Seuils de confiance d’un chatbot : réduire les erreurs

Utilisez des seuils de confiance pour orienter les échanges incertains d’un chatbot en toute sécurité. Une conception pratique comporte trois niveaux : répondre lorsque la confiance est élevée, confirmer ou demander des précisions dans le niveau intermédiaire, et transférer à un humain lorsque la confiance est faible. Les seuils numériques doivent être étalonnés pour votre modèle et votre trafic. Des valeurs telles que 0.85 et 0.5 peuvent illustrer la politique, mais ne constituent pas des valeurs par défaut universelles.

La documentation d’Oracle sur la résolution des intentions utilise 0.70 comme point de départ pour son propre modèle d’intentions et recommande de tester des valeurs plus élevées lorsque les résultats le justifient. Cette recommandation est spécifique à la plateforme. Un seuil qui fonctionne pour un modèle, un domaine ou une définition de score peut être inadapté pour un autre.

Avant de modifier un seuil, constituez un jeu d’évaluation représentatif à partir de conversations récentes. Indiquez si chaque intention ou réponse prédite était correcte, puis comparez ces résultats aux scores et aux actions enregistrés par le système. Vous disposerez ainsi d’éléments concrets pour choisir un seuil, plutôt que de vous fier uniquement à la valeur par défaut du fournisseur.

Niveau élevé (exemple : 0.85 et plus) : le bot répond automatiquement, sans étape de confirmation.
Niveau intermédiaire (exemple : de 0.5 à 0.85) : le bot confirme ou demande des précisions avant d’agir.
Niveau faible (exemple : inférieur à 0.5) : le bot transfère la conversation à un humain ou déclenche une intention de secours.

Astuce de pro : Commencez avec suffisamment de conversations récentes pour couvrir les intentions courantes, les formulations ambiguës et les cas d’échec connus. Un jeu plus réduit et soigneusement annoté est plus utile qu’un vaste échantillon accompagné d’annotations peu fiables.

Points clés à retenir

Une politique à trois niveaux peut réduire les mauvaises réponses silencieuses en offrant une voie de confirmation aux échanges ambigus. Son effet sur l’automatisation et la précision doit être mesuré à partir de vos propres conversations annotées.

Point	Détails
Commencer avec trois niveaux	Définissez les actions correspondant aux niveaux élevé, intermédiaire et faible. Considérez 0.85 et 0.5 comme des exemples, puis étalonnez les seuils réels.
Étalonner sur des données réelles	Annotez un échantillon représentatif pour en vérifier l’exactitude, puis examinez les performances par niveau de score avant de faire confiance à un seuil.
Ne pas se fier à l’auto-évaluation de confiance d’un LLM	Dans les systèmes RAG, évaluez les signaux de récupération et d’ancrage au lieu de vous appuyer sur la certitude déclarée par le modèle.
Surveiller à la fois l’automatisation et les erreurs	Suivez ensemble le taux d’automatisation et le taux de mauvaises réponses : la hausse isolée de l’un ou de l’autre est un signal d’alerte.
Utiliser des connaissances approuvées et ancrées	Le chat-bot IA de Deskhero répond uniquement à partir du contenu public de la FAQ approuvé par l’Utilisateur et transfère la conversation lorsqu’il ne peut pas répondre avec suffisamment de confiance.

Table des matières

Qu’est-ce qu’un seuil de confiance pour chatbot, exactement ?
Pourquoi trois niveaux de confiance sont préférables à un seuil unique
Comment étalonner les seuils de confiance de votre bot ?
Que se passe-t-il lorsque les seuils sont mal définis ?
Comment les chatbots RAG et LLM doivent-ils gérer la confiance différemment ?
Que devez-vous surveiller après avoir modifié un seuil ?
Modèles de politiques prêts à l’emploi pour l’orientation fondée sur des seuils
Que devez-vous vérifier auprès de votre plateforme de chatbot ?
Comment Deskhero gère les réponses incertaines d’un chatbot
Ce que ce guide explique mieux que la plupart des recommandations
Mettez le chatbot IA ancré de Deskhero au service de votre équipe d’assistance
Sources
FAQ

Qu’est-ce qu’un seuil de confiance pour chatbot, exactement ?

Un score de confiance est le nombre attribué par votre classificateur d’intentions ou votre système de récupération à sa meilleure hypothèse, généralement compris entre 0 et 1. Un seuil de confiance est la limite que vous fixez dans cette plage pour décider de la prochaine action du bot. Le score classe vos options ; le seuil correspond à la décision de politique que vous appliquez par-dessus.

La signification d’un score de confiance dépend du système. Certains classificateurs produisent des scores qui peuvent être étalonnés par rapport à l’exactitude observée. D’autres plateformes n’exposent que des signaux de classement ou de similarité. Ne supposez pas qu’un score de 0.92 signifie 92 % de chances d’obtenir une réponse correcte, sauf si le fournisseur documente cette interprétation et si vos données d’évaluation la confirment.

La génération augmentée par récupération (RAG) ajoute une autre couche. La réponse générée peut sembler certaine même lorsque le contenu récupéré est obsolète ou sans rapport. La similarité de récupération, la qualité de la source, l’étayage de la réponse et le comportement du modèle sont des signaux distincts. Testez chacun d’eux par rapport à des résultats annotés avant de les combiner dans une politique d’orientation.

Astuce de pro : N’utilisez pas la certitude déclarée par un LLM comme unique signal d’orientation. Exigez des sources pertinentes et vérifiez que les contrôles de récupération ou d’ancrage prédisent effectivement l’exactitude sur vos données.

Pourquoi trois niveaux de confiance sont préférables à un seuil unique

Un seuil unique impose un choix binaire : répondre ou ne pas répondre. Un niveau intermédiaire ajoute une troisième option : poser une brève question de clarification. Cela peut réduire les échecs silencieux sans transférer directement chaque échange incertain à un humain.

Niveau	Plage habituelle	Comportement du bot	Exemple d’expérience utilisateur
Élevé	Exemple : 0.85 et plus	Réponse automatique, sans friction	Le bot répond directement : « Votre commande sera expédiée jeudi. »
Intermédiaire	Exemple : de 0.5 à 0.85	Confirmer ou demander des précisions	« Voulez-vous suivre votre commande ou l’annuler ? »
Faible	Exemple : inférieur à 0.5	Réponse de secours ou transfert	« Je vais vous mettre en relation avec un membre de notre équipe. »

Diagramme des niveaux de confiance d’un chatbot et de leurs comportements

Ces plages sont des exemples qui rendent la logique d’orientation concrète. Remplacez-les par des valeurs dérivées de votre propre plateforme, de la définition de vos scores et du coût d’une mauvaise réponse.

La logique devient simple dès qu’on l’observe en pratique. Un seuil unique fixé, par exemple, à 0.70 signifie que tout score juste au-dessus de cette limite déclenche une réponse automatique en toute confiance, alors qu’un score de 0.71 est à peine différent de 0.69. Le niveau intermédiaire crée une zone tampon dans laquelle le bot reconnaît une certaine incertitude au lieu de prétendre n’en avoir aucune.

Gardez les parcours de confirmation courts. Des choix à sélectionner réduisent souvent mieux l’ambiguïté qu’une nouvelle question ouverte.
Le texte de transfert doit reconnaître l’échec sans donner l’impression que le système est défaillant : « Je ne suis pas certain d’avoir bien compris, je vais vous mettre en relation avec une personne. »
Mesurez si les confirmations du niveau intermédiaire résolvent l’ambiguïté ou ajoutent simplement de la friction.

Voici le compromis que les parties prenantes doivent entendre clairement : abaisser votre seuil augmente le taux d’automatisation, mais chaque mauvaise réponse qui franchit cette barre abaissée devient invisible. Personne ne la signale, car le bot semblait sûr de lui. Relever le seuil produit l’effet inverse : les échecs deviennent visibles sous forme de transferts, ce qui semble plus difficile à gérer au quotidien, mais est en réalité plus sûr, car un échec visible est enregistré et corrigé, tandis qu’un échec invisible érode silencieusement la confiance.

Comment étalonner les seuils de confiance de votre bot ?

Les valeurs par défaut des fournisseurs et les plages du secteur ne sont que des points de départ. Vos seuils réels doivent provenir de vos propres transcriptions, car les niveaux de précision des chatbots varient considérablement selon le domaine, la complexité des intentions et le degré d’imprécision des formulations de vos utilisateurs.

Constituez un jeu de test représentatif. Utilisez de vraies questions couvrant les intentions courantes, les formulations ambiguës et les cas d’échec coûteux. La taille d’échantillon nécessaire dépend du trafic et du niveau de précision recherché.
Établissez la vérité terrain. Pour chaque transcription, indiquez si la réponse fournie était réellement correcte, et pas seulement si le bot semblait sûr de lui.
Reliez les résultats aux scores. Représentez le score de confiance en fonction de l’exactitude pour chaque échange annoté. Cherchez les zones où les mauvaises réponses commencent à se concentrer.
Calculez la précision et le rappel par niveau. Pour chaque niveau proposé, calculez le pourcentage de réponses réellement correctes (précision) ainsi que le pourcentage de réponses correctes passées sans transfert inutile (rappel).
Créez un diagramme de fiabilité. Regroupez les prédictions par score de confiance et représentez la confiance prédite par rapport à la précision observée. Un bot bien étalonné produit une ligne proche de la diagonale ; un bot mal étalonné s’en écarte.
Calculez l’erreur d’étalonnage attendue (ECE) lorsque cela est possible. Ce nombre unique quantifie l’écart entre la confiance déclarée et la précision réelle dans l’ensemble de vos groupes.
Réalisez un test A/B avant de déployer largement les changements. Répartissez le trafic par segment ou par fenêtre temporelle, puis comparez le taux d’automatisation, le taux de mauvaises réponses et le taux de transfert entre les anciens et les nouveaux seuils.

Considérez cela comme un pipeline : la distribution des scores alimente les seuils des niveaux, ces seuils déterminent les résultats des actions, puis ces résultats sont comparés à la vérité terrain pour vérifier que les seuils étaient corrects dès le départ.

Mesure	Ce qu’elle vous indique	Outil/Méthode
Précision par niveau	Part des échanges ayant reçu une réponse automatique qui étaient effectivement corrects	Annotation manuelle des transcriptions
Rappel par niveau	Part des réponses correctes ayant évité un transfert inutile	Annotation manuelle des transcriptions
Diagramme de fiabilité	Si la confiance déclarée correspond à la précision observée	Graphique de précision par groupes
Erreur d’étalonnage attendue	Score unique résumant l’écart d’étalonnage	Analyse d’étalonnage

Une étude de 2025 portant sur un chatbot d’assistance technique basé sur le RAG a indiqué que sa stratégie d’invite « Combo » avait réduit l’erreur d’étalonnage attendue de 23.33 à 8.4, tandis que la précision passait de 69.33 % à 81.33 %, dans le cadre expérimental de cette étude. Ce résultat ne constitue pas une référence universelle, mais montre que la conception des invites et du système peut influencer l’étalonnage autant que le seuil lui-même.

Comment étalonner les seuils de confiance de votre bot ? Diagramme récapitulatif

Que se passe-t-il lorsque les seuils sont mal définis ?

Deux modes d’échec se situent aux extrémités opposées du même réglage, et ils sont suffisamment courants pour que vous deviez en connaître parfaitement les symptômes.

Seuil trop bas : le bot répond automatiquement à partir de correspondances faibles. Certaines mauvaises réponses peuvent ne pas être signalées, car le parcours ne révèle jamais l’incertitude.
Seuil trop élevé : le bot transfère des questions auxquelles il aurait pu répondre correctement, ce qui ajoute un délai et réduit le taux d’automatisation utile.
Hausse des corrections : si les utilisateurs reformulent, corrigent de plus en plus souvent le bot ou déclarent explicitement « ce n’est pas ce que j’ai demandé », cela indique fortement que votre niveau intermédiaire est trop étroit ou que votre seuil du niveau élevé est trop permissif.
Écart entre le taux de transfert et le volume de tickets d’assistance : si les transferts diminuent alors que votre file d’assistance continue de grossir, le bot répond peut-être automatiquement de façon incorrecte au lieu de transférer les demandes.
Signalements concentrés autour de votre seuil : si les évaluations négatives ou les mentions « pas utile » se concentrent autour de la limite de votre seuil, celle-ci est probablement mal positionnée.

La solution peut consister à modifier le seuil, à élargir le niveau intermédiaire, à améliorer les données d’entraînement ou à renforcer les contrôles de récupération et d’ancrage. Pour les bots reposant sur le RAG, vérifiez que le contenu récupéré étaye la réponse au lieu de considérer une formulation fluide comme une preuve. Évaluez d’abord hors ligne un seuil proposé sur des conversations annotées. Si vous effectuez ensuite un test en ligne, définissez les critères de sécurité et de retour arrière avant d’exposer davantage de trafic.

Comment les chatbots RAG et LLM doivent-ils gérer la confiance différemment ?

Les modèles génératifs compliquent l’orientation fondée sur la confiance, car une prose fluide et affirmative ne prouve pas qu’une réponse est ancrée dans des sources. Une politique utile sépare donc des signaux tels que la qualité de la récupération, l’appui des citations, la cohérence de la réponse et tout score de classificateur. Chaque signal doit néanmoins être validé par rapport à l’exactitude réelle.

Dans une évaluation médicale multidisciplinaire, 33 médecins issus de 17 spécialités ont évalué les réponses à 284 questions. La réponse médiane a obtenu une évaluation élevée, mais 36 réponses initiales ont reçu l’une des deux notes de précision les plus faibles sur une échelle de six points. Cette combinaison de bonnes performances moyennes et d’échecs importants justifie une validation rigoureuse dans les domaines où les coûts sont élevés. Dans un autre cas grand public, un tribunal a jugé une compagnie aérienne responsable d’informations incorrectes sur les remboursements fournies par son chatbot.

Voici des pratiques qui tiennent la route en production :

Exigez un passage source pertinent pour les réponses factuelles dans les processus où la base de connaissances fait autorité.
Considérez un résultat de récupération vide ou faible comme un signal automatique de faible confiance, quelles que soient les affirmations du modèle de langage.
Prévoyez une voie explicite « Je ne sais pas » ou de transfert que le modèle peut choisir sans pénalité, car les modèles entraînés à toujours produire une réponse en fourniront une même lorsqu’ils ne devraient pas.
Enregistrez la provenance avec la réponse afin qu’un réviseur puisse vérifier que la source étaye bien l’affirmation.

Astuce de pro : Si une réponse est censée provenir d’une base de connaissances approuvée et que la récupération ne renvoie rien de pertinent, orientez l’échange vers une demande de précisions ou une réponse de secours au lieu de demander au modèle d’improviser.

Que devez-vous surveiller après avoir modifié un seuil ?

Modifier un seuil n’est pas une retouche ponctuelle que l’on effectue avant de l’oublier. C’est le début d’une période de surveillance durant laquelle vous observez les signaux précis qui indiquent si le changement a été bénéfique ou s’il a discrètement aggravé la situation.

Taux d’automatisation : pourcentage de conversations résolues sans intervention humaine.
Taux de mauvaises réponses : déterminé manuellement à partir d’un échantillon de transcriptions, et non déclaré par le bot lui-même.
Taux de transfert : fréquence à laquelle le bot fait remonter une demande ou la transmet, suivie dans le temps et par intention.
Corrections pour 100 conversations : fréquence à laquelle les utilisateurs reformulent, corrigent ou rejettent explicitement une réponse.
Latence de transfert : délai nécessaire pour qu’une conversation transférée obtienne une réponse humaine.
Satisfaction utilisateur ou CSAT : idéalement segmentée par niveau, afin de voir si les confirmations intermédiaires sont réellement bien accueillies.

Créez un tableau de bord qui présente au fil du temps la distribution des scores de confiance ainsi que les taux de résultats par niveau, et conservez chaque semaine un échantillon permanent de mauvaises réponses signalées pour examen manuel. La corrélation la plus importante à surveiller est la suivante : si le taux d’automatisation augmente en même temps que le taux de mauvaises réponses, votre seuil vient de prendre la mauvaise direction, même si le chiffre global de l’automatisation semble être une réussite. L’évaluation des performances d’un chatbot ne fonctionne que si vous suivez les deux chiffres côte à côte, jamais l’un isolément.

Modèles de politiques prêts à l’emploi pour l’orientation fondée sur des seuils

Voici une structure de politique que vous pouvez adapter directement, ainsi que les contrôles de télémétrie qui devraient s’exécuter automatiquement après chaque déploiement.

Une forme minimale de pseudocode pour la logique d’orientation :

if confidence >= HIGH_CUTOFF:
    auto_answer(intent)
elif confidence >= MEDIUM_CUTOFF:
    present_confirmation(top_2_intents)
else:
    escalate_to_human()

Pour l’étape de confirmation, utilisez un texte concis : « On dirait que vous demandez des informations sur [X] ou [Y]. Lequel des deux ? » Deux choix à sélectionner peuvent transformer une correspondance ambiguë en clarification en un clic. Conservez une possibilité de réponse libre lorsque les choix proposés ne conviennent pas.

Avant de déployer une modification de seuil sur l’ensemble du trafic, validez-la hors ligne, puis utilisez un test contrôlé si la plateforme le permet. Définissez à l’avance les critères de retour arrière concernant le taux de mauvaises réponses, le taux de transfert et les retours des utilisateurs. Un parcours de transfert à un humain pour le niveau faible doit préserver la conversation et clarifier l’étape suivante.

Que devez-vous vérifier auprès de votre plateforme de chatbot ?

Avant d’activer un seuil en production sur une plateforme fournisseur, vérifiez que celle-ci offre réellement les contrôles dont dépend toute cette approche.

Pouvez-vous consulter les scores de confiance bruts pour chaque échange, et pas seulement un résultat binaire du type « correspondance/pas de correspondance » ?
Pouvez-vous définir des seuils par intention ou par compétence, plutôt qu’un nombre global pour l’ensemble du bot ?
Pour les configurations RAG, pouvez-vous accéder séparément au score de similarité de récupération et à la sortie de l’étape de génération ?
La plateforme prend-elle en charge un réglage de « marge de victoire de confiance », afin que les intentions aux scores proches soient présentées comme des options au lieu que l’une d’elles soit sélectionnée silencieusement ?
Pouvez-vous exporter les transcriptions complètes pour les annoter et les analyser hors ligne, sans supprimer les métadonnées de confiance ?
Existe-t-il un mode de test permettant d’exécuter un seuil candidat sur le trafic historique avant de l’appliquer aux utilisateurs réels ?

La documentation d’Oracle sur le réglage de la résolution des intentions constitue une référence utile pour comprendre à quoi ressemblent ces paramètres dans une plateforme mature : le seuil de confiance et la marge de victoire de confiance y apparaissent explicitement comme des contrôles nommés et ajustables. Si un fournisseur ne peut pas répondre clairement à ces questions lors de l’achat, considérez cela comme un signal d’alerte, et non comme une lacune mineure. Vous ne pouvez pas étalonner ce que vous ne pouvez pas voir, et une plateforme qui dissimule ses scores vous demande de lui faire aveuglément confiance.

Comment Deskhero gère les réponses incertaines d’un chatbot

Deskhero n’expose pas les scores de confiance bruts du chatbot ni les niveaux de confiance ajustables par le client. À la place, son chat-bot IA répond à partir de la FAQ publique approuvée de l’espace de travail et affiche le formulaire de contact lorsqu’il ne peut pas répondre avec suffisamment de confiance. Des suggestions de FAQ peuvent être créées à partir de tickets résolus et du contenu extrait de sites web, mais un Utilisateur doit les approuver avant que le chatbot puisse les utiliser.

Les réponses du chatbot destinées aux clients utilisent uniquement le contenu public de la FAQ approuvé par l’Utilisateur.
Lorsque le chatbot ne peut pas répondre avec suffisamment de confiance, il affiche un formulaire permettant au visiteur de contacter l’équipe.
Chaque session de chat devient un ticket avec sa transcription, et les actions automatiques sont étiquetées et enregistrées.
Le chatbot est activé par widget et nécessite au moins 100 éléments de FAQ publique approuvés.

Astuce de pro : Avant d’activer largement un chatbot d’assistance, testez les questions courantes et les cas limites connus par rapport à la FAQ approuvée. Examinez les tickets de chat ayant reçu une réponse comme ceux ayant été transférés afin de repérer les entrées de FAQ manquantes, ambiguës ou obsolètes.

Ce que ce guide explique mieux que la plupart des recommandations

La plupart des recommandations en ligne sur les seuils de confiance traitent le nombre lui-même comme le produit : trouver le seuil magique, le définir, puis passer à autre chose. Cette façon de voir les choses est inversée. Le seuil dépend de deux éléments bien plus importants : la qualité de votre ancrage et la rigueur de vos annotations. Aucun seuil ne peut corriger une défaillance de l’un ou de l’autre.

Cette distinction est particulièrement importante pour les chatbots génératifs et RAG. Un score de classificateur, un score de similarité de récupération et la certitude déclarée par un LLM ne sont pas interchangeables. Ils proviennent de mécanismes différents et peuvent avoir des liens très différents avec l’exactitude.

L’ancrage et l’étalonnage des seuils résolvent des problèmes différents. Des sources pertinentes peuvent réduire les réponses non étayées, mais ne garantissent pas que le modèle interprétera correctement ces sources. Une politique d’orientation étalonnée peut réduire l’automatisation risquée, mais elle ne peut pas réparer des connaissances obsolètes ou incomplètes. Validez à la fois le pipeline de connaissances et les seuils d’action, puis concentrez vos contrôles sur les plages de scores où se concentrent les erreurs et les transferts.

Mettez le chatbot IA ancré de Deskhero au service de votre équipe d’assistance

Un pipeline personnalisé d’orientation fondée sur la confiance nécessite des scores de modèle ou de récupération, l’enregistrement des transcriptions, des données d’évaluation et un parcours de transfert à un humain. Deskhero adopte une approche gérée pour son chat-bot IA : répondre à partir de la FAQ publique approuvée et afficher le formulaire de contact lorsqu’il ne peut pas répondre avec suffisamment de confiance.

Deskhero

Deskhero connecte les boîtes aux lettres Gmail, Google Workspace et Microsoft 365 à un service d’assistance partagé, tandis que les réponses continuent d’utiliser l’adresse de votre entreprise. Les questions reçues par e-mail, via un formulaire intégré ou par le chat-bot IA deviennent des tickets. Deskhero peut suggérer des entrées de FAQ publique à partir de tickets résolus et de pages extraites. Une fois qu’un Utilisateur a approuvé une entrée, le chatbot et les réponses automatiques IA peuvent l’utiliser. Pour les équipes de commerce en ligne, le panneau client Shopify affiche le contexte du client et de la commande à côté du ticket.

Commencez l’essai gratuit de 30 jours, sans carte bancaire, et exécutez votre propre jeu de test de 30 à 100 questions avant de décider quelle part de votre volume d’assistance automatiser.

Sources

FAQ

Quel est un bon score de confiance pour un chatbot ?

Il n’existe pas de valeur universelle. Une politique à trois niveaux peut utiliser 0.85 et 0.5 comme limites indicatives, mais ces valeurs ne constituent pas des recommandations générales. Oracle documente 0.7 comme point de départ pour son propre modèle d’intentions. Étalonnez tout seuil à partir de conversations annotées issues du modèle et de la plateforme que vous utilisez réellement.

Comment calcule-t-on un score de confiance ?

Pour un classificateur d’intentions, le score dépend du modèle et indique généralement à quel point le modèle privilégie une intention. Il ne doit être considéré comme une probabilité que si la plateforme le définit ainsi et si les données d’étalonnage appuient cette interprétation. Les systèmes RAG peuvent également exposer des signaux de similarité de récupération, d’ancrage ou de validation de réponse, qui nécessitent chacun une évaluation distincte.

Qu’est-ce que le score de confiance dans un chatbot basé sur un LLM ?

Il ne faut pas supposer que la confiance auto-déclarée par un LLM prédit l’exactitude. Pour un chatbot RAG, évaluez la qualité de la récupération et vérifiez que la réponse est étayée par le contenu récupéré. Utilisez ces signaux testés, plutôt que la fluidité de la formulation ou la certitude déclarée seules, pour décider de répondre ou de recourir à une réponse de secours.

Que ne devez-vous jamais dire à un chatbot ?

Évitez de communiquer des données personnelles sensibles, des mots de passe, des numéros de comptes financiers ou des informations professionnelles confidentielles à un chatbot, sauf si vous avez vérifié les politiques spécifiques de la plateforme en matière de traitement et de conservation des données. Cela est encore plus important pour les bots d’assistance qui enregistrent les conversations à des fins d’entraînement ou de contrôle qualité.

Comment vérifier qu’une réponse de chatbot est correcte ?

Utilisez un échantillon représentatif de conversations réelles, indiquez si chaque réponse est étayée et correcte, puis comparez ces résultats aux scores et aux actions d’orientation disponibles dans le système. Deskhero limite les sources du chatbot au contenu public de la FAQ approuvé par l’Utilisateur, mais les équipes doivent tout de même examiner les réponses et les transferts pour repérer les connaissances manquantes ou obsolètes.

Définir des seuils de confiance pour un chatbot qui réduit vraiment les erreurs