IA et service client d’ici 2030

Le service client figure parmi les exemples les plus nets d’une IA qui transforme une partie d’un métier, et pas seulement ses outils. Un client peut obtenir une réponse instantanée à une question simple sur sa commande, tandis qu’un conseiller humain prend en charge le cas complexe qui suit. En coulisses, l’IA peut retrouver des articles du centre d’aide, résumer des conversations, traduire des réponses et rédiger des tickets. Mais un langage fluide n’équivaut pas à une solution correcte.

La question essentielle n’est pas « L’IA va-t-elle supprimer les conseillers du service client ? », mais « Quelles demandes l’IA doit-elle résoudre, lesquelles exigent un jugement humain, et comment les compétences de l’équipe de service doivent-elles évoluer ? » La bonne réponse varie fortement entre les retours de produits dans le commerce de détail, le dépannage technique, les réclamations financières, les dispositifs médicaux et les situations d’urgence.

La stratégie de service la plus solide n’est pas « la déflexion maximale par le bot » (la déflexion désigne la part des demandes traitées sans intervention d’un conseiller). C’est une résolution fiable, avec une responsabilité clairement attribuée, un accès rapide à une personne, un service accessible et des résultats que les clients jugent réellement équitables. Ce rapport présente une analyse au niveau des tâches, les compétences émergentes et un plan concret à 90 jours pour les équipes.

Appliquez ces analyses à votre organisation : Explorez la préparation de votre entreprise à l’IA avec hilighter. Cette ressource est en accès libre, sans rapport réservé ni collecte de coordonnées, et l’évaluation est actuellement disponible en anglais uniquement. Le parcours de préparation à l’IA est une aide à la planification, et non une notation individuelle des salariés ni une certification réglementaire.

Réponse rapide : ce qui change, ce qui compte et ce qu’il faut faire

Important : les classifications de cet article sont des appréciations éditoriales qualitatives originales. Ce ne sont pas des probabilités de remplacement mesurées, des scores de risque chiffrés ni des prévisions de réduction des effectifs.

1. Ce que les recherches permettent réellement d’affirmer

Une étude de terrain souvent citée de Brynjolfsson, Li et Raymond, publiée dans The Quarterly Journal of Economics en 2025 après sa version de document de travail du NBER, a étudié l’assistance par l’IA dans le service client et constaté une hausse de productivité d’environ 14 % en moyenne dans ce contexte, avec des gains plus importants chez les salariés les moins expérimentés. Il s’agit d’un résultat valable pour un système d’assistance et un lieu de travail particuliers, et non de l’affirmation que toutes les équipes de service gagnent 14 %, ni que 14 % des emplois disparaissent. [1]

La septième édition de l’étude State of Service de Salesforce, fondée sur une enquête menée en 2025 auprès de 6 500 professionnels du service client dans 40 pays, fait état d’un usage accru de l’IA prédictive, générative et agentique. Les répondants s’attendaient à ce qu’une part plus importante des dossiers soit traitée par l’IA d’ici 2027, mais il s’agit d’une prévision des équipes de service, et non d’une performance future observée. [2]

L’étude CX Trends 2026 de Zendesk relève des attentes croissantes en matière de réponses rapides, de continuité entre les canaux et d’explicabilité. Elle indique par exemple que 74 % des consommateurs interrogés dans le cadre de ses recherches s’attendaient à un service disponible 24 heures sur 24, 7 jours sur 7, grâce à l’IA. Considérez ces chiffres comme des résultats d’enquête d’un fournisseur de technologies pour le service client, et non comme une loi universelle du comportement des consommateurs. [3]

Les travaux de l’OIT de 2025 sur l’exposition des tâches mettent en garde contre l’assimilation de l’exposition d’un métier à une perte d’emploi ; il est courant que seules certaines tâches changent. Les projections du WEF sur l’évolution des compétences sont des attentes générales des employeurs et ne doivent pas être transposées telles quelles à un poste de service client précis. [4][5] Les recherches 2026 de Microsoft soulignent que la reconception du travail, les pratiques de management et les systèmes d’apprentissage influencent les résultats, au-delà de l’accès aux outils d’IA. [9]

Les éléments disponibles plaident pour tester l’assistance aux conseillers et une automatisation maîtrisée sur des cas réels. Ils ne justifient pas une promesse générale selon laquelle les clients préféreraient les bots, les conseillers pourraient être supprimés sans perte de qualité, ou un ticket « résolu » par l’IA correspondrait à un problème réglé.

Comment interpréter ces éléments

Les grandes enquêtes sectorielles décrivent l’adoption, les attentes et les perceptions des répondants. Les expérimentations contrôlées apportent des preuves causales plus solides, mais testent souvent un seul outil dans un seul processus. Les études d’exposition des tâches identifient un recoupement technique possible, et non l’adoption, la sécurité, la valeur pour l’entreprise ou le remplacement effectif des emplois. hilighter ne convertit aucun de ces éléments en un pourcentage unique d’un métier « menacé ».

2. Définir le métier avant de l’évaluer

Un intitulé de poste est un indicateur imparfait de ce que font réellement les salariés. L’importance relative de chaque tâche varie selon la taille de l’entreprise, le modèle économique, la géographie, le segment de clientèle, l’environnement technologique et l’ancienneté. Analysez vos propres tâches avant de choisir une formation ou un logiciel.

• Conseiller de niveau 1 / agent du service client en première ligne : traite les demandes générales fréquentes, pour lesquelles une recherche fiable dans la FAQ, la validation du compte et de bonnes règles d’escalade offrent le plus fort potentiel.
• Spécialiste du support technique : diagnostique des configurations, des intégrations et des incidents ; l’IA peut retrouver des procédures, mais des instructions erronées peuvent causer des dommages opérationnels ou de sécurité.
• Conseiller relation client / chargé des réclamations : gère la détresse, les réclamations, les litiges et le rétablissement de la relation dans les cas complexes. L’équité et l’intelligence émotionnelle restent centrales.
• Agent multilingue de centre de contacts : sert les clients dans plusieurs langues et sur plusieurs canaux ; la traduction aide, mais le ton, le contexte culturel et les messages réglementés nécessitent des contrôles de qualité.
• Support B2B ou support customer success : travaille avec des SLA contractuels (engagements de niveau de service), la continuité d’activité et les interlocuteurs du compte client. Le contexte, les engagements et la précision des transferts sont déterminants.
• Chef d’équipe support / analyste qualité : accompagne les équipes, conçoit les politiques d’escalade, suit les causes profondes et évalue si les améliorations apportées par l’IA sont réelles.

3. La cartographie de l’impact de l’IA, tâche par tâche

Comment lire la cartographie : chaque tâche reçoit deux appréciations distinctes. Potentiel de changement : Fort changement du travail désigne des activités relativement répétables qui peuvent être assistées ou partiellement automatisées avec de bonnes données et une revue ; Moyen / conditionnel signifie qu’une aide utile de l’IA dépend fortement du contexte et des systèmes ; Piloté par l’humain / à fort enjeu signifie que les outils peuvent préparer les éléments, mais que le contrôle d’un humain responsable reste central. Risque et confiance est une dimension distincte (Faible, Moyen, Élevé, Critique) : elle porte sur la protection des données, l’exactitude, les droits, l’équité et le coût d’une erreur. Aucune des deux appréciations n’est une probabilité.

Cinq processus à examiner en priorité

L’automatisation de la FAQ dépend de la qualité des connaissances. Si la politique de remboursement est obsolète, un bot sûr de lui peut diffuser la mauvaise réponse à des milliers de clients. Fondez les réponses sur des contenus approuvés, désignez les responsables des contenus et testez les exceptions plutôt que de juger le succès au seul temps de réponse.

L’escalade est une fonctionnalité du produit, pas un échec. Une bonne automatisation sait quand s’arrêter. Les clients doivent pouvoir joindre une personne compétente si une réponse est incertaine, si un problème se répète ou si des besoins émotionnels, de sécurité ou d’accessibilité apparaissent. Le transfert doit transmettre le contexte utile sans exposer inutilement de données personnelles.

L’assistance de l’IA change ce que les conseillers pratiquent. Les nouveaux conseillers peuvent apprendre des raccourcis procéduraux grâce aux suggestions, mais risquent de perdre en autonomie pour le dépannage. Formez les conseillers à remettre en question une réponse proposée et à expliquer leur raisonnement. Des exercices réguliers sans assistance peuvent préserver les compétences fondamentales.

Les actions des agents d’IA exigent des contrôles plus stricts que la rédaction. Un bot qui rédige un conseil de remboursement n’équivaut pas à un bot qui effectue réellement des remboursements ou désactive un compte. Distinguez l’accès en lecture des actions externes, définissez des seuils d’approbation et prévoyez une possibilité de retour arrière.

Les indicateurs de qualité doivent suivre les résultats pour les clients. Une réponse automatisée qui entraîne un second contact n’est pas forcément une résolution réussie. Mesurez les recontacts, la résolution au premier contact vérifiée, les escalades de réclamations et l’effort client, en parallèle de la rapidité et des coûts d’exploitation.

4. Compétences et habitudes de travail qui pourraient perdre de leur valeur relative

Distinction importante : un besoin en baisse pour une activité courante ne rend obsolète ni le salarié ni le métier concerné. De nombreuses compétences fondamentales restent nécessaires pour repérer les erreurs de l’IA. Il s’agit d’activités dont la valeur marchande isolée pourrait diminuer, et non de compétences que l’on devrait cesser d’apprendre.

• Mémorisation des formulations standard de la FAQ : la recherche documentaire peut fournir un texte approuvé et cohérent ; l’interprétation du contexte et la détection des exceptions restent précieuses.
• Copier-coller de modèles de tickets : les réponses standardisées sont plus faciles à rédiger ; la compréhension du client et la vérification de l’exactitude continuent de faire la différence.
• Étiquetage manuel des tickets : la classification peut être assistée, mais les erreurs d’orientation critiques exigent une supervision et une correction.
• Reconstitution manuelle des conversations précédentes : la synthèse automatique peut aider si l’accès aux dossiers est autorisé et si les engagements clés sont vérifiés.
• Consultations simples de statut : des intégrations sécurisées peuvent récupérer des informations de base sur le compte ; l’authentification et les contrôles antifraude restent essentiels.
• Objectifs de service fondés uniquement sur la vitesse : lorsque l’IA augmente le débit, la qualité de la résolution, l’équité et la confiance comptent davantage qu’une courte durée de traitement.

5. Huit compétences prioritaires à développer

Le bon critère n’est pas d’avoir assisté à un webinaire sur l’IA, mais d’être capable de démontrer un résultat sûr et reproductible sur un travail pertinent. Les preuves suggérées ci-dessous sont illustratives et doivent être adaptées par les salariés et les managers.

1. Vérification des réponses à partir des sources

Distinguer une politique ou un article de connaissances approuvé d’une réponse plausible mais non étayée. Preuve de compétence : un ensemble de réponses corrigées, avec contrôle des citations et de la fraîcheur des sources. Premier exercice : auditer 20 réponses de support générées par l’IA au regard du centre d’aide officiel.

2. Jugement sur l’escalade et les exceptions

Identifier quand l’automatisation doit s’arrêter en raison d’un risque de préjudice, de droits juridiques, d’une vulnérabilité ou d’une incertitude. Preuve de compétence : un arbre de décision d’escalade testé sur des cas ambigus et urgents. Premier exercice : classer dix scénarios de tickets difficiles et anonymisés, et justifier chaque transfert.

3. Empathie et rétablissement de la relation dans les cas complexes

Prendre en compte le contexte émotionnel et commercial lorsqu’un cas ne peut pas être résolu par une réponse standard. Preuve de compétence : un jeu de rôle observé, avec une explication équitable, une désescalade et une prise de responsabilité. Premier exercice : s’entraîner à un litige avec un client mécontent auprès d’un coach indépendant.

4. Processus de service et supervision des agents d’IA

Comprendre la classification des intentions, la recherche documentaire, les limites d’autorisation, les actions externes et le retour arrière. Preuve de compétence : un schéma de processus approuvé, avec les reprises en main humaines et les événements d’audit. Premier exercice : concevoir un bot maîtrisé de suivi des commandes qui ne peut pas effectuer de remboursements.

5. Protection de la vie privée et traitement sécurisé des données clients

Reconnaître les identifiants sensibles et éviter de divulguer des informations d’un client à l’autre ou d’un canal à l’autre. Preuve de compétence : une revue des autorisations selon le principe du moindre privilège et des exemples de dossiers caviardés. Premier exercice : mener un exercice de protection des données sur des informations de compte client transmises par erreur.

6. Analyse de la qualité de service et conception d’expérimentations

Interpréter les indicateurs de déflexion, de recontact et de résolution sans confondre réduction des coûts et bénéfice pour le client. Preuve de compétence : un tableau de bord de pilote avec point de référence, règles d’échantillonnage et garde-fous de qualité. Premier exercice : recalculer la résolution au premier contact en incluant les recontacts.

7. Curation de la base de connaissances et gouvernance des contenus

Améliorer la couverture des articles, la gestion des versions, l’attribution des sources et la responsabilité des contenus en tant que capacité centrale du service. Preuve de compétence : un ensemble audité d’articles révisés, avec des responsables de l’approbation et de l’expiration. Premier exercice : corriger cinq articles de dépannage obsolètes et tester de nouveau les réponses de l’IA (test de non-régression).

8. Communication multicanale et accessibilité

Traduire clairement et préserver le contexte client entre le texte, la voix et l’image, tout en respectant les besoins d’accessibilité. Preuve de compétence : un cas résolu de façon accessible sur deux canaux, avec un transfert complet. Premier exercice : tester un ticket multilingue avec une revue de l’accessibilité et de la qualité linguistique.

6. Des responsabilités émergentes qui deviennent déjà plausibles

Ce sont des responsabilités professionnelles, et non nécessairement des intitulés de poste établis partout. Dans une petite entreprise, une seule personne peut en cumuler plusieurs.

1. Auditeur de la qualité des réponses de service produites par l’IA. Teste l’ancrage des réponses dans les sources, les défaillances critiques, les exceptions aux politiques, les performances multilingues et les recontacts des clients. Maturité : responsabilité émergente, pas un métier standardisé.
2. Concepteur des escalades entre humains et IA. Construit des règles fiables de transfert du bot vers un humain, avec le contexte et une responsabilité clairement attribuée. Maturité : responsabilité émergente, pas un métier standardisé.
3. Garant de la provenance des connaissances client. Relie les contenus du support à leurs responsables, aux dates de révision, aux affirmations autorisées et à la qualité de la recherche documentaire. Maturité : responsabilité émergente, pas un métier standardisé.
4. Garant de l’automatisation des actions de service. Définit les autorisations et les seuils financiers avant que des bots puissent traiter des retours, résilier des comptes ou déclencher des processus. Maturité : responsabilité émergente, pas un métier standardisé.
5. Analyste du rétablissement de l’expérience client à l’ère de l’IA. Étudie les automatisations défaillantes et la frustration des clients pour améliorer la conception du service plutôt que de dissimuler les escalades. Maturité : responsabilité émergente, pas un métier standardisé.

7. Compétences futures qui pourraient apparaître d’ici 2028–2030 (des hypothèses, pas des faits)

Les éléments suivants sont des hypothèses de scénario. Leurs intitulés, leur calendrier et leur niveau de confiance qualitatif sont des appréciations éditoriales de hilighter. Ils n’ont pas été observés de façon indépendante à grande échelle et ne doivent pas servir à promettre une évolution de carrière.

1. Assurance de la fiabilité du service multimodal. Confiance moyenne (conditionnelle, 2028–2030). Vérifier si l’IA traite les images, la voix et le texte de façon cohérente, en particulier pour les utilisateurs vulnérables. Ce qui la validerait : des tests de qualité formels couvrant les langues et les modalités deviennent une pratique courante.
2. Négociation avec les agents d’IA des clients. Confiance faible à moyenne (conditionnelle, 2028–2030). Traiter les demandes émises par des agents d’achat ou de service appartenant aux clients et vérifier leur habilitation. Ce qui la validerait : des mécanismes reconnus d’identité et de délégation apparaissent dans les interactions avec les clients.
3. Conception des limites d’autonomie du service. Confiance moyenne (conditionnelle, 2028–2030). Définir quelles transactions peuvent être exécutées de façon autonome et lesquelles nécessitent une autorisation manuelle. Ce qui la validerait : des politiques de transaction largement adoptées et des contrôles auditables des actions automatisées.
4. Conception de la provenance des réponses et des voies de recours pour les clients. Confiance moyenne (conditionnelle, 2028–2030). Produire des pistes de preuve compréhensibles pour les explications de service et les réclamations traitées par l’IA. Ce qui la validerait : les outils de service client exposent par défaut des preuves exploitables et des voies de recours.
5. Orientation dynamique selon la complexité et la vulnérabilité. Confiance faible à moyenne (conditionnelle, 2028–2030). Adapter les transferts à la vulnérabilité du client et à l’incertitude sans profilage préjudiciable. Ce qui la validerait : des recherches sur l’escalade respectueuses de la vie privée et validées de façon indépendante.

8. Un processus réel : avant et après une adoption réfléchie de l’IA

Cet exemple est une illustration de conception de processus, et non un résultat obtenu chez un client de hilighter ni une promesse d’économies. Les équipes devraient le comparer avec leur situation de référence et protéger la qualité, et pas seulement réduire le temps de traitement.

Un problème de commande qui devient une réclamation complexe

Dans ce scénario, l’objectif est une résolution correcte avec un contexte préservé. La déflexion des tickets est un indicateur secondaire. Un client transféré à un humain pour la bonne raison n’est pas un échec ; un problème non résolu et dissimulé, si.

9. Comment le métier pourrait évoluer en 2026, 2028 et 2030

Un scénario pour 2030 n’est pas une prévision. Certains secteurs adopteront l’IA lentement en raison de systèmes anciens, des attentes des clients, de la réglementation, de l’accès aux données ou de considérations économiques ; d’autres repenseront rapidement leurs processus. Un employeur prudent devrait se préparer à plusieurs trajectoires plutôt qu’à un avenir unique prédit.

10. Gouvernance, confiance et garde-fous pour les salariés

1. Informer les clients des interactions directes avec l’IA qui le requièrent : appliquer les règles d’information pertinentes de l’article 50 de l’AI Act, y compris les exceptions propres à certains contextes, plutôt que de faire passer un bot pour une personne. [6]
2. Protéger les données clients : appliquer l’accès selon le principe du moindre privilège, la limitation des finalités, des mesures de sécurité et une durée de conservation adaptée aux transcriptions, aux comptes et aux pièces jointes. [7]
3. Rendre l’escalade réellement disponible : prévoir un transfert en cas d’incertitude, de recontact, de besoin d’accessibilité ou de problème à fortes conséquences ; préserver le contexte.
4. Séparer les réponses des actions : consulter le statut d’une commande, modifier un compte et effectuer un remboursement exigent des niveaux d’autorisation différents.
5. Tester les schémas de défaillance : inclure les hallucinations, les politiques contradictoires, les erreurs d’identification du client, les messages abusifs et les langues non prises en charge.
6. Respecter les clients vulnérables : éviter de réduire les cas sensibles à des scores de sentiment ou à un profilage opaque ; faire appel à des intervenants humains formés.
7. Préserver les compétences professionnelles : former les salariés à résoudre des cas sans suggestions de l’IA et à vérifier de façon indépendante les résultats des outils.
8. Mesurer les résolutions réelles : suivre les recontacts, les réouvertures, l’équité entre groupes de clients et les réclamations ; indiquer clairement qui est responsable des erreurs.

Note juridique (contexte européen) : l’article 50 de l’AI Act prévoit des règles de transparence pour certaines interactions directes avec l’IA et pour des cas précis de contenus synthétiques, avec des exceptions et des obligations qui dépendent du contexte [6]. Le RGPD et les règles nationales continuent de s’appliquer au traitement des données personnelles ; dans la vente et le marketing, l’ePrivacy et les lois locales sur la prospection directe peuvent restreindre la prospection de manière indépendante [7]. Un article de site web n’est pas un conseil juridique. Vérifiez les règles applicables à votre processus et à votre juridiction.

11. Un plan d’action concret à 90 jours pour les équipes

Tableau de bord simple pour l’organisation

Examinez les résultats par type de cas, langue, groupe de clients et niveau d’ancienneté plutôt que de considérer une moyenne unique comme la preuve d’une amélioration. Prévoyez un point de référence, des contrôles ponctuels indépendants, une évaluation de la qualité des escalades et un plan explicite de retour arrière.

12. Questions fréquentes

Les conseillers du service client vont-ils disparaître à cause de l’IA ?

Aucune estimation universelle fiable ne permet de l’affirmer. Les réponses courantes et le travail administratif sont exposés, tandis que les cas complexes, la confiance et le rétablissement de la relation client peuvent gagner en importance. [4]

Le célèbre résultat de 14 % de productivité s’applique-t-il à mon équipe ?

Pas automatiquement. L’étude a évalué un déploiement particulier d’assistance par l’IA ; les bénéfices variaient selon les salariés et les contextes. Menez un pilote avec votre propre éventail de demandes et des contrôles de qualité. [1]

L’IA peut-elle répondre aux questions des clients sans intervention humaine ?

Les questions à faible risque et bien documentées peuvent se prêter à une automatisation soigneusement testée. Les demandes ambiguës ou à fortes conséquences nécessitent une escalade et d’autres garde-fous.

Quelle est la nouvelle compétence la plus importante pour le support de première ligne ?

La vérification des réponses à partir des sources, combinée à la capacité de savoir quand transférer un client vers une personne formée.

Faut-il optimiser la déflexion des tickets ?

Non. La déflexion n’a de sens que si le problème sous-jacent est résolu. Suivez les résolutions vérifiées, les recontacts, les réclamations et l’effort client.

Un bot peut-il effectuer des remboursements ?

Uniquement dans des limites clairement autorisées, vérifiées et auditables, y compris les exigences locales du droit de la consommation et de la sécurité des données. Une revue humaine doit couvrir les exceptions et les montants élevés.

Comment les responsables du support peuvent-ils former à nouveau leurs équipes ?

Cartographiez les types de cas, entraînez les équipes aux exceptions et à l’empathie, formez-les à la vérification des connaissances et menez des pilotes maîtrisés avec des revues qualité humaines régulières.

Comment hilighter peut-il aider à développer les compétences de service ?

Utilisez le parcours de préparation à l’IA à l’échelle de l’organisation pour examiner vos tâches de service réelles, identifier les écarts de capacités probables et planifier la formation avec la validation des salariés et des managers.

13. Ce que les organisations devraient faire ensuite

Le service client passe de la production de réponses à la responsabilité de la résolution. Les organisations qui réussiront amélioreront leur base de connaissances, construiront des transferts sûrs et développeront des équipes capables de traiter des cas ambigus et sensibles. Elles résisteront à la tentation de considérer une conversation automatisée comme réussie simplement parce qu’elle s’est terminée.

Pour les managers, la priorité immédiate est une cartographie des tâches et un petit pilote sous contrôle qualité. Pour les salariés, il s’agit d’apprendre à vérifier les sources, à détecter les limites, à escalader à bon escient et à développer l’empathie et le jugement nécessaires là où les scripts ne suffisent pas.

Prêt à examiner vos postes réels plutôt qu’un profil générique ? Explorez la préparation de votre organisation à l’IA avec hilighter. Identifiez les tâches, documentez les compétences actuelles, validez les écarts de capacités avec les managers et les salariés, et transformez les résultats en un plan de développement concret. L’évaluation est actuellement disponible en anglais uniquement. Elle ne présélectionne pas automatiquement de rôle et ne fournit pas de notation officielle du risque juridique.

Méthodologie, limites et transparence éditoriale

Il s’agit d’une ressource éditoriale fondée sur des recherches et sur des scénarios, créée pour l’Observatoire du travail et des compétences de hilighter (SkillsBoard SAS). Les catégories de tâches et les niveaux de confiance des compétences futures sont des classifications éditoriales. Ce rapport n’est pas une enquête représentative auprès des employeurs, une évaluation d’un salarié en particulier, une prévision du marché du travail, un test technique comparatif de produits d’IA, un conseil juridique ni la garantie qu’un poste disparaîtra ou non. Les sources comprennent des recherches indépendantes, des enquêtes financées par des éditeurs et des orientations réglementaires. Ces types de preuves ne sont pas interchangeables. Tout pourcentage communiqué par un éditeur est attribué à l’enquête correspondante, avec son dénominateur lorsqu’il est disponible. Date de publication : 6 novembre 2026 ; vérifiez les évolutions importantes avant toute mise à jour.

Mise à jour éditoriale : actualiser les liens vers les sources, les interprétations juridiques et les exemples au moins une fois par an, et à chaque évolution réglementaire ou technologique importante. Signaler les modifications substantielles et leur date plutôt que de modifier silencieusement les éléments présentés.

Sources et lectures complémentaires

1. Brynjolfsson, Li & Raymond / NBER et The Quarterly Journal of Economics, Generative AI at Work: evidence from customer-support assistants (document de travail de 2023 / étude publiée en 2025). https://www.nber.org/papers/w31161
2. Salesforce, State of Service, Seventh Edition (13 novembre 2025), enquête auprès de 6 500 professionnels du service client. https://www.salesforce.com/service/resources/state-of-service-report/
3. Zendesk, Customer Experience Trends 2026 (2026). https://cxtrends.zendesk.com/gb
4. Organisation internationale du Travail (International Labour Organization), Generative AI and Jobs: A Refined Global Index of Occupational Exposure (20 mai 2025). https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
5. Forum économique mondial (World Economic Forum), The Future of Jobs Report 2025 (2025). https://www.weforum.org/publications/the-future-of-jobs-report-2025
6. Commission européenne, Guidelines on transparency obligations for providers and deployers of AI systems (Article 50) (2026). https://digital-strategy.ec.europa.eu/en/policies/guidelines-ai-transparency-obligations
7. Commission européenne, Information for individuals: automated decisions and profiling (consulté en novembre 2026). https://commission.europa.eu/law/law-topic/data-protection/information-individuals_en
8. NIST, AI Risk Management Framework: Generative AI Profile (26 juillet 2024). https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
9. Microsoft, 2026 Work Trend Index: Agents, human agency, and opportunity (5 mai 2026). https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
10. NBER, Shifting Work Patterns with Generative AI (révisé en novembre 2025). https://www.nber.org/papers/w33795