How to make an AI chatbot: A step-by-step guide
Eliott Ardisson
Founder & CEO - Basalt Studio
Comment concevoir, développer et déployer un chatbot IA pour votre PME : architecture, design conversationnel, intégrations et optimisation continue.
En bref
- Un chatbot IA efficace repose à 20 % sur la technique et à 80 % sur la conception des conversations, l’intégration aux systèmes existants et la maintenance continue.
- Avant d’écrire une ligne de code, définissez un périmètre restreint et des métriques business précises — les projets qui échouent démarrent presque toujours trop larges.
- Les grands modèles de langage (LLM) comme Claude ou GPT-4 permettent des échanges en langage naturel, mais leur qualité dépend directement de la qualité du prompt engineering et de la gestion du contexte.
- L’intégration aux outils métier (CRM, agenda, base de connaissances) est ce qui transforme un chatbot démonstratif en outil productif — prévoyez-la dès la phase de conception.
- Un chatbot non maintenu se dégrade. Planifiez des cycles d’analyse et d’optimisation réguliers dès le lancement.
Ce qu’est vraiment un chatbot IA (et ce qu’il n’est pas)
Un chatbot IA est un agent conversationnel qui utilise un grand modèle de langage (LLM) pour comprendre des requêtes en langage naturel et générer des réponses contextualisées. À la différence des bots à règles fixes, basés sur des arbres de décision rigides, un chatbot LLM peut reformuler, déduire l’intention derrière une question mal formulée, et adapter sa réponse au fil d’une conversation.
Ce que la plupart des guides omettent : le LLM ne représente qu’une partie du système. Un chatbot fonctionnel en production, c’est aussi une logique de routage, une gestion de la mémoire conversationnelle, des connexions API vers vos outils métier, et une couche de supervision humaine pour les cas hors périmètre.
Les technologies sous-jacentes les plus courantes aujourd’hui incluent les API OpenAI (GPT-4), l’API Claude d’Anthropic, et des frameworks open source comme LLaMA. Côté orchestration, des outils comme n8n permettent de connecter ces modèles à vos systèmes sans repartir de zéro à chaque projet.
Étape 1 : Définir le périmètre avant tout
La première erreur des équipes qui construisent un chatbot, c’est de partir du général vers le particulier. “On veut un bot de support client” n’est pas une spécification — c’est un souhait.
Un périmètre utile ressemble à ceci : “Un agent qui répond aux questions fréquentes sur les délais de livraison, vérifie le statut des commandes en interrogeant notre API e-commerce, et escalade vers un humain quand la demande implique un remboursement ou une réclamation complexe.”
Pour définir votre périmètre, répondez à ces questions :
- Quelles tâches répétitives occupent le plus de temps dans votre équipe en ce moment ?
- Parmi ces tâches, lesquelles suivent un schéma prévisible (même type de question, même processus de réponse) ?
- Quelles informations le bot devra-t-il consulter ou mettre à jour pour être utile ?
- À quel moment doit-il passer la main à un humain ?
Un cabinet de recrutement, par exemple, pourrait commencer par un agent de qualification des candidats entrants : collecte des informations de base, vérification de l’adéquation avec un poste ouvert, prise de rendez-vous avec un chargé de compte. Trois scénarios bien définis valent mieux que dix scénarios flous.
Métriques à fixer avant de commencer :
- Taux de résolution en premier contact (objectif : 60 % ou plus pour les cas dans le périmètre)
- Temps moyen de traitement d’une demande (comparé au traitement manuel actuel)
- Taux d’escalade vers un humain (signal de qualité de conception si trop élevé)
- Satisfaction utilisateur post-conversation
Étape 2 : Choisir l’architecture technique adaptée à votre contexte
Vous avez trois grandes options, avec des compromis clairs.
Option 1 — Plateforme no-code / low-code Des outils comme n8n en mode auto-hébergé, ou des plateformes visuelles, permettent de construire des workflows conversationnels sans développement sur mesure. Idéal pour des cas d’usage relativement standards, avec des équipes qui n’ont pas de développeur dédié. La limite : la personnalisation atteint rapidement un plafond.
Option 2 — Développement sur mesure avec LLM API Construire directement avec l’Anthropic SDK, l’API OpenAI, ou OpenRouter (qui donne accès à plusieurs modèles via une interface unifiée) en TypeScript ou Python. Vous contrôlez tout : la logique de routage, la gestion de la mémoire, les appels de fonctions, la politique de sécurité. C’est l’approche que Basalt utilise pour des projets qui nécessitent une intégration profonde aux systèmes clients — typiquement avec Next.js pour l’interface et Convex pour la persistance des données en temps réel.
Option 3 — Externalisation à une équipe spécialisée Si votre priorité est le résultat plutôt que la maîtrise technique du sujet, travailler avec une équipe qui a déjà livré des projets similaires réduit le risque d’un premier projet. L’inconvénient : vous dépendez de cette équipe pour les évolutions.
Ce qui détermine vraiment votre choix :
- Avez-vous un développeur disponible pour maintenir le système en interne ?
- Vos intégrations sont-elles complexes (multi-systèmes, données sensibles, logique métier spécifique) ?
- Votre cas d’usage est-il suffisamment standard pour qu’une plateforme généraliste le couvre, ou nécessite-t-il une logique sur mesure ?
Étape 3 : Concevoir les conversations avant de coder
C’est l’étape que les profils techniques ont tendance à sauter — et c’est là que la plupart des projets déraillent.
Un utilisateur ne perçoit pas votre architecture technique. Il perçoit la fluidité de la conversation, la pertinence des réponses, et la capacité du bot à gérer les situations imprévues sans planter.
Commencez par cartographier les parcours utilisateurs :
Pour chaque cas d’usage, documentez le chemin idéal ET les chemins alternatifs. Un agent de qualification de leads pour une agence immobilière doit gérer :
- Le prospect qui répond précisément à chaque question
- Celui qui pose une contre-question avant de répondre
- Celui dont le budget est hors périmètre
- Celui qui change de sujet en cours de conversation
- Celui qui veut parler à un humain immédiatement
Quelques principes de rédaction conversationnelle :
Évitez les formulations formulaires. “Veuillez indiquer votre adresse email” est perçu comme un formulaire déguisé. “Pour vous envoyer les informations, quelle est la meilleure adresse ?” crée un échange.
Expliquez pourquoi vous demandez une information. Les taux de completion augmentent quand l’utilisateur comprend la valeur de partager ses données.
Anticipez les ruptures. Préparez des réponses de repli claires pour les demandes hors périmètre : “Ce sujet dépasse ce que je peux traiter ici, mais je peux vous mettre en contact avec [nom ou rôle] qui pourra vous répondre directement.”
Testez avec des personnes qui ne connaissent pas le projet. Vos collègues voient ce que vous avez voulu construire. Les utilisateurs externes voient ce que vous avez réellement construit. Ce ne sont pas la même chose.
Étape 4 : Configurer l’intégration LLM et le prompt engineering
Le prompt système est le cerveau de votre chatbot. C’est lui qui définit le rôle du modèle, son périmètre d’intervention, son ton, et les règles à respecter.
Structure d’un prompt système efficace :
- Rôle et contexte : Qui est ce bot ? Pour quelle entreprise ? Quel est son mandat ?
- Périmètre d’action : Quels sujets peut-il traiter ? Lesquels doit-il refuser ?
- Règles de comportement : Format des réponses, longueur, ton, politique d’escalade
- Exemples : Deux ou trois échanges modèles pour calibrer le style
- Données contextuelles : Informations sur l’entreprise, les produits, les processus
La gestion du contexte conversationnel est un autre point critique. Le modèle n’a pas de mémoire native entre les sessions — vous devez gérer explicitement quelles informations conserver et injecter dans chaque requête. Pour des conversations longues, cela implique des stratégies de résumé ou de stockage sélectif des éléments importants.
Les function calls (appels de fonctions) permettent au modèle de déclencher des actions dans vos systèmes : vérifier un statut, créer un ticket, lire un calendrier. C’est ce qui transforme un chatbot informatif en agent capable d’agir. Définissez ces fonctions avec précision — une description floue génère des appels incorrects.
Étape 5 : Connecter vos systèmes métier
Un chatbot déconnecté de vos outils répond à des questions génériques. Un chatbot connecté à votre CRM, votre base documentaire, et votre agenda devient un vrai collaborateur.
Intégrations à prioriser selon votre secteur :
- Cabinet de conseil ou juridique : base de connaissances interne, gestion des dossiers, agenda
- Agence immobilière : CRM propriétaires/acquéreurs, alertes de biens, calendrier de visites
- E-commerce : statut des commandes, stock, historique client
- RH / recrutement : ATS, grilles de qualification, calendrier d’entretiens
- HVAC / services à domicile : agenda techniciens, zones d’intervention, devis standardisés
Principes techniques pour les intégrations :
Commencez par des intégrations en lecture seule. Lire des données avant d’écrire permet de valider la logique sans risque d’erreur sur vos systèmes de production.
Gérez les échecs d’API explicitement. Si votre CRM est indisponible, le bot doit l’indiquer clairement et proposer une alternative, pas renvoyer un message d’erreur générique.
Documentez les données sensibles et leur cycle de vie. Combien de temps conservez-vous les logs de conversation ? Qui y a accès ? Ces questions doivent avoir des réponses avant le lancement.
Étape 6 : Tester avant de déployer
Les tests de chatbot couvrent deux dimensions : la qualité des réponses et la robustesse technique.
Pour la qualité des réponses :
Rédigez un jeu de scénarios couvrant tous vos cas d’usage principaux. Faites jouer ces scénarios par des membres de l’équipe qui ne connaissent pas le détail de l’implémentation. Documentez les ruptures, les réponses inexactes, les tournures maladroites.
Testez aussi les cas limites : questions hors périmètre, questions ambiguës, messages très courts (“aide”), messages très longs, répétitions.
Pour la robustesse technique :
Testez les intégrations avec des données réelles en environnement de staging. Simulez des pannes API pour vérifier les comportements de repli. Vérifiez les temps de réponse sous charge — une réponse qui prend plus de 8 secondes génère de l’abandon.
Checklist avant lancement :
- Scénarios principaux testés et validés
- Réponses de repli testées sur des entrées inattendues
- Intégrations testées avec des données réelles
- Temps de réponse vérifiés
- Politique de données et confidentialité documentée
- Équipe formée au monitoring et aux mises à jour
Étape 7 : Déployer, monitorer et améliorer
Le déploiement n’est pas la fin du projet — c’est le début de la phase utile.
Démarrez en soft launch. Limitez l’accès initial à un sous-ensemble d’utilisateurs : clients fidèles, collaborateurs internes, ou un canal précis. Cela permet de détecter les problèmes réels sans exposer l’ensemble de votre audience.
Ce qu’il faut suivre en continu :
- Taux de complétion des conversations (l’utilisateur a-t-il obtenu ce qu’il cherchait ?)
- Taux d’escalade vers un humain (trop élevé = problème de périmètre ou de qualité de réponse)
- Questions fréquentes sans réponse satisfaisante (elles deviennent vos priorités d’amélioration)
- Satisfaction post-conversation si vous collectez ce feedback
Cycles d’optimisation :
Dans notre expérience d’accompagnement de PME sur des déploiements d’agents IA, les équipes qui maintiennent un rythme de revue régulier — même une heure par semaine pour analyser les conversations qui ont déraillé — obtiennent des améliorations de qualité significatives en quelques mois. Celles qui “lancent et oublient” observent une dégradation progressive au fur et à mesure que leur contexte métier évolue sans que le bot soit mis à jour.
Principales sources d’amélioration dans les premiers mois :
- Reformulation de réponses mal comprises
- Ajout de cas d’usage fréquents non couverts initialement
- Ajustement du ton ou du niveau de détail des réponses
- Extension des intégrations à de nouveaux systèmes identifiés en production
Erreurs courantes à éviter
Démarrer trop large. Un chatbot qui prétend tout couvrir couvre tout mal. Commencez par trois scénarios excellents.
Négliger les cas de sortie propre. Comment le bot termine-t-il une conversation ? Comment gère-t-il un utilisateur qui veut parler à un humain ? Ces moments comptent autant que le chemin nominal.
Mesurer le mauvais indicateur. Le volume de messages traités ne dit pas si votre chatbot crée de la valeur. Mesurez le temps économisé, le taux de qualification des leads, ou la satisfaction client.
Sous-estimer la maintenance. McKinsey et d’autres cabinets observent régulièrement que les projets d’automatisation qui échouent à moyen terme le font par manque de gouvernance, pas par insuffisance technique initiale. Un chatbot sans propriétaire clairement désigné et sans cycle de révision se dégrade.
Oublier la formation de l’équipe. Si personne dans votre équipe ne sait modifier le prompt système, ajouter un cas d’usage, ou interpréter les logs, vous avez créé une dépendance, pas un outil.
Un projet réaliste, pas une promesse
Construire un chatbot IA qui fonctionne en production pour une PME, c’est faisable en quelques semaines pour un périmètre ciblé. Ce n’est pas magique, et ce n’est pas trivial non plus.
Les équipes qui réussissent ont en commun trois choses : elles définissent un périmètre précis avant de commencer, elles investissent sérieusement dans la conception des conversations, et elles maintiennent le système après le lancement.
Si vous souhaitez évaluer comment un agent IA pourrait s’intégrer à vos opérations, Basalt Studio propose des appels de stratégie pour cartographier vos cas d’usage prioritaires et estimer ce qu’une implémentation représente concrètement pour votre activité. Réservez un appel ici.