Chatbots, écosystème et paysage des startups

Il y a un peu moins d’un an, en Avril 2016, Facebook annonçait l’ouverture de sa plateforme de messagerie, Messenger, aux développeurs tiers. Bien que le concept de chatbot et la technologie associée soient connus depuis de nombreuses années, cette évènement a engendré une explosion du nombre de chatbots et de nombreuses startups se sont positionnées sur ce marché.

J’ai co-fondé Conv.ai en Avril 2016. Initialement, nous avons développé des algorithmes de compréhension du langage (NLP: Natural Language Processing) dans le but d’automatiser les réponses apportées par les entreprises aux problèmes répétitifs et à faible valeur ajoutée de leurs clients. Nous nous sommes positionnés comme la couche d’Intelligence Artificielle des helpdesks comme Zendesk. En Septembre 2016, et après un pilote avec Red by SFR, nous avons pivoté en développant deux assistants virtuels sur 2 verticales: l’immobilier (SeLoger.com) et le e-commerce (Menlook). Notre objectif était de développer des assistants intelligents sur ces verticales et d’être capable de les vendre ensuite à d’autres acteurs de ces deux secteurs en réduisant au maximum le travail initial de setup. Après avoir développé plusieurs chatbots pour des grandes marques, nous avions du mal à voir comment nous pouvions arriver à un modèle scalable, et nous avons mis un terme à l’aventure Conv.ai début Janvier.

Durant ces 9 mois, j’ai eu l’occasion d’échanger avec de nombreux acteurs de l’écosystème chatbot en France et à l’étranger ce qui m’a permis d’avoir une vue globale du marché et du paysage des startups. Dans ce post, je vais donc tenter de faire une présentation globale de l’écosystème chatbot, d’énumérer les principaux challenges posés par le développement d’un chatbot pour une entreprise, l’intérêt de l’UI conversationnelle, et donner ma vision sur l’évolution à venir du marché des bots. Enfin je présenterai une cartographie et une segmentation du marché des chatbots.


Qu’est ce qu’un chatbot ?

Un chatbot est un assistant virtuel intelligent, capable de dialoguer avec l’homme pour lui fournir un service , répondre à ses questions ou encore effectuer simplement des actions. Les cas d’usages sont multiples, depuis la recommandation de restaurant, en passant par la consultation de son compte bancaire jusqu’à la résolution de problèmes après-vente.

Par comparaison avec l’expérience utilisateur sur un site web ou sur une application mobile, l’interface conversationnelle du chatbot offre une expérience beaucoup plus ouverte. Lors d’une expérience web, l’utilisateur réalise des actions en cliquant successivement sur des liens et en naviguant de page en page. Avec le chatbot, l’utilisateur formule ses demandes en langage naturel. L’assistant doit donc être capable d’interpréter correctement les messages de l’utilisateur alors même qu’ils peuvent être formulés de nombreuses manières différentes. C’est ici que “l’intelligence du chatbot” entre en jeu. Grâce aux algorithmes de Machine Learning, l’assistant est capable d’apprendre sur les conversations du passé et de comprendre des messages qu’il n’aura jamais rencontrés auparavant. Un chatbot intelligent est donc capable d’apprendre au fur et à mesure du temps.

Cas d’usage d’un chatbot dans l’Immobilier par Conv.ai

Ouverture des plateformes de Messaging

L’explosion des chatbots s’explique en grande partie par l’ouverture de Messenger aux développeurs en Avril 2016. Désormais, un utilisateur Messenger a la possibilité de s’adresser directement à un chatbot au sein de l’application, exactement de la même manière qu’il engage la conversation avec l’un de ses amis. Avant cela, Slack, Telegram, Kik, WeChat et Skype avaient aussi ouvert leur plateforme de chatbots.

Environ 6 mois après l’ouverture de Messenger aux développeurs, plus de 33 000 bots avaient été déployés sur l’application de messagerie de Facebook. Par comparaison, 15000 apps avaient été publiées sur l’Appstore, 6 mois après son ouverture.

Les fervents défenseur des chatbots mettent en avant deux arguments face aux apps:

  1. Un temps de développement beaucoup plus court. Il est plus facile de développer un chatbot qu’une app car tout le front-end et l’UI sont gérés par l’app de messagerie. Cependant, cela n’est vrai que pour des chatbots développés sur les apps de messagerie (et non pour ceux déployés sur le web) et ne tient pas compte des challenges liés à l’entrainement du chatbot, la scénarisation des conversations et l’intégration back-end que j’évoque par la suite.
  2. Une lassitude des apps. Télécharger une application est fastidieux, surtout lorsqu’on sait qu’une majorité des applications ne sont utilisées que quelques rares fois. Les chatbots permettent d’accéder aux marques et à tous leurs services au sein d’une même application de messagerie.

L’intelligence sous le capot: qu’est ce le NLP?

Quand il reçoit un message, l’assistant fait preuve d’intelligence à chaque fois qu’il répond à l’utilisateur ou effectue une action . Cette intelligence résulte des algorithmes de Machine Learning qui vont prendre en entrée deux types de données:

  • Les messages de l’utilisateur, en langage naturel que ça soit à l’écrit ou l’oral.
  • La donnée contextuelle, relative à l’utilisateur ou à son environnement. Elle peut être de plusieurs types, par exemple: 
    - l’historique de navigation d’un utilisateur sur un site de e-commerce qui permet de connaitre les produits auxquels il s’est intéressé ou les questions qu’ils se posent.
    - le profil de l’utilisateur: pour connaitre par exemple l’adresse de livraison du client, son âge, ses derniers achats, etc.
    - des variables liés au déroulé de la conversation: humeur du client, longueur de la conversation, etc.

A partir de ces deux types de données prises comme entrée du modèle, les algorithmes d’IA vont principalement effectuer deux tâches: classification d’intentions et reconnaissance d’entité (NER). Prenons l’exemple du use case “acquisition leads qualifiés” de l’image ci-dessus pour tâcher de bien comprendre. L’intention se définit comme le sens global du message de l’utilisateur, ici il s’agit de “rechercher un appartement” et les entités vont correspondre aux “variables” de cette intention qui sont ici: le type de bien (maison, appartement, loft, etc), le nombre de chambre (nombre supérieur à 1) et le lieu (une adresse, un quartier, une rue, etc).

A chaque étape de la conversation, le chatbot va donc mettre à jour le contexte grâce aux informations obtenues avec la classification d’intentions et le NER. A chaque contexte, le chatbot possède une réponse pré-enregistrée qui est ensuite envoyée à l’utilisateur.

On s’aperçoit donc des limites de cette technologie puisque chaque réponse du chatbot correspond en fait à un message pré-enregistré correspondant à un contexte donné. Pour s’affranchir de cette contrainte, de nouveaux algorithmes d’apprentissage non-supervisé font l’objet de sujets de recherche et visent notamment à générer des réponses automatiques sans utiliser de template (http://www.wildml.com/2016/04/deep-learning-for-chatbots-part-1-introduction/).

Les 4 challenges d’un projet de chatbot

  1. Périmètre du chatbot et design des scénarios

A la genèse d’un projet de chatbot, il est essentiel de bien délimiter ses fonctionnalités ainsi que les actions et les réponses qu’il doit apporter. Il est essentiel de ne pas trop étendre le champs d’action du chatbot sous peine d’augmenter les erreurs de mauvaise compréhension de l’assistant. Une fois le périmètre bien défini, il faut tenter de prévoir l’ensemble des scénarios possibles. Chaque scénario définit un certain nombre de contexte, qui sont l’ensemble des informations que possèdent l’assistant à un instant donné. Et à chaque contexte, on associe une réponse pré-définie du chatbot.

  • Il faut donc établir une liste exhaustive de réponses pré-établies pour tous les contextes possibles (peut être de l’ordre de plusieurs milliers).
  • Les réponses de l’assistant, sa personnalité doivent être en accord avec les valeurs de l’entreprise (lire ce bon article de Snips qui détaille le sujet)
  • En fonction du contexte, l’assistant peut avoir différents niveaux de certitude sur sa compréhension de l’utilisateur. Il faut alors décider si l’assistant garde la main ou si la conversation est transmise à un opérateur humain dès lors que le problème devient trop complexe pour l’assistant.

2. Connexions aux Systèmes d’Information

Plus l’assistant est intégré avec le back-end de l’entreprise, plus il est en mesure d’aller chercher des informations sur le contexte et ainsi de fournir des services avec plus de valeur ajoutée. Les assistants ont besoin au minimum d’accéder au profil de l’utilisateur, de consulter ses derniers achats, connaitre ses dernières actions, etc.

3. Bootstrap

Les algorithmes de Machine Learning qui permettent à l’assistant de comprendre le contexte de la conversation ont besoin d’être entrainés sur des conversations existantes. Il y a donc une phase d’apprentissage au cours de laquelle on apprend à l’algorithme à comprendre automatiquement le contexte en lui fournissant des conversations labellisés (ie des conversations pour lesquels le contexte est connu). Deux cas peuvent se présenter:

  • On automatise un service existant et la donnée est taguée: on possède donc de la donnée conversationnelle entre l’humain et le client. Si chaque conversation a été taguée par l’opérateur en indiquant le contexte (problème rencontré par le client, humeur, etc), on peut partir de ces données pour entrainer les algorithmes.
  • La donnée est non structurée, non taguée ou on crée un nouveau service: il faut alors entrainer le bot en simulant des conversations et en les taguant manuellement. Il est alors nécessaire de passer par une phase d’éducation de l’assistant jusqu’à atteindre un niveau de performance minimale (phase d’éducation qui peut prendre plusieurs semaines).

4. Dashboard

Pour tout projet de chatbot, il est nécessaire de récolter des feedbacks sur ses performances et donc de traquer un certain nombre de métriques, celles communes à tout bot (nombre d’utilisateurs, nombre moyen d’échanges , taux de churn au différents noeuds de conversations, etc), et celles spécifiques suivant le rôle du chatbot: taux de conversion pour un chatbot qui recommande et vend, satisfaction client pour un chatbot qui fait du support client.

L’intérêt d’une UI conversationnelle ?

Derrière le terme chatbot ou assistant virtuel se cache en fait un nouveau paradigme dans la manière dont nous interagissons avec les machines. On peut distinguer deux grandes familles de chatbots.

  • Les chatbots comme nouvelle UI conversationnelle

Dans ce cas, l’expérience conversationnelle se substitue à une expérience web ou application, on amène de la conversation où il n’y en avait pas avant. Lors d’une expérience app ou web, l’utilisateur accède à la donnée grâce à un nombre limitée d’action possible: cliquer sur un lien, un bouton, remplir un formulaire, modifier un filtre, etc. C’est la succession de ces actions qui permet d’effectuer des tâches. Avec le conversationnelle, l’utilisateur a beaucoup plus de liberté et décide des actions en les formulant en langage naturel. Quel peut alors être l’intérêt de l’interface conversationnelle ?

- Gagner du temps: par exemple dans le cas du support client, l’utilisateur qui a un problème avec un produit est noyé sous de nombreuses informations dans les FAQ ou les forums. L’interface conversationnelle lui permet d’énoncer simplement son problème et d‘accéder à la solution plus simplement sans perdre de temps à la chercher. Ainsi, Digital Genius conçoit un assistant capable de gérer le support client dans Salesforce.

- Simplifier un workflow: c’est le cas des chatbots qui se positionnent en surcouche conversationnelle aux softwares existants (catégorie chatbots B2B surcouche conversationnelle du panorama) dont l’utilisation peut s’avérer complexe. C’était par exemple le cas de Birdly, qui a créé un chatbot dans Slack permettant simplement d’afficher et de pousser des données CRM de Salesforce. Ou encore Heek qui développe un chatbot permettant de créer directement son site web et qui se veut plus simple que les interfaces “drag-and-drop” classiques.

  • Les chatbots comme automatisation d‘une conversation existante

Ici, les chatbots sont vus comme un moyen d’automatiser des conversations déjà existantes entre l’entreprise et le client. On ne crée pas une nouvelle interface mais on permet à l’entreprise d’améliorer sa productivité en traitant automatiquement des workflows récurrents. On peut imaginer un chatbot qui recommande des vêtements à un client en fonction de ses goûts en lui ayant au préalable poser des questions sur son style, comme peuvent le faire aujourd’hui les personnal shoppers au téléphone sur les sites de e-commerce.

Sur ce segment, la clé est de sélectionner une expérience conversationnelle relativement simple pour éviter que le chatbot ne se trompe et créer ainsi une expérience frustrante. Par exemple, CallDesk a commencé en se positionnant sur la prise de rdv automatique au téléphone pour les calls centers médicaux. Julie Desk a développé une IA qui s’occupe automatiquement de la prise de Rdv à la suite d’un échange de mails.

Ma vision du marché des chatbots

  • Le chatbot entreprise-clients: un modèle d’agence plutôt que de startup

D’après l’étude Botnation.ai, seule 5% des grandes marques françaises disposent à l’heure actuel d’un chatbot. Ce chiffre est amené à croître rapidement. L’opportunité est grande pour les marques de pouvoir toucher leurs clients à tout moment directement là où ils sont le plus présents. L’étude montre qu’à l’heure actuelle, 80% des 140 marques françaises interrogées ne répondent même pas à une demande d’information sur leur page Facebook.

Développer un chatbot est un projet complexe: il nécessite une intégration avec les systèmes d’information de l’entreprise et un travail de scénarisation important. De mon point de vue, il est donc difficile d’imaginer un positionnement scalable sur le marché du chatbot B2B2C, où un assistant virtuel unique serait vendu aux entreprises d’un secteur. De la même manière que chaque entreprise possède sa propre application mobile avec des fonctionnalités précises et qu’on n’imagine pas deux banques avoir une même application, chaque entreprise développera ses propres assistants virtuels. La progression sera incrémentale, cas d’usage par cas d’usage. Par exemple, Voyages-sncf.com a commencé par un bot permettant de commander directement ses billets de train en langage naturel (www.m.me/835567466576945). De son côté, Red by SFR a commencé par un chatbot permettant de consulter ses factures téléphoniques.

  • Les chatbots ne vont pas remplacer les applications mobiles

Dans de nombreux cas, l’expérience sur application mobile reste beaucoup plus rapide et beaucoup plus ergonomique que l’expérience chatbot. De nombreux chatbots créent des interfaces conversationnelles là où il n’y en avait pas avant et cela résulte souvent dans une expérience utilisateur de qualité moindre. La sobriété de l’interface avec un chatbot (uniquement du dialogue, voire quelques boutons ou images) peut créer une expérience peu intuitive avec un temps de prise en main important, car l’utilisateur ne connait pas l’étendue du champs d’action de l’assistant. Enfin les technologies de NLP restent assez peu avancées en comparaison avec d’autres domaines de l’IA, comme la vision, qui permettent de faire des tâches beaucoup plus poussées. La clé selon moi pour se lancer dans les chatbots: s’attacher à résoudre un problème simple où la conversation existe déjà et ne pas essayer de faire une IA générale.

Paysage des startups chatbots

Ce panorama, composé de 60 startups françaises et étrangères, essaye de dégager les différents positionnements sur le marché des chatbots. Au vu du nombre important de startups chatbots dans le monde, j’ai tenté d’être le plus exhaustif possible concernant les startups françaises tandis que j’ai pris le parti de ne mettre que les startups étrangères les plus innovantes selon moi ou ayant réalisé des levées de fond conséquentes. Pour tout oubli ou imprécision, n’hésitez pas à me le signaler en commentaire :)

Les chatbots B2B2C

  • Les startups de ce segment se focalisent sur une verticale en particulier (ex: Banque, Assurance, Voyage ,etc) avec une expérience conversationnelle suffisamment fermée et développent des assistants pour le compte des entreprises.
  • Avantages de se focaliser sur une verticale: accumuler de la data conversationnelle et ainsi obtenir un chatbot de plus en plus intelligent, acquérir une vraie expertise sur l’UX conversationnelle de cette verticale, développer des fonctionnalités spécifiques à ce domaine.
  • Principales difficultés rencontrées: connexion aux systèmes d’information des entreprises, scénarisation différente d’un client à l’autre, apprentissage sur les données conversationnelles.
  • Business model: Saas avec une facturation relative au nombre d’utilisateurs qui utilisent le chatbot et aux services fournies.
  • Parmi les verticales adressées on peut notamment citer:
    - le support client: Digital Genius
    - Banque: Kasisto
    - Assurance: Spixii
    - Prise de Rdvs automatisé: CallDesk

Les fournisseurs de technologie NLP

  • Ces acteurs exposent des APIs d’intelligence artificielle à destination des développeurs. Ces APIs se chargent de la classification d’intentions et de la reconnaissance d’entités.
  • Les avantages de ce positionnement: rassembler une communauté de développeurs qui entrainent leur chatbots sur sa plateforme. Cela permet de récolter un grand nombre d’historiques de conversations.
  • Les challenges: ces APIs sont bien adaptées pour un chatbot simple mais cela devient plus compliqué lorsqu’il faut construire un chatbot complexe et intégré. Les développeurs préfèrent alors développer leurs propres algorithmes d’IA.
  • Business model: La plupart des startups fournissent la technologie gratuitement et essayent de construire autour une communauté importante de développeurs. Acquisitions importantes par le passé: Wit.ai par Facebook, Api.ai par Google.
  • Acteurs: Recast.ai, Api.ai, Snips.

Les plateformes de chatbots

  • Ces plateformes fournissent les outils et l’infrastructure pour designer et déployer son chatbot sur les principales applications de messagerie. L’utilisateur de la plateforme peut construire les scénarios d’usage et les actions que le bot doit réaliser.
  • Avantages: Solution clé en main qui permet de développer et déployer facilement des chatbots.
  • Challenges: Ces plateformes fournissent une interface simple pour construire des chatbots mais ne permettent pas de s’intégrer en profondeur avec les systèmes d’information des entreprises.
  • Business model: Gratuit ou au nombre d’interactions de l’utilisateur avec la plateforme.
  • Acteurs: Chatfuel, Smartly.ai.

Les chatbots B2B, surcouche conversationnelle

  • Ces startups proposent un chatbot qui vient se positionner à l’interface entre un opérateur métier et un ou plusieurs softwares dont l’utilisation peut se révéler complexe ou peu intuitive. L’opérateur métier peut alors aller chercher ou pousser de la donnée plus facilement et plus simplement. Par exemple: Troops a créé un bot dans Slack pour interagir plus simplement avec Salesforce, ou encore Demisto a créé son propre bot pour interagir avec les différents software de sécurité informatique.
  • Business model: Saas avec une facturation par utilisateur la plupart du temps.
  • Acteurs: Demisto, Zelros, Julie Desk.

Les agences de chatbots

  • Agences qui font des projets de chatbots depuis la conception et le développement jusqu’à la mise en production.
  • Business model: facturation fixe (entre 5 et 50k€ suivant périmètre du chatbot) accompagné d’un variable pour couvrir les coûts d’infrastructure peu élevés.
  • Acteurs: LiveBotter, The Chatbot Factory.

Les chatbots B2C de services

  • Les startups de ce segment développent leur propre chatbot non adossé à une marque en particulier. Ces assistants proposent gratuitement aux utilisateurs un certain nombre de service (recommandation de lieu pour sortir, réservation transports). La startup se rémunère en tant que rapporteur d’affaire sur le service proposé.
  • Acteurs: Jam, Citron, Tacotax.

Les chatbots B2C funs

  • Un acteur, Hugging Face, qui développe l’IA “confident’’ et ‘‘meilleur ami’’ à destination des adolescents.
  • Vision: Se détacher de la vision utilitaire de tous les chatbots qui se sont développés en ce moment et qui proposent une expérience utilisateur peu convaincantes. Accumuler de la donnée conversationnelle avec les adolescents et développer une IA de plus en plus pertinente.
  • Objectif: Acquérir une grosse communauté d’utilisateurs.
  • Challenge: AI générale qui doit pouvoir traiter un grand nombre de sujets.

Points Clés

Finalement, pour conclure cette article, je rappellerai les points clés de l’écosystème chatbot:

  • Les chatbots entreprise-clients vont continuer à se développer fortement notamment dans des secteurs clés comme la relation client.
  • Les algorithmes d’intelligence artificielle en NLP fonctionnent bien pour des cas d’usage bien précis. On est encore loin d’une IA générale.
  • Les projets de chatbot posent des défis majeurs en terme d’intégration aux SIs, d’entrainement des données et de scénarisation.

Les secteurs qui me semblent prometteurs:

  • Chatbots B2B, surcouche conversationnelle: L’interface conversationnelle permet de guider l’opérateur à travers des workflows compliqués et d’automatiser les tâches simples et répétitives. On commence à voir de belles levée de fonds dans ce secteur. Récemment, Demisto a levé 20 M$ pour son chatbot qui agrège les logiciels de sécurité informatique.
  • Chatbots B2B2C dans le support client: Même si les challenges des projets de chatbot mentionnés ci-dessus sont complexes et pose des problématiques de scalabilité, ils créent une barrière à l’entrée dont bénéficieront les acteurs qui arriveront à pénétrer le marché. De plus, la demande est forte de la part des grands groupes français d’automatiser leur relation client.

Contact: maximejledantec@gmail.com

Twitter: maxime_ledantec