L’agent IA doit envoyer des e-mails. Pas les transférer, pas les résumer — les composer et les envoyer réellement en fonction du contexte. Un client envoie un e-mail au sujet d’une commande retardée ? L’agent doit vérifier l’état de la commande, rédiger une réponse appropriée et l’envoyer (ou la mettre en file d’attente pour mon approbation).
Construire cela m’a pris trois itérations. La première était embarrassant. La deuxième était fonctionnelle mais un peu troublante. La troisième est celle que j’utilise réellement.
Itération 1 : Le Bot Email Trop Confiant
Ma première tentative a donné à l’agent un accès complet aux e-mails avec des instructions simples : « Surveillez la boîte de réception, répondez aux e-mails des clients en fonction du contexte. » Cela a fonctionné techniquement — il lisait les e-mails, générait des réponses et les envoyait.
Le problème : il a envoyé une réponse à une plainte d’un client mécontent qui commençait par « Je comprends votre frustration. » Le client n’était pas frustré — elle était légèrement agacée par un petit écart de facturation. L’agent a transformé un problème mineur en une réponse émotionnelle qui a réellement frustré le client.
Leçon : les agents IA ne sont pas doués pour lire le ton émotionnel dans les e-mails. Ils tombent par défaut sur l’interprétation la plus dramatique et répondent en conséquence.
Itération 2 : Le Bot Email Trop Prudent
Après le premier désastre, je suis allé trop loin dans l’autre direction. L’agent rédigeait des e-mails mais ne les envoyait jamais — tout allait dans une file d’attente d’approbation. Je devais examiner et approuver chaque réponse.
Cela a créé plus de travail que de le faire manuellement. Au lieu de lire l’e-mail et d’écrire une réponse, je lisais l’e-mail, lisais le brouillon de l’agent, décidais si le brouillon était approprié, l’editais 60% du temps, puis l’approuvais. Ce qui aurait dû me faire gagner du temps est devenu une étape supplémentaire.
Leçon : une file d’attente d’approbation pour chaque e-mail contredit le but. Vous avez besoin d’une automatisation sélective.
Itération 3 : Ce qui Fonctionne Réellement
Le système actuel catégorise les e-mails entrants et gère chaque catégorie différemment :
Catégorie A : Routine et sans risque (réponse automatique). Confirmations de réunion, accusés de réception, demandes d’informations simples avec des réponses claires. L’agent répond automatiquement. Ces cas représentent environ 40% des e-mails entrants et sont presque impossibles à mal gérer.
Catégorie B : Standard mais nuancé (brouillon + approbation). Questions des clients nécessitant une vérification des données, demandes de suivi, enquêtes modérément complexes. L’agent rédige une réponse, joint le contexte pertinent (état de la commande, détails du compte) et le met dans ma file d’attente d’approbation. Je passe en revue et envoie d’un clic. En général, aucun édit n’est nécessaire. Environ 45% des e-mails.
Catégorie C : Sensible (juste un signalement). Plaintes, mentions légales, disputes financières, tout ce qui vient d’un contact important. L’agent signale cela pour mon attention personnelle et ne rédige pas de réponse. Environ 15% des e-mails.
Le Système de Classification
La catégorisation repose sur un ensemble de règles dans les instructions de l’agent :
– Contient des mots comme « annuler, » « rembourser, » « avocat, » « déçu » → Catégorie C
– D’une liste de contacts VIP → Catégorie C
– Question simple avec une réponse factuelle → Catégorie A
– Tout le reste → Catégorie B
Cette approche basée sur des règles est plus fiable que de demander à l’IA de « décider de l’importance de ce courriel. » Le jugement de l’IA sur l’importance des e-mails est incohérent. Des règles simples sont prévisibles et débogables.
L’Approche des Modèles d’E-mail
Pour les réponses automatiques de Catégorie A, je ne laisse pas l’agent écrire librement. Au lieu de cela, je fournis des modèles de réponse avec des variables :
« Confirmation de réunion : Bonjour [nom], confirmé pour [date] à [heure]. À bientôt. »
L’agent remplit les variables à partir du contexte de l’e-mail. Cela élimine le risque que l’agent dise quelque chose d’inattendu dans les réponses automatiques. Ennuyeux ? Oui. Fiable ? Complètement.
Pour les brouillons de Catégorie B, l’agent a plus de liberté mais suit des directives structurelles : reconnaître la question, fournir les informations pertinentes, proposer les étapes suivantes, conclure de manière professionnelle. Les brouillons sont systématiquement bons car la structure est contrainte même lorsque le contenu varie.
Ce que j’ai Appris sur l’IA et les E-mails
L’IA est bonne pour : Extraire des informations des e-mails (dates, noms, demandes), rechercher des données pertinentes (état de la commande, historique du compte) et générer des réponses structurellement solides.
L’IA est mauvaise pour : Lire les nuances émotionnelles, comprendre les relations et la politique, savoir quand mettre quelqu’un en copie, et décider du bon niveau de formalité pour un destinataire donné.
La répartition idéale : Laisser l’IA gérer le traitement des informations (de quoi parle cet e-mail ? quelles données sont pertinentes ?) et la rédaction (écrire une réponse avec ces faits). Garder l’humain dans la boucle pour le ton, le jugement et les décisions d’envoi/ non-envoi sur tout ce qui dépasse la correspondance routinière.
Les Chiffres
Avant l’agent email : je passais environ 90 minutes par jour sur les e-mails.
Après l’agent email : environ 35 minutes par jour.
Les économies de 55 minutes proviennent de : réponses automatiques gérant les e-mails routiniers (20 minutes de gagnées), traitement plus rapide des révisions de brouillons par rapport à l’écriture de zéro (25 minutes de gagnées), et pré-chargement de contexte afin que je n’aie pas à rechercher manuellement (10 minutes de gagnées).
Cela représente 4,5 heures par semaine récupérées. Pour 0,20 $/jour de frais API, c’est l’une des automatisations ayant le meilleur retour sur investissement que j’ai construites.
🕒 Published: