Un agent IA qui referme un ticket de support en trois minutes, est-ce une victoire pour le service client ou une opportunité manquée pour le marketing ? La réponse tient en une phrase : la conversation qui a permis de fermer ce ticket contient un signal d’intention que la majorité des entreprises jettent, faute de le connecter à leur CRM. Gartner attend une résolution autonome de 80% des dossiers de support courants d’ici 2029, contre 30% de coûts opérationnels en moins (Gartner, mars 2025). Mais ce chiffre parle de coûts. Il ne dit rien de ce que ces échanges racontent sur le compte qui vient d’écrire. Les guides « l’IA transforme le service client » sont du recyclage. Ce texte détaille le workflow qui relie un agent IA de support à une équipe growth.
Déflection et résolution : deux chiffres que les vendeurs confondent volontiers
Un dashboard de support affiche un taux de « résolution IA » à deux chiffres. Personne, dans la démo commerciale, ne précise que ce chiffre mélange deux mesures très différentes. Gartner distingue la déflection, toute conversation qui n’atteint jamais un humain, y compris celles où le client a abandonné, de la résolution, réservée aux dossiers réellement clos de bout en bout. L’écart mesuré par le cabinet dépasse 30 points : plus de 45% de déflection contre environ 14% de résolution complète. Un agent de support ferme donc largement plus de conversations qu’il n’en résout. Cette nuance ne figure dans aucune fiche produit.
En mars 2025, Gartner allait plus loin dans sa projection : d’ici 2029, l’IA agentique résoudra de façon autonome 80% des problèmes courants de service client, pour une réduction de 30% des coûts opérationnels.
« L’IA agentique s’impose comme un changement de paradigme pour le service client, ouvrant la voie à des expériences autonomes et à faible effort », déclarait Daniel O’Sullivan, analyste senior chez Gartner, en mars 2025.
Entre les deux mesures, quatre exercices budgétaires.
Cet écart n’empêche pas un mécanisme réel de se mettre en place derrière chaque ticket fermé.
Trois mécanismes relient une conversation de support à une donnée marketing
Un agent de support connecté au bon outillage produit trois types de données que le marketing peut exploiter sans ressaisie manuelle.
- L’agent va chercher sa réponse dans la documentation produit via retrieval-augmented generation (RAG), ce qui laisse une trace exploitable. Chaque requête interroge une base indexée et le sujet consulté devient un signal de ce qui préoccupe le compte, contenu ou fonctionnalité inclus.
- Via un serveur MCP, l’agent peut lire l’historique du compte, mettre à jour un champ personnalisé ou déclencher une tâche de suivi sans passer par une intégration point à point développée sur mesure.
- Le contenu de l’échange, une question de renouvellement, une mention d’un concurrent, une référence à un budget, alimente un score qui peut remonter jusqu’à l’équipe growth et parfois jusqu’à un GTM agent chargé de la relance.
Ces trois mécanismes existent chez la majorité des éditeurs de plateformes de support. Leur activation, elle, reste rare : la donnée capturée demeure cantonnée à l’outil de support faute de connecteur configuré vers le CRM ou l’automation marketing.
Le mécanisme technique existe. L’adhésion du client, elle, ne suit pas au même rythme.
90% des Français préfèrent encore attendre un conseiller humain
L’Observatoire des Services Clients 2025, mené par Ipsos auprès de 5 000 répondants en France et dans plusieurs pays européens, mesure une résistance nette. 90% des Français interrogés préfèrent patienter pour parler à un conseiller humain plutôt que d’échanger avec un agent virtuel. 64% refusent même une assistance assistée par IA, alors qu’elle est présentée comme plus rapide.
Le mécanisme de captation de données décrit plus haut suppose que la conversation ait bien lieu avec l’agent. Un client qui tape 0 pour parler à quelqu’un la contourne entièrement. Sur les sujets perçus comme sensibles, résiliation, litige de facturation, le renvoi vers un humain reste la norme observée par Ipsos et la donnée conversationnelle correspondante n’est alors jamais générée.
D’autres freins pèsent sur le déploiement, moins visibles que la réticence client.
La qualité de la donnée bloque plus de déploiements que la promesse technique
LeanData a interrogé les équipes go-to-market pour son 2026 B2B State of Martech and Revenue Operations Report. 44% des organisations citent la qualité de la donnée comme frein à leur maturité opérationnelle et 82% jugent qu’une donnée propre est un prérequis avant de déployer l’IA à grande échelle. Un agent qui lit un CRM aux champs vides et aux comptes dupliqués produit un score d’intention qui vaut ce que vaut la donnée source.
En pratique, le nettoyage de la base de comptes prend souvent plus de temps que la configuration de l’agent lui-même.
Ce nettoyage conditionne un maillon technique précis : la capacité de l’agent à écrire dans le système marketing, au-delà de la lecture seule.
MCP et l’agent GTM : le maillon qui manque entre support et acquisition
Le Model Context Protocol (MCP), publié par Anthropic en novembre 2024, standardise la façon dont un agent IA interroge un outil externe. Concrètement, un agent de support qui gère une escalade peut consulter l’historique du compte dans le CRM, vérifier l’activité récente dans un outil de tracking produit, rédiger une réponse, puis mettre à jour le dossier, le tout via des serveurs distincts coordonnés par le même agent, sans intégration développée sur mesure pour chaque paire d’outils.
Cette architecture change la nature de l’agent. Il agit désormais sur le système d’information avec les mêmes droits qu’un opérateur GTM, au-delà de la réponse générée dans la fenêtre de chat. Le champ « raison de contact » se remplit automatiquement. Le score d’intention se met à jour sans ressaisie. L’agent de support devient, de fait, la première brique d’une orchestration multi-agents où un agent GTM peut consommer ce signal quelques minutes après la fermeture du ticket, avant qu’un commercial n’ait ouvert son inbox.
Cette architecture reste rare. La majorité des outils qui se revendiquent « agentic » n’en ont pas les moyens techniques.
Agent washing : pourquoi le scepticisme du lecteur est justifié
Gartner a nommé le phénomène dans un communiqué du 25 juin 2025 : l’agent washing désigne le rebranding de produits existants, assistants IA, RPA, chatbots, en « IA agentique », sans capacité agentique substantielle. Sur les milliers de fournisseurs qui revendiquent ce positionnement, le cabinet en dénombre environ 130 qui répondent réellement à la définition : un système capable d’observer une situation, de raisonner dessus et, si besoin, de réviser son propre plan en agissant.
Le même communiqué prévoit que plus de 40% des projets d’IA agentique seront abandonnés d’ici fin 2027, coûts qui dérapent, valeur business floue, contrôles de risque insuffisants selon Anushree Verma, Senior Director Analyst chez Gartner, citée dans ce communiqué. Un lecteur qui doute qu’un article sur les agents IA repose sur un déploiement réel n’a donc pas tort de se méfier : la majorité de ce qui circule sur le sujet reste théorique, y compris chez les fournisseurs eux-mêmes.
Ce que les équipes marketing demandent encore sur les agents de support
Un agent IA de support est-il différent d’un chatbot classique ? Oui, sur un point précis. Un chatbot suit un arbre de décision scripté. Un agent IA de support raisonne sur une base de connaissance via RAG, décide de l’action à prendre et peut agir sur un système externe via un outil comme MCP. Beaucoup de produits vendus comme « agent » restent en réalité des chatbots enrichis, sans capacité d’action réelle.
Les conversations de support peuvent-elles alimenter le marketing sans consentement explicite ? Le RGPD encadre cette réutilisation : une finalité différente de la finalité initiale, résoudre un ticket, suppose en général une base légale distincte : information du client ou intérêt légitime documenté. Le sujet dépasse la configuration technique de l’agent et relève d’un arbitrage avec le service juridique.
L’intégration d’un agent de support à la stack marketing augmente-t-elle le coût par token ? Oui, mécaniquement. Chaque appel à un outil externe via MCP ajoute un tour d’échange dans le context window de l’agent, ce qui augmente le token cost par conversation. Le calcul du ROI doit intégrer ce coût marginal, en plus de l’économie de temps humain.
Ce que la régulation n’a pas encore tranché
Le RGPD encadre déjà la réutilisation d’un échange de support à des fins commerciales. L’AI Act européen, entré en application par paliers depuis 2024, ajoute une obligation de transparence sur les interactions automatisées ; son application concrète aux agents de support qui écrivent dans un système marketing reste à trancher au cas par cas, dossier par dossier, chez les régulateurs nationaux.
