T-Mobile US
Plateforme de decisioning pilotee par l'intention : un moteur lit l'intention et le sentiment client en temps reel, decide de l'action suivante et peut l'executer, au-dela d'un simple chatbot
T-Mobile construit avec OpenAI IntentCX, une plateforme de decisioning qui lit l'intention et le sentiment client en temps reel pour proposer ou executer une action, avec un objectif interne de -75% d'appels care ; les premiers elements touchent les clients depuis 2025, sans resultat a l'echelle encore publie.
Objectif
Comprendre l'intention du client en direct, proposer ou executer la bonne action, et faire baisser le volume d'appels au service client tout en gardant le client autonome.
Le déploiement
IntentCX est la plateforme de decisioning que T-Mobile construit avec OpenAI, annoncee en septembre 2024. Elle est concue pour comprendre l'intention et le sentiment du client en temps reel, proposer une resolution et prendre des actions de facon autonome avec la permission du client, en s'appuyant sur des milliards de points de donnees d'interactions reelles. T-Mobile la presente comme allant au-dela des chatbots et lui a fixe un objectif interne de reduction de 75 pour cent des appels au service client. Le deploiement est progressif : fin 2025, la direction indique que les premiers elements du programme touchent les clients, notamment dans les flux d'upgrade, ou 75 pour cent des upgrades d'iPhone pendant la fenetre de precommande sont passes par les canaux digitaux. Les resultats a l'echelle de la plateforme ne sont pas encore publies : ce cas documente un deploiement reel en phase precoce, pas encore un impact churn ou volume chiffre et attribue.
Résultats Preuve C
Partenariat et perimetre documentes par le communique officiel T-Mobile (T1) et le suivi du rollout par la presse specialisee (T3) citant nommement la direction. Mais les chiffres publics sont soit une capacite annoncee, soit un objectif interne, soit une adoption digitale non strictement attribuee a IntentCX. Deploiement reel en phase precoce, impact a l'echelle non encore prouve : niveau volontairement plafonne.
Comment ça fonctionne
Approche-type inféréeLe détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.
La stack en détail
- llm OpenAI Modeles OpenAI au coeur d'IntentCX, avec un support recherche dedie pour l'optimisation. Le modele exact n'est pas nomme publiquement.
- plateforme IntentCX Plateforme de decisioning construite par T-Mobile avec OpenAI : lecture d'intention et de sentiment en temps reel, next-best-action, execution d'actions avec la permission du client.
- infra Systemes de care et de transaction T-Mobile Back-offices d'upgrade et de souscription (dont l'app T-Life) ouverts a l'execution d'actions par l'agent.
- infra Donnees d'interaction et de reseau temps reel Milliards de points issus des interactions reelles, de l'experience reseau et des services, qui alimentent la comprehension du client.
Comment ça tourne, concrètement
Pour les équipes ops-
1Alimenter le moteur en donnees d'interaction Equipe data
Des milliards de points issus des interactions reelles, de l'experience reseau et des services nourrissent la comprehension du client.
-
2Lire l'intention en temps reel IA / OpenAI
Le moteur detecte l'intention et le sentiment pendant l'interaction pour decider de la meilleure action suivante.
-
3Proposer ou executer, avec permission IA sous controle client
L'agent resout, ou execute une action sur le compte avec l'accord du client, plutot que de renvoyer vers un conseiller.
-
4Deployer par flux, en commencant par l'upgrade Equipes care / digital
Le rollout est progressif ; les flux d'upgrade et de souscription sont parmi les premiers a passer en digital.
La justesse de la detection d'intention et l'acces temps reel aux systemes de transaction. Si l'intention est mal lue ou l'action mal executee sans supervision, le risque n'est plus une mauvaise reponse mais une mauvaise action sur le compte.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Donnees d'interaction et de compte accessibles en temps reel
- Systemes de transaction ouverts a des actions pilotees par l'IA
- Consentement client et tracage des actions (RGPD / article 22 en UE)
Prérequis orga
- Equipe capable d'operer un agent qui agit, pas seulement qui repond
- Gouvernance forte du perimetre d'action autonome et de la supervision humaine
Stack possible
- LLM et agents (OpenAI, Anthropic, ou equivalent) avec support d'optimisation
- Couche de decisioning / next-best-action branchee sur le CRM et les back-offices
- Detection d'intention et de sentiment en temps reel
Le plan, étape par étape
- Étape 1Cadrer la data : inventorier les donnees d'interaction accessibles en temps reel et les systemes de transaction ouvrables a un agent.Livrable : Carte des flux de donnees et des API de transaction, avec les trous a combler.
- Étape 2Choisir un flux a fort volume et faible risque (ex. upgrade), definir le perimetre d'action autonome, le consentement client et le cadre juridique (RGPD article 22).Livrable : Spec du perimetre d'action et dossier juridique valide par le DPO.
- Étape 3Construire l'agent (detection d'intention plus decisioning), d'abord en lecture seule, puis en execution supervisee sur le flux pilote.Livrable : Agent en pre-production, chaque action tracee et reversible.
- Étape 4Passer le flux pilote en production sous permission client et mesurer la deflection d'appels contre un groupe temoin.Livrable : Resultats du test controle : deflection, taux de rappel, incidents.
- Étape 5Elargir flux par flux en gardant la supervision humaine sur les actions nouvelles.Livrable : Roadmap de rollout par flux avec seuils de qualite a franchir.
Première étape : Isoler un flux a fort volume et faible risque (ex. upgrade), y limiter le perimetre d'action autonome sous permission client, et mesurer la deflection d'appels contre un groupe temoin avant d'elargir.
Le même pattern, prouvé dans d'autres industries
Albertsons
prevision de demande IA pour le frais et reapprovisionnement automatise en rayon
Carrefour Taiwan
modeles de valeur vie client et de churn pour concentrer l'effort marketing sur les clients a retenir
Every Man Jack
timing predictif de reachat (predicted next order date)
Sources
- S1 T-Mobile and OpenAI Join Forces to Revolutionize the Customer Experience with IntentCX Primaire archive à générer
- S2 T-Mobile sets its sights on eliminating the pain of signups and upgrades Presse établie archive à générer
- S3 T-Mobile, OpenAI to equip customer care agents with AI platform Presse établie 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.