Cet article fait partie d’une série de publications expliquant comment OpenAI développe ses solutions en s’appuyant sur sa propre technologie.
Chaque année, nous recevons des millions de tickets de support. Chacun contient une information précieuse : c’est l’expression d’un mécontentement, d’une idée ou d’une envie.
Mais jusqu’à il y peu, nous avions du mal à donner un sens à ces signaux. Nos tableaux de bord pointaient des tendances, sans pour autant en donner les causes. Pour les comprendre, nos data scientists devaient procéder à des analyses approfondies qui prenaient des semaines. Par exemple, un chef de produit pouvait souhaiter savoir ce que pense une audience bien précise d’une nouvelle fonctionnalité. Mais là encore, une analyse approfondie était nécessaire.
Il devenait ainsi difficile de se montrer curieux.
« Nous avions besoin d’une expertise technique approfondie pour obtenir des réponses, ce qui nous décourageait de poser des questions », explique Molly Jackman, responsable des données métier.
Face à ce défi, nous avons mis au point un assistant de recherche qui permet de stimuler la curiosité à grande échelle. Il combine deux modes d’exploration : les tableaux de bord pour mettre en évidence les tendances et une interface conversationnelle pour entrer dans le détail. Vous pouvez ainsi partir d’un tableau présentant les problèmes qui reviennent le plus, puis poser des questions su ces tendances en langage naturel.
Nous nous sommes basés sur des concepts qui fonctionnaient déjà. D’un côté, les classificateurs et tableaux qui structuraient des millions de tickets en domaines produit et thèmes. De l’autre, GPT‑5, un modèle capable de résumer des tickets bruts et de générer des rapports flexibles et facilement compréhensibles. Leur association nous a permis de créer un outil rapide et puissant, suffisamment simple pour être accessible par tous nos collaborateurs.
« Que disent nos clients du secteur de la santé de nos nouvelles intégrations ? »
« Quelles sont les principales causes des tickets pour ce trimestre ?»
« Quelles grandes fonctionnalités ont du succès ? »
En quelques minutes, le système génère un rapport montrant l’étendu du problème, sa fréquence et les points bloquants. Les chefs de service n’ont plus à mobiliser des experts ou se reposer sur des tableau de bord statiques. Tous peuvent poser leurs propres questions. Ls équipes produits sont en mesure de tenir plus vite compte des commentaires des utilisateurs, car elles savent ce qui fonctionne et ne fonctionne pas, mais aussi de guider clairement les lancements produits et les feuilles de route sur le long terme.
« Ce qui est vraiment magique, c’est qu’il n’est pas nécessaire de préparer ses questions. Vous pouvez juste laisser libre cours à votre curiosité. »
Si les données fournies sont inexactes, la rapidité à laquelle elles ont été générées n’a aucun intérêt.
Au début, les équipes chargées des opérations procédaient à des classifications manuelles, et les data scientists créaient des modèles sur mesure pour comparer ces résultats à ceux de l’assistant. Les résultats se sont avérés cohérents.
Avec le temps, nous avons pris confiance dans l’outil. Les responsables ont commencé à vérifié les résultats par rapport aux retours du terrain, et lorsque ces deux sources se rejoignaient, ils exploitaient les données.
Ce cycle question/vérification/exploitation a transformé notre assistant en outil du quotidien. Ce qui prenait à une époque une semaine de manipulation de requêtes SQL et de classificateurs ne demandait plus que quelques clics.
Les avantages sont multiples.
- Après le lancement de GPT‑5, les équipes produit ont pu catégoriser les commentaires en quelques jours, contre plusieurs semaines auparavant.
- Lorsque l’adoption des connecteurs par les entreprises a marqué un coup d’arrêt, l’assistant en a rapidement identifié la cause : un processus d’activation bugué. Les ingénieurs ont ainsi pu prioriser ces correctifs.
- Pour la génération d’images, il a mis en avant la créativité de nos équipes marketing, qui l’ont utilisé pour créer des maquettes, mais aussi les délais liés aux rendus, deux points essentiels qui ont un impact direct sur la feuille de route.
Lorsque les réponses arrivent en quelques minutes, les questions se multiplient. Davantage de problèmes sont identifiés. Les équipes avancent plus vite.
L’outil ne remplace pas les data scientists. Il leur permet de se concentrer sur d’autres tâches. Débarrassés des analyses ponctuelles, ils ont plus de temps pour créer de nouveaux classificateurs et réfléchir à l’automatisation et la création d’outils. Les équipes chargées des opérations génèrent des rapports de lancement en quelques minutes, contre plusieurs jours jusque-là, ce qui permet de passer plus de temps avec les clients. Les équipes produits peuvent comprendre en temps réel les commentaires des clients et mettre à jour plus rapidement leur feuille de route.
Cette transformation a fait évoluer notre manière d’écouter. Plutôt que de limiter les processus d’analyse, nous permettons désormais à chaque équipe de poser librement ses questions. Cette liberté booste la curiosité. Un responsable de produit repère une difficulté, un directeur commercial voit le même thème revenir dans les tickets des entreprises : ensemble, ils peuvent agir plus rapidement.
Nous espérons que nos clients seront ceux qui bénéficieront le plus de ce changement. Les problèmes seront résolus plus rapidement. Les fonctionnalités peuvent se rapprocher davantage de leurs besoins. Les commentaires autrefois perdus dans des backlogs sont aujourd’hui au cœur du développement.
« Je vois cet assistant comme une gigantesque étude de l’expérience client. Si nous parvenons à écouter la voix du client pour modifier nos produits, politiques et pratiques de manière proactive, je considère que nous avons réussi. »
Ce qui était originellement un outil permettant d’analyser des millions de tickets devient un maillon à part entière de notre système d’écoute. Et c’est en écoutant bien que l’on crée de bons produits.
