Les acteurs de l’assurance santé intensifient l’usage de l’IA pour transformer leur service client et maintenir un haut niveau de qualité malgré la croissance des volumes.
Alan s’impose comme un cas d’école de l’IA au service du support client. Le pure player de l’assurance santé automatise aujourd’hui environ 40 % de ses tickets, avec jusqu’à 70 % des demandes simples traitées de bout en bout par l’IA, tout en conservant un CSAT stable autour de 4,5/5 et une équipe de support quasi constante malgré l’augmentation du nombre de membres. Comme le décrit l’article source Comment Alan réussit à automatiser 40 % de son support client grâce à l’IA, cette performance repose sur une stratégie progressive et structurée, combinant architecture technique, gouvernance et pilotage fin de la qualité.
Alan a fait le choix stratégique de positionner l’IA directement en front avec les clients, et non comme simple assistant interne, pour maximiser l’impact et la scalabilité. Le projet a démarré par un MVP ciblé sur un périmètre restreint (questions simples sur les garanties), avec relecture humaine systématique et une architecture RAG connectée aux données internes pour sécuriser la pertinence des réponses. Pour passer à l’échelle, l’entreprise est passée d’un agent généraliste à une architecture de 18 agents spécialisés, alignés sur les domaines métier du service client. Les conseillers humains ont évolué vers des rôles de superviseurs et de co-développeurs des agents IA, garants du ton, de la conformité et de la qualité métier. Alan a développé en interne des outils de gestion, de configuration et de debug des agents, pour rendre les équipes autonomes et accélérer l’itération, tout en fixant un seuil minimum de 80 % de réponses correctes avant tout déploiement progressif.
La performance du dispositif repose aussi sur un investissement structurant dans l’évaluation en ligne et hors ligne, permettant de mesurer en continu la qualité, tester les mises à jour de modèles et affiner les prompts. Alan est passé d’une logique fondée sur des workflows rigides (arbres décisionnels) à des playbooks en langage naturel, ce qui a permis de franchir un plafond de performance et de redonner de la souplesse aux modèles dans le traitement des cas complexes. Chaque organisation pourrait utilement se demander quel niveau de spécialisation des agents, de gouvernance de la qualité et d’outillage interne serait nécessaire pour reproduire ce type de résultats. Envie d’y réfléchir avec nous ?
Lire l’article sur Le Ticket.
