A en croire certaines études, les consommateurs ne souhaitent plus télécharger d’apps sur leurs mobiles⁽¹⁾. Les apps seraient jugées d’autant plus encombrantes, qu’un grand nombre d’entre elles ne seraient utilisées qu’un petit nombre de fois. Au lieu des apps (il y en a plus d’un million et demi dans les magasins applicatifs d’Apple comme de Google), les utilisateurs favoriseraient désormais les applications sociales. Pour vous en convaincre, consultez la liste des apps les plus téléchargées en 2016 sur iOS comme sous Android : Facebook, Facebook Messenger, WhatsApp, YouTube, Snapchat, Instagram et WeChat caracolent en tête. Seul Pokémon GO est venu tout au plus cette année-là figurer dans le Top 10. Avec pour conséquence, ce qui pourrait s’énoncer comme une possibilité selon nos analystes : « D’ici à 5 ans, 80% des applications auront disparu. »

Ce changement annoncé dans les habitudes de consommation doit-il du coup amener votre entreprises à anticiper cette tendance ? A priori oui. Deux indices vont dans ce sens. D’une part, il y a la démultiplication des assistants personnels destinés à envahir notre quotidien durablement. D’autant plus qu’ils s’affranchissent d’écrans (citons l’enceinte Apple motorisée par Siri, les "Google Home" interpellées via leur célèbre "Ok Google" ou encore, quand elles sont disponibles, les différentes déclinaisons d’Amazon Echo. D’autre part, les entreprises B2C qui déploient des assistants conversationnels grâce à la technologie d’IBM Watson profitent de mécanismes de machine learning à l’image d’Orange Bank ou du Crédit Mutuel qui lui confient une partie de sa relation bancaire, ou de Bouygues Télécom qui déploie progressivement son assistance client sur le Web en lieu et place de sa Foire aux Questions.

Des assistants conversationnels bénéficient grâce à IBM Watson de mécanismes de machine learning à l’image du Crédit Mutuel qui lui confie une partie de sa relation bancaire.

Le cas de Bouygues Télécom illustre ce qu’est l’état de l’art. Sylvain Groussot, leur VP big data, innovation et FTTH décrit ainsi leur démarche : ‘’On a entraîné Watson avec les 200 réponses les plus pertinentes. Aujourd’hui 90% des demandes sont comprises par Watson. L’entraînement fonctionne, on a gagné trois points. 10% de nos 16 millions de clients ont essayé l’IA. Nous avons validé l’intérêt d’utiliser l’IA pour interagir avec nos clients.‘’

Au Crédit Mutuel, l’assistant virtuel sert à assister les conseillers des 5 000 caisses et agences du Crédit Mutuel… mais pas à les remplacer. "Il y a un buzz savamment entretenu qui consiste à dire que l'homme est opposé à la machine. A travers cette expérience avec le Crédit Mutuel, nous voulons justement démontrer qu'ils sont complémentaires", insiste Jean-Philippe Desbiolles, VP Cognitive Solutions au sein d’IBM France.

Pour la nouvelle banque d’Orange, ce conseiller virtuel, Djingo, est disponible tous les jours et à toutes les heures de la journée, et peut répondre à de multiples requêtes. Djingo s'appuie sur les technologies d'intelligence artificielle Watson d'IBM pour répondre en langage naturel aux questions des clients et des prospects. Celui-ci travaille sans relâche 24 heures sur 24 et 7 jours sur 7. Il répond aux questions des clients en langage naturel et effectue des opérations bancaires comme le blocage et le déblocage d’une carte bancaire. Premier point de contact du client, Djingo tient en moyenne à 24 000 conversations par semaine dont 20 % en dehors des jours ou heures dits d’ouverture. Pour certains sujets comme une plainte ou une contestation de paiement, l’assistant passe la main à un conseiller réel présent dans le centre de relation clients de la banque. Ce dernier poursuit la conversation avec un accès à l’échange avec l’assistant et l’historique des interactions avec le client. Les échanges sont analysés en continu par les experts de la banque et d’IBM afin d’améliorer l’assistant. Il est de plus enrichi sur les nouveaux produits et services proposés. Actuellement, l’assistant est capable de répondre à 85 % des questions posées en langage naturel par les clients ce qui est un taux remarquable en termes de compréhension.

Ces chatbots ont pour objectif de simplifier comme de massifier des conversations avec des consommateurs.

Les chatbots répondent donc à une définition pour le moins surprenante : ce sont des "apps invisibles". Avec elles, on profite d’une nouvelle manière d’interagir avec le service de n’importe quelle entreprise en utilisant le canal privilégié par l’utilisateur : les applications de messagerie, mais aussi les sites Web, le SMS, et l’email. Du coup, il n’est pas nécessaire de créer un compte avec login et mot de passe. Et comme ces interfaces conversationnelles n’ont justement pas d’interfaces, elles sont qualifiées "d’apps invisibles".

Ces chatbots ont pour objectif de simplifier comme de massifier des conversations avec les consommateurs. Il est même possible de créer des scénarios d’aide plus ou moins complexes. Un utilisateur rate un train ? Comme il est très certainement géolocalisé, il est facile de lui proposer le prochain train à prendre voire de lui suggérer d’emprunter un autre moyen de locomotion pour atteindre la destination souhaitée, comme par exemple une solution d’autopartage.

Techniquement, il existe deux familles de bots à base d’intelligence artificielle.

Les chatbots ne connaissent pas de limites, tant ils peuvent soit utiliser la reconnaissance vocale et - ou - interagir avec des objets connectés. Ces bots sont déjà disponibles sur une multiplicité de plateformes (Skype, Slack, Telegram, Kik, Messenger, WeChat, Uber, etc.). Techniquement, il existe deux familles de bots à base d’intelligence artificielle⁽²⁾, plus exactement à base de machine learning/deep learning.

D’une part, il y a ceux qui s’appuient sur une AI de classification, laquelle propose des réponses toutes faites ("retrieval based AI"). Ces bots peuvent enrichir d’eux-mêmes, au gré des conversations, leur base de connaissances. Ils ne sont cependant pas capables de construire par eux-mêmes une réponse, autrement dit de générer un véritable élément de conversation. En outre, leurs réponses ne peuvent pas ou difficilement faire référence à des éléments précédemment énoncés dans la discussion. Ces modèles sont en revanche assez simples et rapides à entraîner.

D’autre part, il existe des modèles dits « génératifs » (generative models) qui ne reposent pas sur des réponses prédéfinies mais sur une génération de réponses en fonction de patterns définis par les éléments fournis tout au long de la conversation. Bien plus complexes à mettre en œuvre et surtout bien plus compliqués à entraîner, ces modèles doivent aussi être capables de générer des phrases grammaticalement justes. Ce qui est loin d’être une évidence. La plupart des modèles existants éprouvent les plus grandes difficultés dès que la phrase sort du schéma "sujet-verbe-complément".

Comment fonctionnent en général les bots ?

• Une demande est envoyée par SMS, messagerie instantanée ou email.
• Le robot agrège et analyse la demande.
• Au besoin, un humain peut ensuite prendre le relais pour envoyer une réponse pertinente et personnalisée.

Leur mise en place est tout aussi simple : 

• Pas besoin de code spécifique : tous les éléments requis sont mis à disposition des développeurs sur l’API dédiée
• Vous n’avez qu’à personnaliser le robot en fonction des caractéristiques souhaitées.
• Il est possible par exemple comme avec le Chatbot de Facebook d’intégrer une fenêtre de messagerie directement sur son site Internet.

En plus de supplanter les apps, les chatbots peuvent également s’imposer comme l’outil CRM du futur. Ce n’est pas pour rien que le terme "conversationnel" est utilisé et que les éditeurs l’intègrent directement au sein de leur plateforme CRM.

Voici une liste non exhaustive de solutions destinées à créer facilement des chatbots :

Nom du bot  DescriptifKik Kik propose un Bot Shop et un kit de développement en Python et Node.js disponible sur le site indiqué ci-contre. Skype Microsoft propose un SDK pour intégrer des Bots à Skype en C# ou en Node.js via deux SDKs disponibles surle site indiqué ci-contre. Slack La messagerie d’équipes Slack propose un SDK pour l’interfacer avec des Bots. Slack propose un jeu de Web API et une interface en Python (Slacker) disponible à l’adresse ci-contre. Facebook Messenger Présenté comme le remplaçant naturel de tous les numéros 1-800 aux USA, 08 et autres 118 en France, cette plateforme est documentée sur le site ci-contre. Pandorabots Avec Pandorabots, c’est en langage AIML que des Bots peuvent être créés pour s’interfacer avec Slack, Twilio, Twitter ou avec la plateforme de création d’apps mobiles Firebase. Flow.ai Flow.ai propose de créer des Bots dotés d’une interface pour intégrer par exemple des vidéos ou un mécanisme de paiement en ligne pour s’intégrer à un site Web, une app mobile, Facebook, Slack, ou encore Cortana. Howdi Botkit Le SDK Howdi Botkit simplifie la création de bots pour Slack, Facebook Messenger et Twilio. ChatScript Projet Open source disponible sur SourceForge, ChatScript est à la fois un langage de scripting et une plateforme pour créer des ChatBot. Concurrent d’AIML, ChatScript ne dispose d’aucun service hosté. Chatfuel Chatfuel propose de créer des Bots pour Facebook et Telegram sans nécessiter la moindre ligne de code. Wit.ai Assez similaire à Chatfuel, Wit.ai vous guide dans la création d’un Bot en langage naturel. Api.ia Supportant 14 langues différentes, cette plateforme propose sans avoir à coder de répondre à un ensemble de requêtes définies comme de fournir une interface pour répondre vocalement à une requête. S’intègre à Slack, Kilk et s’interface en C++, Node.js, JavaScript, Python, Ruby, IOS, Android via des API. Init.ai   En cours de développement et compatible avec Twitter, des SMS, Slack, Twilio et Facebook Messenger, Init.ai propose de créer des Bots basés sur des agents conversationnels auto apprenants. Msg.ai Compatible avec les messageries de type Facebook Messenger, Twitter ou WhatsApp, Msg.ai s’interface avec Salesforce Desk, Zendesk, Msg.ai afin de faciliter l’expérience client. IBM Watson Basé sur l’environnement Bluemix, IBM Watson Conversation Service utilise la solution de reconnaissance naturelle du langage d’IBM associé à trois API Watson (True Analyser, Speech to text, Text to speech) ainsi qu’à son mécanisme de machine learning.

⁽¹⁾ Accenture/Fjord - Vanksen
⁽²⁾ A lire sur le sujet : "Deep Learning for chatbots", Denny Britz, WILDML, avril 2016