Étude de cas : e-commerçant automatise 95% des tickets SAV

Deux personnes. 120 tickets par jour. Et jusqu’à 350 pendant le Black Friday.

C’est la situation dans laquelle se trouvait Naturio, une boutique e-commerce spécialisée dans les produits naturels et bio, avant de décider d’automatiser son service client avec l’IA. Résultat : 95 % des demandes traitées sans intervention humaine, délai de réponse réduit de 18 heures à 4 minutes, et un CSAT passé de 3,2 à 3,8 sur 5 en trois mois.

Voici le détail complet de ce qui a été mis en place, et comment vous pourriez répliquer cette approche.

---

Naturio : contexte et enjeux

Naturio est une enseigne e-commerce fondée en 2017, spécialisée dans les compléments alimentaires, cosmétiques naturels et produits bio certifiés. En 2025, la boutique affichait :

• 2,5 millions d’euros de chiffre d’affaires annuel
• 18 000 commandes par an (environ 1 500 par mois, pics à 4 500 en novembre-décembre)
• 2 personnes dédiées au SAV (temps plein), représentant 56 000 € de coût annuel (2 × 28 000 €)
• Une plateforme Shopify, un CRM Airtable, Zendesk pour la gestion des tickets

L’équipe SAV traitait les demandes client de 9h à 18h, du lundi au vendredi. En dehors de ces horaires : silence radio. Et pendant les périodes de fête, le volume explosait.

---

La situation avant l’automatisation

Un volume ingérable aux mauvais moments

En période normale, l’équipe recevait environ 120 tickets par jour. Ce chiffre montait à 350 tickets quotidiens lors des Black Friday, fêtes de fin d’année et soldes. Les deux agents SAV ne pouvaient physiquement pas absorber ce volume.

Conséquence directe : le délai de réponse moyen atteignait 18 heures. En période de pic, certaines demandes restaient sans réponse pendant 48 à 72 heures.

Des avis Google qui s’en ressentaient

Les clients insatisfaits de l’attente n’hésitaient pas à le signaler sur Google. La note de l’enseigne avait glissé de 4,2 à 3,7 étoiles sur douze mois, avec des mentions récurrentes du service client dans les avis négatifs. Pour une boutique dont 40 % du trafic provient du référencement local et des avis, c’était une dégradation préoccupante.

78 % des tickets : du volume, pas de la complexité

En analysant 6 mois d’historique Zendesk, une répartition claire est apparue :

Catégorie de ticket	Part du volume
Où est ma commande ? (suivi)	41%
Je veux retourner mon produit	22%
Produit reçu défectueux / erreur de commande	15%
Question sur un produit (composition, allergènes)	9%
Modification d’adresse, annulation	5%
Réclamations complexes, litiges	5%
Autres (facture, fidélité, partenariat)	3%

78 % des tickets étaient des demandes répétitives, avec des réponses standardisables. Les deux agents SAV passaient leur journée à copier-coller des informations disponibles dans Shopify ou dans la FAQ.

---

L’analyse préalable : identifier ce qui est automatisable

Avant de toucher à la moindre ligne de code ou d’ouvrir N8N, la première étape a été un audit de clustering : regrouper les tickets par intention et évaluer le potentiel d’automatisation de chaque groupe.

Critères utilisés pour qualifier un ticket “automatisable” :

1. La réponse peut être générée à partir d’une source de données structurée (Shopify, politique de retour, FAQ)
2. Il n’y a pas d’enjeu émotionnel fort ni de risque juridique
3. La décision ne requiert pas de jugement subjectif ou de négociation

Résultat : 78 % des tickets passaient ce filtre. Les 22 % restants comprenaient les litiges, les réclamations impliquant un remboursement important, et les situations sensibles (allergie, réaction indésirable à un produit).

---

La solution déployée en 3 phases

Phase 1 — Base RAG : un chatbot qui connaît Naturio sur le bout des doigts (semaines 1-2)

La première brique était une base de connaissances vectorielle alimentée par :

• La FAQ complète de Naturio (120 questions/réponses)
• La politique de retour et d’échange (document PDF de 8 pages)
• Le catalogue produits : descriptions, compositions, contre-indications, certifications
• Les emails types déjà utilisés par l’équipe SAV

Ces documents ont été découpés en chunks, vectorisés et stockés dans une base de données vectorielle. GPT-4 a été configuré avec un prompt système précisant le ton (professionnel, empathique, concis), les limites à ne pas dépasser (ne jamais promettre de remboursement sans vérification), et les cas à escalader vers un agent humain.

Dès la fin de la semaine 2, le chatbot répondait correctement à 100 % des questions produits et à 90 % des questions sur la politique de retour, sans aucun accès à des données en temps réel.

Phase 2 — Suivi de commande : l’agent IA accède à Shopify (semaine 3)

L’étape suivante consistait à donner à l’agent la capacité de consulter des données en temps réel dans Shopify.

Fonctionnement technique :

1. Un ticket arrive dans Zendesk avec le texte “où est ma commande #NR12345”
2. Un webhook Zendesk déclenche un workflow N8N
3. N8N extrait le numéro de commande depuis le message (via GPT-4 en mode extraction)
4. N8N appelle l’API Shopify pour récupérer le statut de la commande, le numéro de tracking et le transporteur
5. GPT-4 génère une réponse personnalisée incluant le statut, le lien de suivi, et une estimation de livraison
6. N8N poste la réponse dans Zendesk et marque le ticket “résolu”

Temps de traitement total : moins de 30 secondes du ticket entrant à la réponse envoyée.

Ce module a immédiatement absorbé 41 % du volume total de tickets.

Phase 3 — Retours automatiques : un agent qui agit, pas seulement qui répond (semaines 4-6)

La phase la plus ambitieuse concernait les demandes de retour, qui représentaient 22 % des tickets. L’enjeu : non seulement répondre, mais exécuter les actions nécessaires.

Workflow déployé :

1. Le client envoie un ticket “je veux retourner la commande #NR12345”
2. L’agent vérifie dans Shopify que la commande est éligible au retour (délai de 30 jours, produit non ouvert selon la déclaration client)
3. Si éligible, N8N génère un label de retour via l’API du transporteur partenaire
4. SendGrid envoie automatiquement un email au client avec le label PDF, les instructions d’emballage et l’adresse de retour
5. Airtable CRM est mis à jour avec le statut “retour initié”
6. Le ticket Zendesk est résolu avec un message de confirmation

Si la commande n’est pas éligible (délai dépassé, produit concerné par une exception), l’agent explique la situation et escalade vers un agent humain avec le contexte complet.

Ce workflow a réduit le temps de traitement d’un retour de 25 minutes à moins de 2 minutes (pour les cas automatisés).

---

Stack technique complète

Zendesk (ticket entrant)
    ↓ webhook
N8N (orchestration)
    ├── GPT-4 (LLM + RAG sur base vectorielle)
    ├── Shopify API (statut commande, éligibilité retour)
    ├── API Transporteur (génération label retour)
    ├── SendGrid (envoi emails transactionnels)
    └── Airtable (CRM — mise à jour statuts)
    ↓
Zendesk (réponse automatique + résolution ticket)

Coût de la stack technique : environ 180 €/mois (tokens GPT-4, N8N Cloud, SendGrid). Marginal comparé aux économies réalisées.

---

Les résultats après 3 mois

Métrique	Avant	Après 3 mois
Tickets résolus automatiquement	0%	95%
Délai de réponse moyen	18h	4 min
CSAT (satisfaction client)	3,2/5	3,8/5
Coût SAV mensuel	4 667€	890€
ROI annuel estimé	—	+45 000€
Avis Google (note moyenne)	3,7/5	4,3/5
Tickets escaladés vers humain	100%	5%

Le CSAT a progressé de +0,6 point malgré (ou grâce à) la suppression de l’intervention humaine sur la majorité des cas. Les clients apprécient la rapidité et la disponibilité 24h/24, 7j/7.

---

Ce qui est resté manuel : les 5% qui comptent

L’automatisation n’est pas synonyme de déshumanisation totale. Cinq catégories de situations ont été délibérément exclues du périmètre automatisé :

1. Les litiges et réclamations complexes : un client qui estime avoir reçu un faux produit, qui menace d’un recours juridique, ou dont la situation implique un remboursement exceptionnel — ces cas exigent un jugement humain et une réponse sur mesure.

2. Les réactions indésirables aux produits : dans le secteur des compléments alimentaires, une réaction allergique ou un effet secondaire inattendu est traité comme une priorité absolue par un humain, pour des raisons légales et éthiques.

3. Les demandes de clients VIP et abonnés premium : Naturio a choisi de préserver une expérience humaine pour ses clients les plus fidèles (programme fidélité gold).

4. Les situations émotionnellement chargées : un client qui indique être malade, en deuil, ou en grande détresse n’est jamais pris en charge par un automate. Le système détecte ces signaux et escalade immédiatement.

5. Les anomalies techniques : si l’agent IA ne trouve pas la commande dans Shopify, si les données sont incohérentes, ou si la confiance de la réponse générée est inférieure à un seuil, le ticket est transmis à un humain avec le contexte complet pré-rempli.

---

L’impact sur l’équipe SAV

Les deux agents SAV de Naturio n’ont pas été licenciés. Ils ont été réaffectés à des missions à bien plus forte valeur ajoutée :

• Développement du programme fidélité : identification des clients à fort potentiel, campagnes de réengagement personnalisées
• Gestion des partenariats revendeurs : suivi des commandes B2B, relations avec les boutiques physiques partenaires
• Veille qualité produit : analyse des retours récurrents sur certains produits pour remonter des signaux aux équipes achat et logistique
• Création de contenu FAQ : enrichissement continu de la base de connaissances de l’agent IA, test de nouveaux scénarios

L’un des agents a suivi une formation sur N8N et participe désormais à la maintenance et à l’amélioration des workflows. Ce type de transition — d’un rôle d’exécution répétitive vers un rôle de supervision et d’amélioration continue — est caractéristique des déploiements IA réussis.

---

Ce qu’on a appris : les lessons learned

1. Le système de fallback est non-négociable

Avant de déployer en production, trois semaines ont été consacrées à définir précisément les conditions d’escalade vers un humain. Sans ces garde-fous, le premier cas mal géré par l’IA aurait pu déclencher un bad buzz.

2. Le monitoring des hallucinations, en continu

GPT-4 peut inventer des numéros de commande, des dates de livraison ou des politiques de retour qui n’existent pas. Un système de validation automatique a été mis en place : toute réponse contenant un chiffre ou une date est vérifiée contre la source de données avant envoi. Les premières semaines, ce filtre interceptait environ 3 % des réponses générées.

3. Le test A/B des prompts fait une vraie différence

Deux versions du prompt système ont été testées en parallèle sur 500 tickets. La version avec une instruction explicite sur le ton (“réponds comme un conseiller bienveillant qui connaît bien les produits naturels, pas comme un robot”) obtenait un CSAT supérieur de 0,3 point. Les mots comptent.

4. Commencer petit, itérer vite

La tentation était de déployer les trois phases en simultané. Le choix a été fait de démarrer avec la seule FAQ (phase 1), d’observer pendant deux semaines, d’ajuster, puis de passer à la phase suivante. Cette approche a permis de détecter des angles morts dans la base de connaissances avant qu’ils ne génèrent de mauvaises réponses à grande échelle.

5. Informer les clients

Une mention “Ce message a été traité par notre assistant IA. Pour contacter un conseiller humain, répondez HUMAIN.” a été ajoutée en pied de chaque réponse automatique. Résultat inattendu : seulement 2 % des clients ont activé ce fallback, et le taux de satisfaction des réponses automatiques était identique à celui des réponses humaines historiques.

---

Ce que ce cas illustre pour votre activité

Naturio n’est pas un cas isolé. Ce profil — e-commerce entre 1 et 10 M€ de CA, volume de tickets significatif, majorité de demandes répétitives — représente des centaines de boutiques en France. Et dans presque tous ces cas, la même analyse s’applique : une large part des tickets peut être automatisée sans dégrader — et souvent en améliorant — l’expérience client.

Les conditions de succès sont toujours les mêmes :

• Un audit préalable des tickets pour quantifier le potentiel réel
• Une définition claire du périmètre automatisable et des cas d’escalade
• Une phase de test avant la mise en production à grande échelle
• Un monitoring continu pour détecter les dérives

Le retour sur investissement est généralement visible dès le troisième mois. Pour Naturio, le projet a été amorti en 4 mois.

---

Vous gérez un service client e-commerce et vous vous reconnaissez dans ce profil ? Découvrez comment nous pouvons analyser votre volume de tickets et construire votre agent SAV sur mesure.

Consultez notre page dédiée à l’automatisation du service client par l’IA ou à la création de chatbot IA pour en savoir plus sur notre approche.