Deutsche Telekom
Chatbot de service self-care en langage naturel, etendu a la voix puis reconstruit sur LLM (Frag Magenta 1BOT) pour couvrir des centaines de motifs de contact
Deutsche Telekom opere depuis 2016 Frag Magenta, un chatbot de service client en chat et voix couvrant plus de 380 motifs de contact, qui a mene plus de 4 millions de dialogues en 2022 et resout immediatement plus d'un tiers des demandes.
L'essentiel
- Chatbot de service self-care en langage naturel, etendu a la voix, sur 380+ motifs.
- Socle Rasa (NLU) puis reconstruction sur plateforme LLM multi-agent Frag Magenta 1BOT.
- Plus de 4 millions de dialogues en 2022, plus d'un tiers resolu immediatement.
- Preuve B, statut confirme.
Objectif
Absorber en self-care un maximum de demandes courantes (facture, demenagement, panne, offres) avant qu'elles n'atteignent un conseiller, sur le chat comme au telephone.
Le déploiement
Frag Magenta est le chatbot de service de Deutsche Telekom, en production depuis l'automne 2016. Le client formule sa demande en langage naturel et l'assistant traite plus de 380 motifs differents, du demenagement a la facture en passant par les pannes et les nouvelles offres. Depuis 2020, il repond aussi par la voix sur la hotline, et depuis l'automne 2023, Frag Magenta Voice s'appuie sur les capacites vocales de Rasa. En 2022, Frag Magenta a mene plus de quatre millions de dialogues client et resout immediatement plus d'un tiers des demandes, le reste etant transfere a un conseiller. Deutsche Telekom a lance en parallele Frag Magenta 1BOT, une reconstruction sur plateforme LLM multi-agent, pour depasser les limites du NLU scripte et etendre la couverture. Le socle est pense pour la clientele europeenne du groupe.
Résultats Preuve B
Chiffres publies par Deutsche Telekom sur son propre site (4 millions de dialogues 2022, plus d'un tiers resolu immediatement, 380+ motifs) et complements presse citant un dirigeant du groupe sur la strategie de scale chat/voix. Source primaire marque plus presse etablie : solide sur volume et deflection ; l'impact retention en points n'est pas isole.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Rasa NLU du socle historique de Frag Magenta et capacites vocales de Frag Magenta Voice depuis l'automne 2023
- plateforme Frag Magenta 1BOT reconstruction interne sur plateforme LLM multi-agent pour depasser le NLU scripte ; les modeles sous-jacents ne sont pas divulgues
- infra Canaux chat et voix Telekom integration au chat de telekom.de, a l'app MeinMagenta et a la hotline telephonique
Comment ça tourne, concrètement
Pour les équipes ops-
1Cartographier les motifs de contact Equipe service client + IA
Plus de 380 motifs sont modelises avec leurs parcours, du demenagement a la panne, pour que l'assistant sache quoi faire de la demande.
-
2Comprendre en langage naturel IA / NLU
Le NLU lit la formulation libre du client et la relie a un motif, en chat comme en voix sur la hotline.
-
3Resoudre ou transferer IA puis conseiller humain
Plus d'un tiers des demandes sont resolues immediatement ; le reste part vers un conseiller avec le contexte deja capte.
-
4Passer au LLM (1BOT) Centre de competence IA
Reconstruction sur plateforme multi-agent LLM pour elargir la couverture et sortir des reponses purement scriptees.
Le taux de resolution immediate versus transfert. S'il chute, le chatbot ne deflecte plus et reporte la charge sur les conseillers au lieu de l'absorber.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLes consommateurs n'acceptent pas les chatbots par defaut : 64% prefereraient que les entreprises n'utilisent pas d'IA dans leur service client (Gartner, 2024) et pres d'un utilisateur sur cinq du service client par IA n'en retire aucun benefice (Qualtrics, 2025). L'acceptation se construit sur trois conditions mesurees par Salesforce : savoir qu'on parle a une IA, pouvoir escalader vers un humain, comprendre la logique de l'agent.
Conditions d'acceptation
- Etre informe qu'on parle a une IA et non a un humain (pres de 75% le demandent, Salesforce 2024)
- Un chemin d'escalade clair vers un agent humain (45% plus enclins a utiliser l'agent IA, Salesforce 2024)
- Une logique de l'agent clairement expliquee (44% plus enclins, Salesforce 2024)
Lignes rouges
- Rendre l'humain injoignable : c'est la premiere inquietude des consommateurs sur l'IA dans le service client (Gartner 2024) et 50% craignent que l'IA les coupe du contact humain (Qualtrics 2025)
- Remplacer le service client par l'IA sans alternative : 53% envisageraient de partir chez un concurrent (Gartner 2024)
Sources : Salesforce 2024 · Gartner 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Cartographie des motifs de contact et de leurs parcours de resolution
- Corpus de conversations pour entrainer la comprehension d'intention
- Acces aux systemes self-care pour agir (facture, options, panne)
Prérequis orga
- Equipe IA/service client qui maintient les parcours
- Process d'escalade propre vers les conseillers
Stack possible
- Rasa ou un LLM du marche en RAG pour la comprehension
- Brique voix pour la hotline
- Connexion API aux back-offices de service
Le plan, étape par étape
- Étape 1Prioriser les 10 a 20 motifs de contact les plus volumineux et cartographier leurs parcours de resolution.Livrable : Catalogue de motifs avec parcours modelises
- Étape 2Construire la comprehension du langage (NLU ou LLM en RAG) et connecter les API des back-offices self-care (facture, options, panne).Livrable : Bot capable de resoudre les motifs prioritaires en recette
- Étape 3Lancer en beta sur le chat web avec une escalade vers conseiller qui transmet le contexte deja capte.Livrable : Bot en production limitee, taux de resolution immediate mesure
- Étape 4Generaliser le chat, enrichir les motifs en continu et surveiller le ratio resolution / transfert.Livrable : Couverture etendue avec tableau de bord de deflection
- Étape 5Etendre le socle a la voix sur la hotline avec une brique vocale.Livrable : Voicebot en production sur les motifs les plus volumineux
Première étape : Prioriser les 10 a 20 motifs de contact les plus volumineux, modeliser leurs parcours, mesurer le taux de resolution immediate contre le transfert avant d'elargir.
Le même pattern, prouvé dans d'autres industries
ADT
agent client genAI
Air India
agent client genAI (service client automatisé)
Bank of America
assistant financier conversationnel a l'echelle
Sources
- S1 The Digital Service Assistant / Frag Magenta - Deutsche Telekom Primaire archive à générer
- S2 Chatbots: BT and Deutsche Telekom share insights Presse établie archive à générer
- S3 Artificial intelligence at Deutsche Telekom Primaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.