IA dans le SAV : pourquoi 3 services sur 4 n'en voient pas le ROI

Les dépenses IA des services clients ont augmenté de 38 % en 2026, alors que leur budget global n’a progressé que de 2 %, selon Gartner. Pourtant, seuls 24 % des responsables Service & Support interrogés par Gartner déclarent démontrer un retour financier positif sur leurs cas d’usage IA.

Dans l’après-vente et les services terrain industriels, McKinsey observe également de nombreux projets prometteurs, mais encore peu d’entreprises capables de transformer ces résultats en impact mesurable sur leur P&L.

Alors où la valeur se perd-elle ?

Partir du problème, pas de l’IA

91 % des responsables Service & Support déclarent subir une pression de leur direction pour implémenter de l’IA, selon Gartner.

Cette pression peut facilement inverser le raisonnement : choisir un chatbot, un assistant ou un agent IA, pour ensuite lui trouver une utilité.

Il faudrait plutôt commencer par les problèmes du SAV :

• Quelles sont les frictions que rencontre le client dans son expérience avec votre service ?
• Où les techniciens perdent-ils du temps ? Pourquoi ?
• Quelle est la proportion de demandes répétitives ?
• Quels déplacements pourraient être évités ?
• Quel est le temps moyen d’un diagnostic ? Pourquoi ?

La facilité actuelle à prototyper une interface logicielle renforce ce biais : une première démonstration convaincante peut être obtenue très vite, sans que les enjeux d’intégration, de données et de mesure aient été traités.

BCG observe justement que les pionniers dans l’adoption obtiennent souvent des gains ponctuels de productivité sans atteindre le ROI attendu, notamment parce que leurs premiers cas d’usage ne vont pas assez loin, ou que le passage à l’échelle est un échec.

L’IA doit connaître votre SAV, et être cadrée

Une IA générique peut expliquer un code erreur à partir d’un manuel.

Mais pour aider réellement un technicien ou un client, elle devrait aussi savoir que ce défaut a déjà été rencontré sur cette gamme de machines, quelles solutions ont fonctionné, quelles pièces ont été remplacées et ce qui a déjà été tenté sur cet équipement précis.

Or ces informations sont rarement au même endroit.

Elles sont dispersées entre documentation technique, CRM, ERP, tickets, rapports d’intervention, historiques machines, WhatsApp, emails et connaissances des techniciens.

McKinsey identifie précisément cette fragmentation des données et les systèmes historiques comme deux des principaux obstacles au passage à l’échelle de l’IA dans le service après-vente et les services terrain.

Le choix du modèle d’IA n’est donc qu’une petite partie du projet. La valeur dépend surtout du contexte métier auquel l’IA peut accéder, et de l’infrastructure cadre (harnais) :

• Comment retrouve-t-elle la bonne information parmi des milliers de documents ?
• Comment sait-elle la bonne question à poser au bon moment pour votre contexte métier ?
• Comment réagit-elle selon vos personas (un distributeur a des besoins différents d’un client final) ?
• Comment s’assurer qu’elle répond sur la base de vos connaissances, pas sur les connaissances générales de son modèle ?

C’est ce cadre qui décide si l’IA s’appuie sur votre SAV, ou si elle répond à côté.

Un gain de productivité n’est pas un ROI

Supposons qu’un assistant fasse gagner 20 minutes à un technicien chaque jour.

Le gain est réel. Mais si rien ne change derrière, le coût du SAV reste pratiquement identique.

Pour créer de la valeur, ces 20 minutes doivent se traduire en quelque chose de concret :

• Meilleur diagnostic à distance : moins de déplacements, donc un coût d’intervention réduit.
• Temps de recherche réduit : plus de demandes traitées, donc de la capacité supplémentaire sans recrutement.
• Intervention documentée automatiquement : une connaissance réutilisable, donc des résolutions plus rapides la fois suivante.

C’est pourquoi ajouter un Copilot, un ChatGPT ou un Claude à une étape existante ne suffit pas toujours.

BCG recommande de dépasser les simples gains de productivité pour repenser les processus et workflows autour de l’IA. Gartner fait le même constat côté parcours client : plutôt que d’ajouter des chatbots isolés, les entreprises doivent construire des parcours dans lesquels l’IA aide réellement à résoudre le problème de bout en bout.

Dans un SAV, faire rédiger un compte rendu cinq minutes plus vite est utile. Faire en sorte que l’intervention alimente automatiquement l’historique de l’équipement et devienne exploitable lors de la prochaine panne crée une boucle beaucoup plus intéressante :

Chaque résolution accélère la suivante.

De l’IA qui fonctionne à l’IA qui rapporte

Les chiffres Gartner révèlent moins une limite de l’IA dans le SAV qu’une confusion entre trois niveaux de maturité :

• Une IA qui fonctionne : elle sait réaliser la tâche.
• Une IA utile : elle dispose du bon contexte et améliore réellement le travail du SAV.
• Une IA rentable : ce gain opérationnel se transforme en réduction de coûts, capacité supplémentaire ou revenu.

C’est généralement entre ces trois étapes que le ROI se perd.

Avant de lancer un nouveau projet IA, la première question n’est donc pas « quel outil d’IA implémenter ? », mais « quel problème voulons-nous résoudre, pour quel objectif business ? »