« Une révolution au-delà d’Internet » : la vision ambitieuse de Tom Eggemeier, CEO de Zendesk, sur l’avenir de l’IA

Le 6 juin 1944, le grand-père maternel de Tom Eggemeier se trouvait en France avec le génie de l’armée américaine, un détail biographique que le CEO de Zendesk relie aujourd’hui à une histoire plus large de service et de relation. À ses yeux, l’ère qui s’ouvre avec l’intelligence artificielle dépasse ce qu’a produit Internet en profondeur et en vitesse d’adoption. La formule, reprise dans ses prises de parole récentes, n’est pas un simple effet d’annonce : elle sert de cadre stratégique à une refonte appelée Autonomous Service Workforce, centrée sur des agents capables d’exécuter des tâches, de conserver du contexte et d’orchestrer des flux entre canaux.

Dans cette lecture, la technologie n’est plus l’obstacle principal. La différenciation se déplace vers la qualité des données, l’architecture de gouvernance, les processus et la capacité à faire travailler ensemble des équipes humaines et des systèmes autonomes. Eggemeier insiste aussi sur le facteur culturel : plus de la moitié de l’activité de Zendesk se fait hors Amérique du Nord, et l’Europe pèse dans la manière d’aborder langue, conformité et avenir de la relation client. Au centre, une promesse opérationnelle : réduire la friction sur la majorité des demandes, pour rendre possible un service continu, et redonner du temps aux agents humains là où l’empathie et le jugement comptent.

« Une révolution au-delà d’Internet » : ce que Zendesk et Tom Eggemeier veulent changer dans le service client

La thèse de Tom Eggemeier s’organise autour d’une idée simple : la prochaine vague d’innovation ne se limite pas à “ajouter un chatbot” à un centre de contact, elle recompose la chaîne complète de résolution. Le vocabulaire est important. En parlant d’Autonomous Service Workforce, Zendesk décrit une équipe hybride faite d’agents IA spécialisés et d’experts humains, opérant dans un même système de travail. Dans ce cadre, l’agent n’est pas seulement une interface conversationnelle : il planifie, exécute, vérifie, puis consigne les actions dans la connaissance interne.

Cette vision s’appuie sur une hypothèse d’usage : une grande part des demandes adressées au support relève de tâches répétitives à forte friction et à faible valeur relationnelle. Une livraison à la mauvaise adresse, un changement de réservation, un mot de passe à réinitialiser, une facture à corriger, un statut de dossier à retrouver. L’objectif affiché consiste à automatiser ces parcours de bout en bout, avec des agents capables de naviguer entre canaux (messagerie, email, voix, réseaux sociaux) et de maintenir le contexte. Le point n’est pas d’impressionner avec une réponse “humaine”, mais d’atteindre un résultat vérifiable, avec une trace d’audit et des garde-fous.

Le récit personnel d’Eggemeier, souvent mobilisé, éclaire le choix du service comme terrain de transformation. L’épicerie de ses grands-parents à Covington (Kentucky) fonctionne comme une métaphore opératoire : un commerce pas nécessairement le moins cher, mais différencié par la connaissance des clients, l’anticipation et la qualité de l’échange. Transposé au numérique, cela revient à faire converger historique, préférences, règles métier et politiques de confidentialité pour agir vite, sans perdre la cohérence de la relation. Dans une logique de révolution industrielle du service, l’agent IA devient une mémoire active, à condition que l’entreprise sache l’alimenter et le gouverner.

La dimension “au-delà d’Internet” se comprend aussi par la vitesse. Internet a ouvert des canaux, puis les organisations ont empilé des outils : CRM, ticketing, analytics, bots, bases de connaissances, supervision. L’agentification tente l’opération inverse : réunir ces briques dans une couche d’exécution. Cette stratégie réclame une plateforme qui agrège données, intelligence, connaissances et workflows avec une gouvernance explicite. Sans cela, l’autonomie devient un risque de dérive : réponses incohérentes, actions sur les mauvais systèmes, exposition de données sensibles.

Un exemple concret illustre cette transformation : un client B2C écrit sur un réseau social après un problème de livraison, puis relance par email, puis appelle le support. Dans un modèle traditionnel, chaque canal crée une duplication. Dans un modèle agentique, la continuité de contexte devient un objectif fonctionnel : même identité, même historique, mêmes actions déjà tentées, même résultat attendu, quel que soit le point d’entrée. Cette continuité se construit moins par magie linguistique que par une architecture : identification, règles d’accès, journalisation des actions, et base de connaissance maintenue.

De l’agent conversationnel à l’agent opérationnel : une bascule de responsabilité

La différence entre un assistant qui “répond” et un agent qui “résout” se mesure à la capacité d’action. Un agent opérationnel doit déclencher un remboursement, reprogrammer une livraison, modifier un contrat, ouvrir une enquête logistique, ou escalader vers un expert avec un dossier complet. Cela suppose des intégrations profondes avec des systèmes internes, des autorisations finement définies, et une capacité à gérer les erreurs. Le service client devient alors une discipline d’orchestration logicielle.

Dans cet environnement, la gouvernance prend un poids particulier. La conformité au RGPD impose par exemple de limiter les accès, de tracer les traitements, et de justifier la conservation. Les organisations européennes, confrontées à ces exigences depuis des années, disposent d’une culture du contrôle et du “need to know” qui peut favoriser une adoption plus structurée. Le sujet rejoint les débats sur la donnée : qualité, droit d’usage, et responsabilités. Sur ces enjeux, un détour par les DMP et l’exploitation des données dans les médias et le transport aide à comprendre pourquoi la disponibilité de la donnée ne suffit pas, et pourquoi la gouvernance conditionne la valeur.

Ce basculement de responsabilité change aussi l’évaluation d’un projet IA. Une démo réussie en conversation ne garantit pas une exécution fiable sur des centaines de scénarios, ni une robustesse face aux cas limites. L’agentification impose des critères d’ingénierie : temps de résolution, taux d’erreurs, mécanismes de fallback, coûts par interaction, et capacité à apprendre d’un incident sans reproduire le problème à grande échelle.

Autonomous Service Workforce : plateforme, données et gouvernance pour industrialiser l’intelligence artificielle

Zendesk met en scène l’Autonomous Service Workforce comme une refonte de pile, pas comme une fonctionnalité. Le point technique central tient dans l’alignement de cinq composants : données clients, connaissance, modèles, workflows et gouvernance. Sur le papier, cette combinaison vise à réduire l’écart entre “promesse” et “production”. Dans la pratique, c’est souvent l’endroit où les projets se cassent : données dispersées, connaissances obsolètes, règles métier tacites, et processus non documentés.

Un élément factuel ressort des communications autour de Zendesk : les agents seraient entraînés sur 20 milliards d’interactions. La valeur de ce chiffre dépend de la manière dont ces interactions sont sélectionnées, anonymisées, catégorisées et utilisées. Dans le service client, la volumétrie brute compte moins que la couverture : diversité des langues, des canaux, des types de demandes, et des contextes sectoriels. Une base massive peut améliorer la compréhension statistique des formulations, mais ne remplace pas les politiques spécifiques d’une entreprise (conditions de remboursement, contraintes réglementaires, règles de sécurité interne).

Le nerf de la guerre devient alors la “résolution” comme objet métier. Résoudre, c’est exécuter des étapes contrôlées : reconnaître le cas, vérifier l’identité, appliquer une règle, prendre une action, puis consigner. Cette logique rapproche l’agentique du BPM (Business Process Management) et de l’automatisation des flux, avec un ajout majeur : une couche de compréhension et de génération qui accélère la configuration et l’adaptation. Une entreprise qui déploie ce type de système doit donc travailler autant ses processus que ses prompts.

Un autre point saillant est la promesse de continuité de contexte “sur tous les canaux”. Ici, la difficulté n’est pas seulement technique. Elle est organisationnelle : définir une identité client unique, gérer les doublons, harmoniser les taxonomies de motifs de contact, et éviter que chaque équipe ajoute ses champs et ses statuts. Le centre de contact devient un système de vérité opérationnel, et pas seulement une boîte de réception.

Dans ce cadre, la collaboration entre équipes change. Les designers doivent rendre lisibles des parcours où l’agent IA agit, où l’humain reprend la main, et où le client garde une visibilité sur l’état du dossier. Les développeurs, eux, doivent encadrer l’autonomie avec des permissions et des journaux d’événements. Le sujet recoupe la transformation des métiers : la collaboration entre designers et développeurs à l’ère de l’IA décrit bien cette convergence, particulièrement quand l’interface devient une surface de contrôle et non un simple écran d’affichage.

Le vrai coût se cache dans le “run” : dette technique, tests, maintenance

L’un des retours d’expérience mis en avant par Eggemeier vient d’un exercice concret : développer une application en quelques mois, avec un premier mois centré sur les fonctionnalités et un second rattrapé par l’architecture, la sécurité, les bugs et la base de données. Le constat opérationnel est classique dans le logiciel, mais l’IA le rend plus visible : sortir un prototype devient rapide, maintenir un système fiable devient le travail principal. En service client, la maintenance inclut aussi la mise à jour des connaissances, la surveillance des dérives, et l’adaptation à des politiques commerciales qui changent.

Ce constat influence l’approche produit : automatiser le flux complet, depuis la collecte des demandes jusqu’au test et à la relecture, plutôt que de se focaliser sur la génération de code. Les outils de code assisté comme Codex (OpenAI) ou Claude Code (Anthropic) accélèrent l’exécution, mais ils n’éliminent pas la nécessité d’un contrôle. Un PRD généré par IA peut être utile, mais il doit être confronté à des contraintes réelles : sécurité, performances, conformité, et compatibilité avec l’existant.

Une manière pragmatique d’encadrer l’agentique consiste à définir des niveaux d’autonomie. Par exemple : lecture seule sur certains systèmes, actions limitées sur d’autres, et escalade automatique au-delà d’un seuil de risque (montant financier, données sensibles, client VIP, signalement légal). Ces règles, lorsqu’elles sont explicites, réduisent les incidents et rendent l’IA déployable à grande échelle.

Emploi, compétences et organisation : ce que l’IA change vraiment dans le travail du service client

La discussion sur l’emploi se polarise souvent entre deux récits : suppression massive de postes ou création nette d’opportunités. Le débat gagne à être ramené à des mécanismes concrets. D’un côté, l’automatisation de tâches répétitives diminue le volume de travail humain sur les demandes simples. De l’autre, la disponibilité 24/7, la baisse de friction et la multiplication des canaux augmentent la demande, ce qui peut compenser une partie de la substitution. Eggemeier avance que le marché compte 16 millions d’emplois de service client “stables” et observe une hausse d’environ 3 % dans ses données internes, une affirmation qui s’inscrit en opposition au climat d’inquiétude.

Pour cadrer ce contraste, une donnée externe est souvent citée dans le débat : le Forum économique mondial indique, dans son rapport déjà mentionné, un niveau élevé d’intentions de réduction d’effectifs chez les employeurs interrogés. L’écart entre intention et réalisation dépend largement des secteurs, des pays, et de la maturité des processus. Dans le service client, une part des gains d’automatisation se transforme en nouveaux points de contact : davantage de suivi, plus de personnalisation, davantage de demandes initiées par les clients parce que “c’est facile”. Cette mécanique est observable sur les services numériques où un support multilingue accessible depuis une app fait augmenter le volume de tickets, même si la satisfaction progresse.

Sur le plan des compétences, la transformation la plus nette concerne la montée de rôles hybrides. Eggemeier cite le forward deployed engineering : des profils capables de faire le lien entre équipes produit, modèles IA, contraintes IT et objectifs métier. Dans une entreprise, ce rôle peut se matérialiser sous des intitulés variés : “AI ops”, “process owner”, “knowledge manager”, “service designer”, “automation lead”. Le point commun est la capacité à traduire un besoin client en workflow testable, puis à mesurer l’impact.

Le quotidien des agents humains change aussi. Quand l’IA prend en charge les demandes simples, les cas escaladés sont plus complexes, plus émotionnels ou plus risqués. Cela impose une formation différente : gestion de situations sensibles, arbitrage, conformité, et capacité à contrôler le travail de l’agent IA. La relation entre humain et agent devient un duo de production : l’agent prépare, l’humain décide et assume les cas limites. Cela augmente l’exigence, et cela peut rendre le métier plus intéressant pour certains profils, plus fatigant pour d’autres si l’organisation ne rééquilibre pas la charge.

Une liste de nouveaux chantiers concrets pour les directions support et IT

Pour éviter une adoption superficielle, plusieurs chantiers reviennent dans les déploiements agentiques observés dans le secteur. La liste suivante regroupe des actions concrètes, chacune associée à un livrable mesurable.

• Cartographier les motifs de contact : produire une taxonomie stable, reliée à des taux de résolution et à des volumes par canal.
• Définir des niveaux d’autonomie : documenter ce que l’agent IA peut faire en lecture, en écriture, et à partir de quels seuils il doit escalader.
• Mettre à niveau la base de connaissances : versionner les articles, mesurer l’obsolescence, et imposer un cycle de revue mensuel ou trimestriel.
• Instrumenter la qualité : suivre le temps de résolution, le taux de réouverture, et un échantillonnage de conversations auditées par des superviseurs.
• Gérer la conformité et la sécurité : tracer les actions, limiter les accès, et documenter la rétention des données personnelles.
• Organiser la montée en compétence : créer des modules de formation centrés sur la supervision d’agents, la gestion des cas sensibles et la rédaction de règles métier.

Ces chantiers clarifient le débat sur l’emploi : la question n’est pas seulement le nombre de postes, mais la façon dont le travail se recompose entre conception des processus, supervision, et relation humaine sur les cas à forte valeur. L’organisation qui investit dans ces fondations augmente ses chances de déployer l’IA sans dégrader l’expérience client.

La discussion sur l’IA et le travail rejoint aussi des usages transverses de productivité : synthèse, rédaction, tri, préparation de réponses, contrôle. Le mouvement est visible bien au-delà du support, comme le montre une sélection d’outils IA orientés productivité, utile pour comprendre pourquoi la demande de “service” augmente quand les clients et les employés s’habituent à des réponses rapides.

Europe, confidentialité et agents personnels : l’arbitrage données-vie privée au cœur de l’avenir

Une partie de la vision de Tom Eggemeier s’appuie sur la mondialisation du service client. Il rappelle que plus de 50 % de l’activité de Zendesk se fait hors Amérique du Nord, et que trois des quatre grands centres IA de l’entreprise sont en Europe : Cracovie, Berlin et Lisbonne, avec un quatrième à San Francisco. Cette répartition influence les priorités, notamment sur la gestion des langues, les attentes culturelles en matière de support, et l’importance des cadres réglementaires comme le RGPD.

L’agentification amplifie un arbitrage déjà présent depuis l’ère des plateformes : plus un service est personnalisé, plus il consomme des informations. Eggemeier anticipe une montée en puissance d’agents personnels côté consommateurs, capables d’interagir avec les agents des marques. Dans ce scénario, une réservation de train, une gestion d’email ou une réclamation deviennent des dialogues entre systèmes, chacun opérant au nom d’un individu ou d’une entreprise. Le bénéfice est l’efficacité. Le coût potentiel, c’est la quantité de données partagée pour que l’agent “connaisse” préférences et contraintes.

Cette tension s’accroît quand les agents traversent plusieurs services : transport, e-commerce, banque, santé. Le support doit alors prouver qu’il sait limiter l’accès, éviter la sur-collecte, et protéger les données. Cela implique des mécanismes clairs : consentement, minimisation, journalisation, chiffrement, et politiques de conservation. Une adoption “rapide” sans ces garde-fous crée un risque réputationnel, surtout dans des marchés où la confiance est difficile à gagner.

Le débat européen est aussi industriel. Eggemeier cite l’importance d’acteurs de modèles sur le continent, comme Mistral et ElevenLabs, en complément de fournisseurs américains tels qu’OpenAI ou Anthropic. L’enjeu n’est pas seulement la performance des modèles, mais la capacité à choisir des fournisseurs selon les contraintes : lieu de traitement, options de déploiement, clauses contractuelles, et garanties de sécurité. Pour une organisation, l’architecture la plus réaliste combine souvent plusieurs briques : un modèle généraliste, des modèles spécialisés, et une couche de règles métier qui borne les actions.

Dans l’avenir décrit, l’entreprise doit aussi s’intéresser à la diffusion des agents côté utilisateur final. Les canaux de distribution comptent : messageries, suites collaboratives, OS mobiles, réseaux sociaux. Une évolution observable est l’intégration d’agents dans des outils de travail existants. Un exemple de ce mouvement est décrit dans l’intégration de Claude avec des usages autour de Slack, qui montre comment l’agent peut quitter la démo pour s’installer dans le flux quotidien.

Agent à agent : efficacité, conformité, et expérience vécue

Le passage à des interactions agent-à-agent modifie la notion d’expérience client. Une partie de l’expérience devient invisible : négociation de créneaux, récupération de justificatifs, vérification de statuts. L’utilisateur ne voit que la résolution et l’état d’avancement. Cette invisibilité crée une exigence de transparence : un historique compréhensible, une capacité à contester, et un moyen de reprendre la main. Dans le support, cela se traduit par des interfaces qui expliquent “ce qui a été fait”, et pas seulement “ce qui est dit”.

La cohérence multi-canal devient alors un indicateur de maturité. Un agent qui promet un remboursement sur un canal doit déclencher l’action sur le système financier, et le client doit le constater sur son compte. En cas d’échec, le système doit notifier, replanifier, ou escalader. Les organisations qui réussissent ce passage sont celles qui traitent l’IA comme une couche d’exécution contrôlée, et pas comme une couche de communication.