En 2012, le chatbot de votre banque vous demandait de choisir entre 1, 2 ou 3. Vous disiez « problème de virement » et il vous répondait « Pour les comptes courants, tapez 1. Pour les livrets, tapez 2 ». Si votre vrai problème ne collait à aucune option, c'était le mur.
Ce « chatbot » n'avait pas grand-chose à voir avec ce qu'on déploie aujourd'hui. Le nom est resté, la technologie a complètement changé.
La définition courte
Un chatbot est un programme informatique conçu pour dialoguer avec un humain en langage naturel, par texte ou par voix. C'est la définition générique, qui recouvre deux familles très différentes : les chatbots à règles, qui suivent un script préétabli, et les chatbots à base de modèle de langage (LLM), qui comprennent le sens de la question et formulent une vraie réponse.
La frontière entre les deux n'est pas cosmétique. Elle change ce que le chatbot peut faire, ce qu'il peut rater, et ce qu'il coûte à maintenir.
Deux familles, deux logiques
Les chatbots à règles (arbres de décision)
Ils fonctionnent sur un principe simple : si l'utilisateur dit A, répondre B. Si l'utilisateur clique sur « remboursement », afficher les options de remboursement. La logique est entièrement écrite à la main, option par option.
Ce que ça donne en pratique : fiable sur son périmètre, complètement aveugle hors de ce périmètre. Si votre script prévoit 40 cas et que le client arrive avec le 41ème, le chatbot bloque ou dévie. Ils sont rapides à poser pour des flux très standards, et souvent utilisés pour la qualification initiale (collecter un numéro de commande, orienter vers le bon service) avant de passer la main.
Les chatbots IA (basés sur un LLM)
Ils s'appuient sur un modèle de langage, la même technologie qui est derrière ChatGPT, Claude ou Gemini. Au lieu de chercher un mot-clé dans un script, le modèle comprend le sens de la question et génère une réponse adaptée au contexte. Vous pouvez poser la question de dix façons différentes, il comprend qu'il s'agit de la même demande.
La contrepartie : il peut se tromper. Un chatbot à règles ne répond que ce que vous lui avez dit de répondre. Un chatbot LLM peut formuler une réponse convaincante et fausse si la question sort de son domaine ou si ses données sont incomplètes. C'est ce qu'on appelle l'hallucination : une réponse générée avec aplomb, sans ancrage dans la réalité.
Un chatbot à règles rate les questions hors script. Un chatbot IA peut rater des questions qui étaient dans le script, mais d'une façon beaucoup moins visible.
Ce qu'un chatbot fait vraiment en entreprise
Quatre usages qui fonctionnent, avec le réalisme sur ce qui marche :
Support client niveau 1. Les questions fréquentes, répétitives, avec des réponses qui changent peu : horaires, statut de commande, politique de retour, adresses. Un chatbot absorbe ce volume et libère les équipes pour les cas complexes. Ça marche parce que la réponse est standard, vérifiable, et que l'enjeu d'une erreur est limité.
FAQ interne et base de connaissance. Un employé cherche une procédure, un formulaire RH, la politique de déplacement. Plutôt que de fouiller l'intranet, il pose la question. Le chatbot retrouve la bonne réponse dans vos documents internes. La condition : vos documents existent, sont à jour, et le chatbot est ancré dessus (via RAG, pas en mémoire libre).
Qualification de leads. Sur un site B2B, un chatbot peut collecter les informations initiales : secteur, taille d'entreprise, besoin pressenti, disponibilités. Il filtre les demandes et prépare le travail du commercial. Ce n'est pas de la vente, c'est du tri.
Premiers niveaux RH. Questions sur les congés, les fiches de paie, les avantages. Volume élevé, réponses standardisées. Un chatbot interne couvre ça sans mobiliser un responsable RH pour chaque question de base.
Le point commun de ces quatre cas : la réponse est connue, elle change peu, et l'erreur occasionnelle se rattrape. Dès qu'on sort de ce cadre, les limites apparaissent vite.
Ce qu'un chatbot ne fait pas bien
Il hallucine. Un chatbot LLM sans ancrage documentaire invente parfois des réponses plausibles mais fausses. Pour un usage interne ou client, c'est un risque réel. La solution standard est le RAG : le modèle cherche dans vos vrais documents avant de répondre. Ça réduit l'hallucination, ça ne l'élimine pas.
Il gère mal les émotions. Un client qui arrive énervé, qui fait une demande floue, qui change de sujet en milieu de conversation. Un chatbot à règles ne comprend pas, un chatbot IA gère mieux mais reste limité. L'escalade vers un humain n'est pas un aveu d'échec : c'est la conception correcte.
Il ne sait pas quand ses données sont périmées. Si votre chatbot est entraîné ou ancré sur des documents de l'an dernier, il répond avec les règles de l'an dernier. Sans mécanisme de mise à jour, il devient une source d'erreur bien emballée dans une interface propre.
Il ne garde pas le contexte d'une session à l'autre. Dans la grande majorité des déploiements, un chatbot repart de zéro à chaque nouvelle conversation. Le client qui revient la semaine suivante doit tout réexpliquer. Pour des sujets à suivi long, c'est une vraie friction.
Chatbot ou agent IA : le vrai choix
La distinction mérite d'être claire parce qu'on confond souvent les deux.
Un chatbot répond dans le cadre d'une conversation. Vous posez une question, il répond, la boucle s'arrête là. Si vous voulez enchaîner sur une action, vous la faites vous-même : vous copiez la réponse, vous allez dans votre CRM, vous envoyez le mail.
Un agent IA fait les étapes à votre place. Vous lui donnez un objectif. Il le décompose, utilise des outils (lecture de fichiers, appel d'API, écriture dans une base de données), vérifie le résultat, et enchaîne jusqu'à ce que l'objectif soit atteint. Il agit là où le chatbot se contente de répondre.
Pour un support FAQ, un chatbot suffit. Pour automatiser un processus complet qui passe par plusieurs systèmes, un agent est mieux équipé. Le critère simple : est-ce que la valeur vient de la réponse, ou de ce qui se passe après la réponse ?
Si votre besoin dépasse ce qu'un chatbot peut couvrir, la distinction entre les deux outils est développée dans Qu'est-ce qu'un agent IA.
En clair
Un chatbot est un programme de dialogue, des arbres de décision des années 2010 aux interfaces LLM actuelles. La technologie a changé, les limites fondamentales restent : il fonctionne bien sur des questions standardisées, des données à jour, et avec une escalade humaine prévue pour les cas hors périmètre.
Le vrai piège n'est pas de déployer un chatbot. C'est de le déployer sans définir son périmètre, sans prévoir l'escalade, et sans plan de mise à jour des données qu'il utilise. Un chatbot mal configuré répond avec assurance à des questions auxquelles il n'a pas les éléments pour répondre.
Si vous voulez évaluer si un chatbot a du sens dans votre contexte, ou cadrer un cas d'usage avant de vous lancer, le détail de ma méthode est sur ma page consultant IA. Et si vous préférez en parler directement, c'est par ici.