L’IA est aujourd’hui abordée dans tous les secteurs, mais elle ne fait pas réellement de différence dans toutes les entreprises. Dans cette interview, Dmytro Sorysh, responsable produit du domaine IA chez RedCore, détaille cela à travers des cas spécifiques, explique où se situe la frontière entre l’automatisation et la prise de décision humaine et jette un regard sur l’avenir de l’IA.
Par où commencer pour décider si l’IA doit être mise en œuvre dans un processus ou un produit particulier ?
On parle beaucoup de l’IA dans l’industrie, mais cela reste souvent au niveau des slogans. Chez RedCore, nous abordons les choses différemment : nous n’ajoutons pas d’IA là où cela semble tout simplement impressionnant. Au lieu de cela, nous commençons par un besoin commercial spécifique et examinons où la technologie peut réellement changer le processus.
Aujourd’hui, l’IA chez RedCore est utilisée dans plusieurs domaines clés : le support client, la fidélisation, la production de contenu et l’analyse.
Assistance client. Toutes les demandes adressées au service d’assistance sont initialement traitées par un bot. Cela réduit le temps d’attente du client pour obtenir une réponse : il n’est pas nécessaire d’attendre dans une file d’attente un opérateur. Le robot résout entièrement plus de la moitié des discussions de manière indépendante, sans intervention humaine. Cela libère les opérateurs des demandes routinières et leur permet de se concentrer sur des cas complexes où l’expertise et l’approche humaine sont importantes.
Contrôle de qualité. Nous avons automatisé une partie du processus de contrôle qualité. Au lieu de contrôles manuels sélectifs, le système fonctionne plus rapidement et de manière plus cohérente à grande échelle. Cela rend le processus de contrôle qualité plus rapide et de meilleure qualité.
Contenu. Les assistants de contenu et les traducteurs réduisent le temps et les coûts de production de contenu tout en maintenant la qualité du résultat.
Infrastructure. Étant donné que le bot gère une partie importante du volume de support entrant, la charge sur le système de billetterie est réduite, ainsi que les coûts de maintenance.
Fraude et risque. L’intelligence artificielle et les modèles ML sont un élément clé de notre système de prévention de la fraude. Dans Frogo, le module d’IA analyse les comportements des utilisateurs et permet d’identifier les schémas de fraude non évidents, tandis que la plateforme recalcule la « norme » en temps réel, réduisant considérablement le nombre de faux positifs et la charge de travail des équipes opérationnelles. Ainsi, plus de 98 % des décisions au stade du retrait sont prises automatiquement.
En plus de la surveillance des transactions en temps réel, nous appliquons activement l’IA et l’apprentissage automatique à toutes les étapes de la gestion des risques. Nous utilisons des algorithmes ML pour vérifier automatiquement l’exactitude et la logique des descriptions de règles dans les politiques de notation, ce qui permet d’éliminer les erreurs et les conflits entre les conditions avant qu’elles n’atteignent la production. Pour l’analyse du Big Data, l’IA aide à identifier les informations cachées dans de grands ensembles de données, permettant ainsi aux analystes de décrire plus efficacement les modèles de comportement dangereux des clients. Enfin, l’IA est intégrée aux processus internes pour une analyse rétrospective rapide de l’efficacité et des performances du système de notation existant, nous permettant d’optimiser en permanence les politiques de risque sur la base d’indicateurs de performance historiques.
Pour RedCore, l’IA est-elle un moyen d’analyser l’information ou un outil capable de prendre des décisions et d’agir de manière autonome ? A quoi cela ressemble-t-il en pratique ?
Une bonne façon de répondre à cette question est de comparer deux scénarios différents dans lesquels l’IA est impliquée.
Le premier est un agent vocal sortant, par exemple, dans les tâches de rétention. Ici, l’IA agit de manière autonome : elle lance un appel vers le segment de clientèle concerné, mène la conversation selon un script et la mène à un résultat, qu’il s’agisse d’une offre personnalisée ou de la collecte de commentaires. Un humain n’est pas impliqué dans l’appel lui-même ; leur rôle est de définir en amont la logique et la segmentation.
Le deuxième scénario est un chat d’assistance entrant avec une plainte non standard, où il existe un contexte émotionnel et où plusieurs solutions possibles doivent être pesées. Ici, le rôle de l’IA est différent : elle peut analyser l’historique des interactions du client et mettre en évidence le contexte pertinent pour l’opérateur, mais la décision sur la manière de procéder est prise par un humain.
C’est exactement notre approche : l’IA n’est ni universellement autonome ni universellement solidaire ; il bascule entre deux rôles en fonction du degré de prévisibilité de la tâche. Lorsque les règles sont claires et la répétabilité élevée, comme dans les campagnes vocales sortantes, la gestion des chats standard ou la partie de base du contrôle qualité, nous permettons au système d’agir de manière indépendante. Lorsqu’une interprétation, un jugement ou une décision créative est nécessaire, comme dans le cas d’escalades complexes ou de l’édition finale d’un contenu, l’IA devient un outil d’analyse plutôt qu’un exécuteur.
Nous ne choisissons pas une fois pour toutes entre « l’IA autonome » et « l’IA en tant qu’assistante » ; nous déterminons le niveau d’autonomie approprié pour chaque tâche spécifique.
Comment mesurer l’efficacité des solutions d’IA ? Quels indicateurs montrent que l’IA fonctionne réellement plutôt que de simplement compliquer les processus ?
Un test révélateur pour nous est simple : si nous désactivions la solution demain, le client le remarquerait-il et cela affecterait-il l’entreprise ? Si la réponse aux deux questions est « oui », la solution fonctionne. Si « non », il s’agit très probablement de technologie pour le plaisir de la technologie.
De ce point de vue, nous examinons quatre choses.
Nous calculons le retour sur investissement non pas à un instant donné, mais sur le long terme : la solution rembourse-t-elle le coût de son développement par des économies durables, plutôt que par un effet de nouveauté ponctuel ? Par exemple, la réduction de la charge de travail des opérateurs et du système de billetterie devrait perdurer pendant des mois, et pas seulement pendant la première semaine après le lancement.
Les coûts de support s’avèrent souvent être une mesure plus honnête que les coûts de lancement. Une solution qui nécessite constamment des améliorations coûteuses engloutit tous les avantages de l’automatisation, même si son lancement était peu coûteux.
Nous évaluons l’expérience client à travers une question simple : le client résout-il le problème dès le premier contact, ou le nombre de contacts répétés et d’escalades augmente-t-il ? Une rapidité de réponse qui ne résout pas le problème du client n’est pas une amélioration, mais une illusion d’amélioration.
L’impact opérationnel est la part des processus qui sont effectivement passés à une exécution autonome et si cela libère du temps pour l’équipe pour des tâches plus complexes plutôt que de simplement déplacer la charge de travail ailleurs.
Nous ne recherchons délibérément pas de mesures de pourcentage ponctuelles. Pour nous, le meilleur signe est que l’équipe continue d’utiliser la solution des mois après son lancement sans même y penser, car elle fait désormais partie du processus plutôt que d’une expérimentation.
De nombreuses entreprises sont confrontées à des obstacles lors de la mise en œuvre de l’IA, qu’ils soient techniques ou culturels. Quels sont les principaux défis auxquels RedCore est confronté et comment les surmontez-vous ?
Les barrières techniques et culturelles sont pour nous presque aussi importantes, et la pire erreur est de résoudre seulement l’une d’entre elles en croyant que l’autre se résoudra d’elle-même.
La barrière technique n’apparaît généralement pas au stade de l’idée, mais au stade du volume réel : un modèle qui a parfaitement fonctionné sur les données de test commence à commettre des erreurs lorsqu’il est confronté à la diversité réelle des demandes, des intégrations et de l’infrastructure en direct. C’est pourquoi nous ne lançons jamais immédiatement une solution sur l’ensemble du flux. Premièrement, il fonctionne dans un cadre restreint, où les erreurs sont faciles à identifier et à corriger, et ce n’est qu’après que sa stabilité a été confirmée que nous pouvons l’étendre davantage.
La barrière culturelle est plus intéressante car elle se manifeste rarement par une résistance ouverte. Prenez l’équipe de contenu : les spécialistes qui ont passé des années à affiner le ton et le style de communication de la marque ne rejettent pas ouvertement l’IA ; ils ne font tout simplement pas confiance au projet. Il ne s’agit pas de la peur de perdre son emploi, mais plutôt du doute qu’une machine capte une nuance qu’une personne perçoit intuitivement. Nous ne résolvons pas ce problème avec une directive disant : « Maintenant, nous utilisons l’IA. » Au lieu de cela, nous intégrons l’outil là où il supprime la partie la plus fastidieuse du travail, comme la rédaction ou la traduction de routine, tout en laissant le dernier mot à l’auteur. Dans ce cas, la confiance ne s’explique pas ; cela se construit par la pratique.
Le pire des cas est celui où ces deux barrières se conjuguent : un faible résultat technique au départ confirme immédiatement les doutes culturels de l’équipe, et vice versa. C’est pourquoi nous avançons lentement et en tandem, prouvant la fiabilité technique tout en donnant simultanément à l’équipe le temps de le constater par elle-même, sur sa propre expérience, plutôt qu’à travers une présentation.
Beaucoup de gens craignent que l’IA remplace les humains. Comment voyez-vous l’équilibre entre automatisation et expertise humaine ?
Une règle simple que nous avons développée pour nous-mêmes est la suivante : l’IA s’occupe du volume, tandis que les humains conservent le sens.
En support, cela ressemble à ceci : le bot gère le flux de questions de routine, mais dès que le dialogue dépasse le script, par exemple, que le client est contrarié ou que la situation est inhabituelle, la conversation est confiée à un humain. Dans ce cas, l’opérateur n’est pas en concurrence avec le bot pour le volume d’appels ; au lieu de cela, ils reçoivent un flux plus concentré de cas complexes où leur expertise est véritablement nécessaire.
La logique est similaire en termes de contenu, mais dans le sens opposé : l’IA rédige la première ébauche, tandis que la décision sur le ton final, le message clé et la question de savoir si le contenu doit être publié ou non reste à l’auteur. Nous pourrions également automatiser cette partie, mais nous choisissons consciemment de ne pas le faire, car c’est exactement là que la valeur pour laquelle le client paie est créée.
Résumons-le en une seule pensée : nous ne recherchons pas une automatisation maximale pour le bien de l’automatisation elle-même. Lorsque la qualité d’une décision dépend du jugement humain, nous laissons consciemment cette partie aux gens, même si techniquement nous pourrions aller plus loin. Pour nous, l’IA ne remplace pas les gens, mais un moyen de supprimer la routine de leur travail et de leur redonner du temps pour ce qui nécessite réellement une expertise.
Si vous regardez vers l’avenir, comment pensez-vous que le rôle de l’IA dans les entreprises numériques va changer ? Quelles nouvelles opportunités vont s’ouvrir ?
En regardant 2 à 3 ans à venir, je vois un mouvement dans plusieurs directions.
L’IA cessera d’être une fonctionnalité distincte et deviendra le système d’exploitation de l’entreprise. Aujourd’hui, l’utilisation typique de l’IA dans iGaming est sélective : traduire du texte, générer une bannière, répondre à un ticket d’assistance. Dans 2-3 ans, ce sera un agent à part entière qui gère un processus du début à la fin, par exemple, non pas « analyser le comportement des joueurs », mais « gérer l’ensemble du cycle de rétention d’un segment à risque : de la détection à une offre personnalisée en passant par un rapport sur le résultat ». La différence est fondamentale : non pas accélérer des tâches individuelles, mais déléguer des rôles entiers.
Une nouvelle couche va émerger : « AI-as-a-service » spécifiquement pour iGaming. Les bons modèles sont coûteux à construire (ils nécessitent des données sur des millions d’acteurs, une expertise du domaine et des nuances juridiques dans différentes zones géographiques) et peu coûteux à mettre à l’échelle. Il s’agit de l’économie classique de l’infrastructure B2B. La croissance des fournisseurs spécialisés qui vendent aux opérateurs des modules d’IA prêts à l’emploi est attendue : systèmes de recommandation, détection de désabonnement, génération d’offres personnalisées, agents de support d’IA, similaires à la façon dont les fournisseurs KYC et les agrégateurs de paiement sont développés aujourd’hui. Les petits et moyens opérateurs ne pourront tout simplement pas se permettre de construire cela en interne, ce qui signifie qu’ils deviendront des clients de ces fournisseurs B2B plutôt que des concurrents.
La barrière à l’entrée dans des catégories entières d’entreprises va s’effondrer. Ce qui nécessitait auparavant une équipe de 10 à 15 personnes (marketing, analyses, support, développement de base) sera bientôt possible pour 1 à 2 personnes avec des agents correctement configurés. La nouvelle opportunité est une croissance explosive des micro-entreprises et des produits de niche qui n’étaient auparavant pas rentables en raison des coûts fixes des équipes. L’inconvénient est que la concurrence deviendra instantanée : dès que quelqu’un trouvera un créneau viable, d’autres pourront le copier en quelques semaines plutôt qu’en quelques mois.
La valeur passe de « produire » à « décider quoi faire en général ». Si la production de contenu, le codage et l’analyse de base deviennent rapides et bon marché, le goulot d’étranglement ne sera plus l’exécution, mais le choix de la direction : quel problème résoudre, pour qui et pourquoi. La réflexion stratégique et les préférences (en matière de produit, de marque et de priorisation) deviendront plus précieuses car ce sont des choses que l’IA ne peut pas encore remplacer.
