Chez Lato Bicycles, l'innovation et l'efficacité sont en perpétuelle évolution. Comme beaucoup d'autres, Mendix clients, Lato utilise Mendix La gestion de portefeuille leur permet de suivre leurs initiatives. Cette vue d'ensemble stratégique leur a permis d'identifier les domaines propices à l'innovation et aux gains d'efficacité, et d'en assurer le suivi jusqu'au déploiement et à l'exploitation courante. Lors d'une récente revue de portefeuille, l'équipe dirigeante a constaté un goulot d'étranglement dans leur processus de service client : le tri initial des demandes de retour.

Chaque demande arrivait sous forme de texte non structuré via un formulaire web, obligeant les agents du service client à la lire, la catégoriser et déterminer manuellement les prochaines étapes. Ce processus était répétitif, chronophage et entraînait parfois des retards dans la résolution.

En utilisant MendixLato s'est donc attelé à la conception de son premier agent IA : un Assistant de demande de retour qui pourrait analyser les demandes entrantes, résumer les informations clés et préparer automatiquement les plans de réparation.

(Pour plus de contexte sur le est ce que nous faisons et why (Pour en savoir plus sur la création d'agents d'IA, consultez notre article complémentaire ci-dessous.)

Définir des résultats mesurables

Avant le début du développement, Lato a défini ce que signifiait le succès pour le projet. Leurs objectifs étaient clairs :

• Réduisez de 40 % le temps de triage manuel.
• Atteindre une précision de 95 % dans la catégorisation des demandes de retour.
• Réduire le délai de traitement des réclamations de 14 jours à 3 jours.

Ces indicateurs clés de performance (KPI) ont été suivis directement dans Mendix Gestion de portefeuille, garantissant que le projet reste aligné sur des résultats commerciaux tangibles.

Choisir le bon déclencheur

Étant donné que les demandes de retour arrivent de manière sporadique, l'équipe a opté pour un agent événementiel qui s'active chaque fois qu'une nouvelle demande est soumise via le portail de demandes de retour.

Le portail était déjà intégré à des systèmes clés tels que la gestion des commandes clients et l'inventaire des produits, ce qui en faisait un point d'entrée idéal pour l'agent. Comme l'agent ne fonctionnerait pas de manière totalement autonome, les interactions des utilisateurs avec lui devaient passer par un système externe. tâches utilisateur que l'agent génère, avec une observabilité prête à l'emploi pour les administrateurs système.

En intégrant l'automatisation là où les employés travaillaient déjà, Lato a minimisé les perturbations et accéléré l'adoption.

Sélection du modèle

Lato a choisi Claude 3.5 pour alimenter l'agent. Cela a permis :

• Solides compétences en utilisation d'outils
• Équilibre entre performances et coûts
• Achats et suivi simplifiés

Bien que des modèles plus avancés fussent disponibles, les besoins fondamentaux de Lato (utilisation d'outils, synthèse et aide à la décision) étaient pleinement satisfaits par Claude 3.5. De plus, en tirant parti de MendixPacks de ressources IA Cloud GenLato a pu rationaliser l'ensemble du processus. Les packs de ressources :

• Simplifié l'achat et l'approvisionnement du modèle.
• Nous avons fourni à leur équipe de développement une méthode d'intégration simple et peu contraignante.
• Un système de suivi de l'utilisation intégré leur permettait d'avoir une vision claire de leur consommation de données et de leurs coûts dès le départ.
• Étaient couverts par l'accord de traitement des données existant de Lato avec Mendix.

Note sur le réglage fin et la personnalisation : Bien que les modèles linéaires de base soient performants, leur adaptation aux données spécifiques du domaine d'activité d'une organisation (par exemple, les descriptions de produits de Lato, les problèmes de garantie courants) peut considérablement améliorer leur précision et leur pertinence pour des tâches spécialisées. Cette technique avancée est à envisager une fois l'agent initial stabilisé et ses lacunes de performance clairement identifiées. Elle requiert des ressources de préparation des données et de calcul dédiées.

Élaboration des invites

Une fois le modèle sous-jacent défini, l'étape cruciale suivante était ingénierie rapide: structurer les données et les instructions dans l'invite de l'agent afin de susciter le comportement souhaité.

Les agents fonctionnent généralement à l'aide de deux principaux types d'invites : invite du système et la invite utilisateurL'invite système est un ensemble d'instructions fournies par le développeur pour définir le rôle de l'agent, son objectif global, ses contraintes et son comportement. Les invites système contiennent les instructions essentielles qui définissent le cadre de l'interaction.

Pour l'agent de demande de retour de Lato, le invite du système Cela pourrait ressembler à ceci :

Rôle : Vous êtes un assistant IA pour un conseiller clientèle chez un fabricant de vélos électriques. Votre mission consiste à organiser les problèmes de réparation des clients en un plan d’action clair et concret pour le conseiller clientèle.

Tâche principale : Votre tâche consiste à recevoir la description du problème d’un client, à identifier les détails essentiels à la réparation, à rechercher des informations utiles dans les différents systèmes de Lato et à les transmettre au conseiller clientèle. Vous devrez tenir compte de l’historique des commandes du client, de la valeur de la pièce et du coût de la réparation lors de l’élaboration de votre plan d’intervention.

Résultat final : Votre réponse doit être un résumé structuré utilisant le format suivant.

Résumé de la demande de réparation
Client : [Nom complet du client et nom de l'entreprise]
Pièce : [Nom et numéro de série (le cas échéant)]
Problème : [Description détaillée du problème]
Prochaines étapes : [Un plan d’action clair et simple pour la RSE]

L'invite utilisateur correspond à l'entrée directe de l'utilisateur ou du système qui déclenche l'action de l'agent. Cette invite utilisateur initiale lance la tâche de l'agent.

Pour l'agent de demande de retour de Lato, l'initial invite utilisateur Cela pourrait ressembler à ceci :

From: {{Email Address of requester}}
InputContent: {{Request content}}

Constituer la boîte à outils de l'agent

Un agent performant a besoin d'outils. Ces outils sont des fonctions spécialisées, comme les microflux dans un Mendix L'agent dispose d'une application lui permettant d'effectuer des actions spécifiques. Il a accès à une liste d'outils, chacun étant clairement identifié par un nom et une description. Face à une tâche donnée, son rôle consiste à coordonner l'utilisation de ces outils pour atteindre le résultat souhaité.

Lato a débuté avec une fonctionnalité essentielle : la récupération des données client via un appel REST basé sur l’adresse e-mail du client. Mendix Agent Builder, ils :

1. J'ai créé un microflux pour récupérer les données.

2. Ajouté en tant qu'outil avec un nom et une description clairs.

3. J'ai testé l'appel à l'aide d'un cas de test intégré.

Au départ, l'agent Lato en charge des demandes de retour se contentait de collecter les données nécessaires et laissait le soin au représentant du service client d'effectuer les actions nécessaires.

Cette approche par étapes a permis de résoudre une partie spécifique du problème sans la complexité d'un système multi-agents complet.

À mesure que les utilisateurs ont commencé à dépendre de l'agent, de nouveaux défis sont apparus.

Itérer vers l'amélioration

Le développement d'agents est un processus itératif, et non une opération ponctuelle. Il est essentiel de commencer par un modèle de base, de l'évaluer au regard des indicateurs clés de performance définis, puis de tester rigoureusement l'agent dans un large éventail de scénarios.

Lors de la mise en service de l'agent, les utilisateurs ont constaté qu'il échouait fréquemment à localiser les pièces. Les recherches de l'agent étaient entravées par des fautes d'orthographe dans les requêtes entrantes et par des problèmes de qualité des données dans les systèmes de gestion des stocks et des commandes clients.

Pour remédier à ce problème, un nouvel outil a été mis en place permettant à l'agent de rechercher des pièces par leur numéro de série. Ceci offre une solution de rechange fiable pour trouver des pièces lorsque la recherche par nom échoue.

L'équipe a ensuite utilisé les capacités de test dans Agent Commons L'objectif était d'évaluer les modifications apportées en les comparant à des cas de test spécifiques, ce qui a permis de constater l'amélioration. L'agent, plus performant, a été déployé en tant que nouvelle version et son fonctionnement a été surveillé afin de garantir son succès continu et d'identifier d'éventuelles améliorations.

Cependant, les agents fonctionnent selon le principe « tout ce qui n'est pas précisé sera interprété ». Cela signifie que toute ambiguïté dans la définition d'une consigne ou d'un outil sera résolue par les connaissances inhérentes de l'agent, ce qui peut engendrer des résultats imprévisibles et indésirables. Il est donc crucial de définir précisément les objectifs, les contraintes et l'ordre des opérations de l'agent.

L'agent de Lato Return Request centralisait efficacement les informations, mais pour automatiser davantage le processus, Lato souhaitait qu'il génère un e-mail que le conseiller clientèle pourrait relire et envoyer en un seul clic. Un nouvel outil a donc été mis en place pour rédiger cet e-mail et lancer un flux de travail.

Ils ont mis à jour l'invite système pour inclure :

Si une réponse au client est nécessaire, rédigez un courriel.

Ce système était sujet à erreurs ; il arrivait que l’agent n’utilise pas l’outil et se contente de rédiger un courriel dans sa réponse, et le système décidait de manière incohérente quand un courriel devait être rédigé.

Lato a donc affiné sa proposition :

Pour les clients inconnus : utilisez la fonction EmailDraft_Create. L’objet doit être « Suite à votre récente demande » et le corps du message doit inclure un appel à l’action clair : « Veuillez nous contacter au 0800 444 5555 afin que nous puissions vous aider. »

Pour les clients connus ayant une pièce non identifiée : utilisez la fonction EmailDraft_Create. L’objet doit être « Informations nécessaires pour votre demande » et le corps du message doit inviter l’utilisateur à fournir plus de détails, comme une référence ou une photo. Une bonne formulation serait :

« Nous avons bien reçu votre demande. Afin de nous aider à identifier la pièce adéquate, pourriez-vous nous fournir une référence ou une photo ? »

Pour les clients connus disposant d'une pièce référencée : ne rédigez pas d'e-mail. Fournissez uniquement le plan, conformément aux instructions reçues.

La précision de l'invite a rendu l'agent beaucoup plus fiable. La nouvelle invite précisait les outils à appeler et les scénarios dans lesquels ils devaient être déclenchés, garantissant ainsi que l'agent fonctionnait comme prévu.

Garder un humain dans le circuit

L'intervention humaine est indispensable pour toute décision aux conséquences importantes. Si les systèmes automatisés excellent dans les tâches routinières, ils manquent d'intuition et de discernement éthique pour les décisions cruciales.

Lato a conçu son système de manière à ce que toutes les communications avec les clients et les interventions de réparation nécessitent une approbation manuelle.

• Brouillon d'email L'outil prépare les réponses mais ne les envoie pas.
• RepairBookIn_Initiate L'outil déclenche un flux de travail qui est acheminé vers un CSR pour validation.

Cette revue manuelle constitue une protection essentielle contre les actions coûteuses ou irréversibles…

…et garantit que l’automatisation ne se substitue jamais au jugement humain dans les décisions à forts enjeux.

Gérer le contexte et adapter intelligemment la taille

La fenêtre de contexte d'un agent correspond à sa mémoire à court terme et possède une capacité limitée. Un excès d'informations peut entraîner une surcharge cognitive, l'agent peinant alors à se concentrer sur les détails les plus importants. Une gestion efficace du contexte est donc essentielle.

Pour éviter que l'agent ne soit surchargé de données non pertinentes, Lato a mis en œuvre des stratégies de gestion du contexte :

• Récupération minimale d'outils : Les outils sont conçus pour extraire uniquement des données spécifiques (et non des ensembles de données complets). Dans ce cas précis, Lato s'est assuré que les outils acceptaient soit le nom de la pièce, soit son numéro de série, afin de garantir une réponse ciblée.
• Données persistantes nécessaires en dehors du contexte : Lato a constaté qu'ils souhaitaient des rapports précis sur les messages entrants. Ils ne disposaient que du raisonnement de l'agent, présenté sous une forme non structurée. Ils ont ajouté Stocker en mémoire pour conserver de manière permanente l'évaluation de l'agent.

• Génération augmentée par récupération (CHIFFON) récupère uniquement le contenu le plus pertinent du manuel de réparation.

Lato a constaté que les évaluations de réparation proposées par l'agent ne correspondaient pas aux directives de réparation de Lato. L'entreprise a donc décidé d'ajouter l'accès à une base de connaissances de manuels de réparation. Mendix Packs de ressources cloud. Cela a permis à l'agent d'effectuer une recherche de similarité sur le contenu et de récupérer les données pertinentes spécifiques à Lato dans leur contexte.

À mesure que leur système évoluait, Lato a commencé à répartir les tâches entre des agents plus petits afin de maintenir son efficacité. L'agent unique de requête de retour Lato a été décomposé en :

• Agent d'évaluation des produits : Sa seule tâche est d'analyser les informations sur les produits, de vérifier les dates de garantie et de déterminer l'éligibilité.
• Agent de recherche client : Cet agent est spécialisé dans l'accès à l'historique client, aux dossiers d'achat et aux journaux de communication.
• Agent de planification : Un agent dédié chargé d'utiliser le calendrier et les outils de communication pour planifier les suivis auprès du client ou des équipes internes.

Des agents plus petits peuvent ensuite être connectés via un agent d'orchestration, par programmation, à l'aide d'un microflux ou d'un flux de travail personnalisé.

Résultats et prochaines étapes

L'agent de demande de retour de Lato a transformé un processus manuel lent en un flux de travail rapide assisté par l'IA, réduisant ainsi le temps de triage, améliorant la précision et libérant les agents humains pour les cas complexes.

Leur parcours démontre qu'avec des objectifs clairs, une conception soignée des consignes et Mendixoutils d'IA à faible codeLes organisations peuvent ainsi passer de l'expérimentation à un impact commercial significatif, un agent à la fois.