opérations, pas décidé unilatéralement par l'équipe technique.

Le signalement d'exception est ce qu'il y a de plus difficile, mais aussi de plus rentable. C'est difficile parce que cela nécessite une imputation et traite de l'émotion ; c'est rentable parce que même si l'IA ne peut pas résoudre le cas, elle peut terminer l'étape laborieuse de « l'ouverture du dossier » — poser les bonnes questions sur la photo des dégâts, le numéro de commande, l'article et la résolution attendue, structurer cela en un ticket et l'envoyer à la bonne personne. Quand l'agent client prend le relais, les cinq premières minutes de questions-réponses sont déjà économisées. Nous avons mesuré que même avec seulement 30 à 40 % d'automatisation pour ce type d'appel, le temps moyen de traitement (AHT) baisse de plus de 20 %.

Répartition humain-machine : pas une question de remplacer les gens

Ce qui détermine vraiment le succès ou l'échec après le déploiement, c'est la conception de l'escalade (escalation), pas la puissance brute de l'IA. Pour chaque projet 3PL, nous définissons trois règles strictes de transfert humain : premièrement, si la détection d'émotion identifie une insatisfaction manifeste, transférer immédiatement, ne pas laisser l'IA s'acharner ; deuxièmement, si le Copilot a tourné en rond deux fois sur le même problème sans le résoudre, transférer ; troisièmement, tout ce qui implique un montant, une indemnité ou un contrat, transférer directement. Lors du transfert, il faut passer l'intégralité du contexte de la conversation, l'agent n'a pas besoin de redemander « Quel est votre numéro de commande » — si cette expérience de transfert n'est pas bien pensée, la confiance du client dans tout le système s'effondre instantanément.

Un trimestre après le déploiement, le volume d'appels de ce client avait baissé d'environ 43 %. Il n'y a pas eu de réductions d'effectifs ; au lieu de cela, l'équipe service client a redéployé les ressources économisées dans la gestion proactive des exceptions — quand une livraison est retardée, ils appellent le client proactivement au lieu d'attendre qu'il appelle en colère. C'est ce que nous voulons voir : l'IA gère la répétition, les gens font ce qu'il y a de mieux pour que seules les personnes le fassent.

Pour revenir à cette phrase que nous répétons souvent : une belle démo ne compte pas, seule l'adoption réelle compte. Chez Tenten, nous ne commençons jamais un déploiement IA pour le service client logistique par le modèle, nous commençons par nous immerger dans votre flux d'appels, nous calculons précisément le taux d'automatisation possible, puis nous intégrons catégorie par catégorie à vos systèmes de production, en gardant nos ingénieurs sur place jusqu'à ce que le taux d'utilisation croisse réellement. C'est plus lent, mais c'est l'unique approche qui perdure.