AQ de résolution
Un échantillon régulier de conversations de soutien fermées est noté selon une grille claire — traitées par l'IA comme par des humains — pour qu'un billet fermé et une bonne réponse cessent d'être traités comme la même chose.
Pensez à une enseignante qui ne se contente pas de vérifier que chaque élève a remis quelque chose, mais qui corrige vraiment un échantillon des travaux — et tient la liste des erreurs que toute la classe répète. L'AQ de résolution fait ça pour vos billets fermés : fermé, c'est la présence ; noté, c'est l'apprentissage.
Le problème, en mots simples
Un billet marqué résolu veut juste dire que quelqu'un l'a fermé. Peut-être que la réponse était bonne. Peut-être qu'elle était polie, fausse, et que le client a abandonné plutôt que d'argumenter. Peut-être qu'un agent — humain ou IA — l'a fermé pour atteindre un chiffre. Personne n'a le temps de relire les billets fermés, alors la qualité se mesure à la loterie des sondages : la poignée de clients assez agacés ou assez ravis pour répondre. Pendant ce temps, la vraie qualité de vos résolutions — la chose que toutes vos mesures prétendent suivre — reste non mesurée.
Ce que nous mettons en place
Nous échantillonnons vos fils résolus — pas tous, mais une tranche délibérée, pondérée pour que les sujets à fort volume et les cas à risque (remboursements, annulations, tout ce qui touche l'argent ou les comptes) soient vérifiés plus souvent. Chaque fil échantillonné est noté selon une grille (une feuille de correction écrite : la réponse était-elle exacte, complète, bien sourcée, traitée selon vos standards) par un LLM-juge (un correcteur IA qui suit cette feuille de correction). Et comme un correcteur peut dériver lui aussi, des humains renotent régulièrement une portion des mêmes fils et comparent leurs notes ; le degré d'accord entre le correcteur IA et les correcteurs humains est lui-même un chiffre suivi. Les résolutions mal notées vont dans une file de revue pour qu'une personne les examine. Les mieux notées deviennent des cas en or candidats — des réponses modèles à ajouter à votre jeu de tests.
Comment ça fonctionne, étape par étape
- Des fils sont marqués résolus
Traités par votre agent IA ou par votre équipe — les deux entrent dans le même bassin d'échantillonnage.
- Un échantillon pondéré est tiré
Les sujets à fort volume et les cas à risque sont échantillonnés plus lourdement. Personne ne lit tout ; le but est une tranche juste et honnête.
- Chaque échantillon est noté
Un correcteur IA note le fil selon une grille écrite : exact, complet, sourcé et traité selon vos standards.
- Le correcteur lui-même est vérifié
Des humains renotent périodiquement les mêmes fils. L'accord entre correcteurs IA et humains est suivi — s'il glisse, le correcteur est recalibré.
- Les mauvaises notes vont en revue
Les résolutions faibles remontent pour qu'une personne les examine — y compris des billets que tout le monde croyait corrects.
- Les bonnes notes deviennent des exemples
Les meilleures résolutions sont promues cas en or candidats pour votre jeu de tests, pour que les versions futures y soient tenues.
Ce qui change pour vous
Avant : la qualité était ce que le taux de fermeture et un mince filet de réponses de sondage en disaient, et les mauvaises réponses se cachaient derrière le mot résolu. Après : la qualité de résolution est un chiffre calibré et suivi ; les réponses faibles remontent même quand le client ne s'est jamais plaint ; et les erreurs communes de la classe — les motifs que l'enseignante corrige sans cesse — montrent à votre équipe exactement quoi coacher. Ce qu'il ne fera pas : il ne revérifiera pas chaque billet — il note un échantillon pondéré, assez pour voir les motifs, mais quelques ratés isolés passeront toujours.