Adrian McDermott (CTO de Zendesk) : Réinventer le service client à l’ère des agents intelligents

Adrian McDermott, CTO de Zendesk, incarne une vision où le service client n’est plus un flux de tickets mais un système adaptatif, nourri par une intelligence artificielle capable d’apprendre, de raisonner et d’orchestrer des actions à l’échelle de l’entreprise. À l’ère des agents intelligents, la réinvention du support passe par une approche fondamentalement nouvelle: construire ce qui n’était pas possible hier, plutôt que de reproduire ce qui existait. Cette transition, initiée par la plateforme Resolution et poussée par une série d’acquisitions stratégiques, transforme les métiers, les processus et les architectures autour du client. Le paysage se densifie autour d’une promesse: offrir une expérience client plus fluide, plus rapide et davantage centrée sur la valeur, tout en préservant l’humain là où il demeure indispensable. Dans ce cadre, l’entreprise décrit une trajectoire de croissance fondée sur l’innovation « zero to one », l’ouverture via MCP (Master Client Protocol) et une nouvelle économie des ressources humaines du service client. Le lecteur comprend que le vrai changement n’est pas la simple automatisation mais la capacité à repenser les interactions, à déployer des agents IA qui parlent le langage des clients et à tisser des liens entre les données, les systèmes et les personnes. L’exemple le plus lisible est l’adoption croissante de la résolution guidée par l’IA, où le client obtient rapidement des réponses cohérentes et les agents du centre de contact, repositionnés, se chargent de cas plus complexes. Cette réinvention est portée par des chiffres et des expériences récentes qui montrent qu’automatiser ne signifie pas réduire l’humain, mais redistribuer les tâches et amplifier les capacités des équipes. Dans ce contexte, Zendesk propose une architecture qui ne répond pas seulement à des besoins actuels, mais qui anticipe ceux qui émergeront lorsque les systèmes IA deviendront partie intégrante du quotidien des agents et des managers. La voix du CTO résonne comme un appel à l’action: il faut penser l’avenir du service client comme une écosystème intelligent où les technologies se combinent pour résoudre des problèmes qui hier semblaient hors portée. Cette approche se décline en plusieurs axes: l’open-architecture, les capacités d’apprentissage en continu, les collaborations avec les clients et les partenaires, et une méthodologie d’investissement qui privilégie le « build, buy, partner » lorsque c’est pertinent. Dans ce cadre, le lecteur peut anticiper les prochaines évolutions qui vont transformer les métiers, les structures et la culture d’entreprise autour du client.

Adrian McDermott et la mutation du service client : vers une réinvention guidée par les agents intelligents

La narration de la mutation proposée par le CTO se construit sur une première conviction forte: l’IA agentique ne sert pas uniquement à automatiser les tâches répétitives, mais à créer des possibilités qui restaient inaccessibles. Cette idée est au cœur de l’initiative Autonomous Service Workforce, présentée comme une évolution de la Resolution Platform lancée en 2025. Il s’agit de repenser chaque élément du travail du service client: les interactions, les décisions, les représailles d’escalade et les parcours clientèle. L’objectif est de permettre à l’ensemble de l’équipe de bénéficier d’un système qui comprend le contexte, anticipe les besoins et propose des actions adaptées en temps réel. Le raisonnement s’inscrit dans une logique de valeur: automatiser les tâches qui peuvent être exécutées avec régularité, libérer du temps pour les problématiques complexes et surtout élargir le périmètre des cas qui peuvent être traités sans friction pour le client. Dans ce cadre, la notion de « debt » (dette) de service est réinterprétée comme une dette qui s’accroît lorsque le service n’est pas capable de répondre à toutes les demandes, même si l’automatisation est en place sur certains flux. La dette de service est donc une invitation à remanier les métiers et les parcours, pour que les clients ne soient jamais laissés sans solution, même lorsque les requêtes évoluent ou deviennent plus contextuelles. Cette perspective est appuyée par des expériences réelles: lorsque les parcours IA sont bien conçus et connectés à des systèmes d’entreprise, les clients bénéficient d’un service instantané, cohérent et personnalisable, et les agents humains se consacrent à des domaines où leur savoir-faire est irremplaçable. Pour montrer la solidité de ce cadre, le CTO évoque des success stories internes autour de l’utilisation agressive de leurs propres agents IA, qui automatisent la majeure partie des demandes et contribuent à maintenir des indicateurs de satisfaction élevés. Cette approche est le signe d’une maturité croissante dans l’exploitation des données et des algorithmes, où la qualité du service est mesurée par des métriques dédiées et une capacité d’évolution rapide des parcours. Les mécanismes — learning loops, intent tagging, et orchestration des systèmes — se déploient comme des piliers qui soutiennent l’architecture agentique et assurent que les progrès ne restent pas théoriques, mais se traduisent par des gains concrets pour les clients et les agents. Cette dimension est renforcée par des exemples concrets, comme l’amélioration des parcours de retour produit dans le commerce de détail ou l’optimisation des files d’attente grâce à des règles d’authentification et d’intégration plus intelligentes. En parallèle, l’entreprise insiste sur l’importance de la mesure et du contrôle de la qualité, afin d’éviter une chute de la satisfaction lorsque les systèmes évoluent rapidement. Des notions comme le Quality Score et l’évaluation des intents guident ces évolutions et permettent d’agir rapidement sur les écarts détectés. Dans ce cadre, les lecteurs découvrent une approche où la technologie n’est pas un simple outil, mais le catalyseur d’un nouveau modèle opérationnel qui réconcilie l’efficacité et l’empathie du service client.

Acquisitions, talent et vitesse d’innovation : comment Zendesk accélère la réinvention

La trajectoire récente de Zendesk est marquée par une série d’acquisitions ciblées destinées à enrichir l’écosystème IA et à accélérer la mise en place d’un service client agentique. Le raisonnement derrière ces mouvements repose sur trois axes complémentaires: l’innovation, l’accès à des équipes expertes et l’acquisition de temps, c’est-à-dire de rythme et de capabilité pour avancer plus vite que la concurrence. Sur le plan de l’innovation, l’intégration de HyperArc a permis d’optimiser la mémoire et la compréhension des données, renforçant la capacité à générer des insights et à construire des composants analytiques puissants. Cette dimension s’inscrit dans une démarche plus large autour du « Analytics Copilot », qui alimente le contexte des conversations et les décisions opérationnelles. Du côté des équipes, l’ADN des acquisitions comme Tymeshift et Klaus est devenu un levier pour absorber des expertises spécifiques dans le domaine du workforce management et de la QA pour le service client. Cela permet à Zendesk d’étendre la couverture fonctionnelle et d’éviter les cycles coûteux de développement interne lorsqu’une compétence clé existe déjà ailleurs. Enfin, l’angle temporel se matérialise par des gains rapides qui permettent de déployer plus vite des parcours IA et des assistants personnalisés dans des contextes variés. Le résultat est une plateforme qui n’est plus une simple boutique de produits mais un véritable écosystème d’innovation, où chaque acquisition remplit une fonction précise et améliore la capacité opérationnelle globale. En parallèle, Zendesk poursuit une stratégie d’intégration et d’ouverture par le biais de l’approche MCP (Master Client Protocol), qui permet d’unifier les connecteurs et les échanges entre les systèmes IA et les données internes, tout en offrant des possibilités d’expansion vers des IA externes ou des chaînes logicielles tierces. Cette orientation est systématiquement associée à une logique « build, buy, partner », afin de déterminer, pour chaque cas d’usage, la meilleure combinaison pour obtenir des résultats mesurables et durables. Pour illustrer, Forethought a été intégré directement dans les agents IA Zendesk, renforçant le coffre commun et accélérant l’apprentissage dans la résolution des demandes. L’effet observé est une capacité accrue à proposer des réponses pertinentes, tout en laissant l’escalade humaine comme ultime recours quand une complexité cognitive se présente. Le lecteur comprend que la vitesse d’innovation n’est pas une fin en soi, mais un moyen de reconfigurer les métiers et les flux de travail autour du client. Le changement est palpable, avec des démonstrations concrètes comme l’adoption de Custom Agents et l’émergence d’un ensemble de rôles dédiés à l’IA au service client. Cette dynamique n’est pas une rupture brutale, mais une évolution qui souffre d’obstacles et d’expérimentation: les dirigeants évoquent le besoin d’apprentissages constants et d’un langage commun pour déployer des systèmes qui parlent la même langue que les agents et les clients. Les résultats attendus se lisent dans la capacité à augmenter la part des interactions résolues automatiquement tout en maintenant, voire en améliorant, les indices de satisfaction clients et les taux de fidélisation. Cette approche donne une vision claire de la manière dont Zendesk, sous la houlette de McDermott, souhaite transformer le secteur et accélérer la convergence entre IA et expérience humaine du service client.

La dette de service et la boucle d’apprentissage: piloter la qualité dans un système IA en mouvement

Le concept de dette de service — longtemps évoqué dans les cercles techniques — prend ici une signification opérationnelle nouvelle. Dans une architecture où l’IA prend en charge un volume croissant d’interactions, ne pas résoudre systématiquement les demandes les plus pertinentes expose le client à des retards et des frictions. Le raisonnement affiché par le CTO est que l’automatisation bien conçue révèle, plutôt que dissimule, les attentes des clients. Quand 40 % des interactions sont automatisées, le volume total des échanges peut augmenter sensiblement, ce qui oblige à repenser l’expérience pour éviter que l’efficacité ne se fasse au détriment du service. La solution passe par une connaissance précise des intents: catégoriser les demandes, mesurer les métriques par type d’intent, et aligner chaque flux sur les capacités des agents IA et sur les systèmes qui les alimentent. Le service debt devient alors l’indicateur qui guide les investissements et les priorités. L’objectif est d’éviter que les clients abandonnent des demandes faute de résultats rapides ou de solutions adaptées. Dans ce cadre, Zendesk propose une trajectoire itérative où chaque déploiement est l’occasion d’apprendre et d’affiner les procédures. Le Learning Loop — ou boucle d’apprentissage Resolution Learning Loop — est au cœur de cette dynamique: lorsqu’un cas sort du cadre automatisé, la plateforme peut générer automatiquement une nouvelle procédure IA et la proposer à l’administrateur sous forme de proposition d’amélioration. Cette approche permet de composer des parcours plus efficaces et plus intelligents sans nécessiter une refonte complète à chaque itération. L’objectif est d’atteindre une qualité de service plus homogène, même lorsque les scénarios deviennent divers et complexes, et de s’assurer que chaque interaction profite d’un contexte et d’un historique communs pour gagner en pertinence. La mise en œuvre passe par le mapping des intents par volume et par durée et par la mise en relation des données client avec les systèmes opérationnels qui peuvent être sollicités pour résoudre le problème. Le lecteur saisit que la dette de service n’est pas une faiblesse mais une boussole: elle indique où investir, où améliorer les parcours, et comment viser une expérience client qui se perfectionne continuellement. La démonstration la plus marquante est l’effet combiné d’automatisation avancée et de supervision humaine qui, ensemble, élèvent le niveau des interactions et créent une dynamique de progrès mesurable dans le temps. Cette approche n’est pas une promesse abstraite: elle se voit dans les métriques, comme l’évolution des scores CSAT et NPS, et dans la réévaluation constante des processus en fonction des retours clients. Le chapitre se clôt sur une observation centrale: automatiser ne signifie pas éliminer l’humain, mais plutôt repositionner les talents et les compétences autour d’objectifs plus ambitieux et plus analytiques.

• Relation IA client: vers une expérience cohérente et proactive
• Mesure de qualité: Quality Score et CSAT pour guider les améliorations
• Évolution des métiers: recomposition des rôles autour des capacités IA
• Intents et parcours: cartographie des demandes pour prioriser l’automatisation
• Apprentissage continu: boucle de rétroaction et adaptation des règles

Les implications pour les entreprises clientes sont profondes: les équipes gagnent en autonomie grâce à des agents IA mieux informés et les managers disposent d’outils pour diagnostiquer rapidement les points de friction et agir sur les parcours. Le cœur de la stratégie demeure toutefois l’humain: les agents humains restent les garants de l’empathie et du jugement lorsque les scénarios dépassent les capacités des systèmes. Dans ce cadre, l’approche MCP et l’intégration des plateformes d’IA tiers élargissent le champ des possibles, permettant d’orchestrer des assistants IA calibrés sur les besoins spécifiques des organisations et des secteurs. Pour les lecteurs, cela se traduit par une invitation à considérer le service client non pas comme une ligne budgétaire à optimiser, mais comme une capacité à générer de la valeur via une interaction client plus authentique et plus efficace. Le chemin est encore long, mais les jalons montrent une direction claire: l’IA agentique, correctement conçue et surveillée, peut amplifier l’efficacité tout en maintenant l’intention et l’âme du service client.

Architecture et standards ouverts: MCP Client/Server et le cadre Model Context Protocol

Le cœur technique de la réinvention repose sur une architecture ouverte, fondée sur le MCP Client et le MCP Server, qui offrent une chaîne d’intégration fluide entre les données internes et les agents IA. Cette approche répond à une question cruciale: comment connecter des systèmes hétérogènes et des modèles d’IA variés pour obtenir une expérience client cohérente et fiable? Le MCP Client agit comme une façade universelle pour consommer des services IA via des API REST, une approche qui maximise la compatibilité et la flexibilité d’intégration. Le MCP Server, de son côté, met à disposition les données et les workflows internes pour que des agents IA externes puissent les exploiter de manière sécurisée et conforme. Cette dualité client/server n’est pas une simple architecture technique; elle structure l’écosystème autour du client et permet une orchestration sophistiquée des parcours IA, en évitant les silos et en assurant la traçabilité des décisions. En parallèle, la notion de Model Context Protocol vient nourrir le cadre pour les conversations agents: elle garantit que le contexte pertinent est maintenu au fil d’une interaction, ce qui est essentiel pour la cohérence des échanges et la mémorisation des préférences. L’objectif est d’éviter les ruptures et d’offrir une continuité conversationnelle, même lorsque les agents changent en cours d’interaction ou que les systèmes de backend évoluent. Dans ce cadre, l’architecture devient un levier stratégique: elle permet d’évoluer rapidement, d’ajouter des agents IA ad hoc, et d’étendre les capacités au-delà des frontières internes de l’entreprise, tout en conservant un niveau élevé de sécurité et de conformité. Le lecteur peut entrevoir une transformation qui se matérialise dans des scénarios concrets: des clients qui obtiennent des réponses qui s’alignent sur leurs intentions, des données qui circulent librement entre les composants et des agents IA capables d’actionner des processus métier tout en restant audités et contrôlables. L’adoption de MCP et du protocole contextuel est donc un pivot essentiel pour accéder à un futur du service client où les systèmes IA ne remplacent pas l’humanité, mais élèvent son travail et sa portée.

Dans la pratique, Zendesk a mis en œuvre des initiatives comme l’ITAM et l’AI Actions Platform, qui démontrent qu’une plateforme d’intégration pensée “zero to one” peut être créée en interne lorsque les besoins sont spécifiques et l’écosystème déjà dense. L’émergence d’un cadre MCP Server permet aussi à des organisations clientes d’ouvrir leur propre solution agentique, en tirant parti des données et des flux internes tout en restant maître de leur sécurité et de leurs règles métiers. Cette approche est renforcée par l’idée que les agents IA peuvent aussi travailler en mode agent-to-agent, en co-créant des solutions avec les systèmes clients et les partenaires technologiques. Cette vision est alimentée par les échanges avec les communautés et les cas d’usage réels observés chez les clients: des parcours qui s’améliorent lorsque l’IA est alimentée par des données pertinentes et des règles métier clairement spécifiées. Le lecteur comprend que l’architecture MCP n’est pas une mode passagère: elle est le socle qui permet de passer d’un ensemble de solutions isolées à un écosystème interopérable et résilient. Le chemin continue avec des expérimentations et des déploiements qui élargissent le champ des possibilités, tout en garantissant que le service client reste une activité centrée sur l’humain et la relation.

Pour les professionnels et les décideurs, l’enseignement principal est clair: adopter des standards ouverts et des protocoles robustes, c’est gagner en agilité et en sécurité. À mesure que les agents IA deviennent plus présents dans les interactions, la maîtrise des flux, la traçabilité et l’harmonisation des expériences client deviennent des compétences clés. De plus, la mise en avant de la « lingua franca » MCP renforce la portabilité des solutions et facilite les partenariats avec les acteurs IA tiers, permettant d’élargir l’écosystème sans compromettre l’intégrité du système. Le lecteur se voit proposer une perspective concrète: les organisations qui investissent dans l’architecture et les protocoles contextuels disposeront d’un terrain fertile pour déployer rapidement des agents IA adaptés à leurs besoins et pour évoluer sans rupture. Les exemples et les témoignages issus des projets internes soulignent la valeur d’un cadre qui sait combiner ouverture, sécurité et performance, afin de transformer le service client en une fonction capable de s’adapter à la complexité croissante des environnements d’affaires.

La discussion se poursuit par une réflexion sur l’avenir des rôles humains dans ce cadre d’IA avancée. Alors que les tâches répétitives peuvent être prises en charge par des agents IA, les métiers évoluent vers des postes qui nécessitent une vision systémique, la connaissance du domaine et la capacité à orchestrer les technologies. L’AI Service Architect devient un nouveau métier pivot, reliant la connaissance métier, l’ingénierie des données et la gestion des procédures pour piloter les parcours client avec une précision croissante. Dans ce contexte, l’entreprise ne cherche plus seulement à automatiser, mais à transformer les métiers autour du client, en donnant aux équipes les outils pour concevoir, tester et déployer des solutions qui répondent à des exigences réelles et évolutives. Le lecteur retient l’idée centrale: la réinvention du service client est autant technologique que managériale, et elle repose sur une convergence entre architecture ouverte, apprentissage continuel et empowerment des équipes humaines et IA.

Rôles émergents et recomposition des métiers: l’avenir du service client à l’ère des agents intelligents

La métamorphose du service client s’accompagne d’une reconfiguration des métiers et des compétences. Alors que les tâches opérationnelles de premier niveau deviennent largement automatisées, les responsabilités se déplacent vers des fonctions plus analytiques et stratégiques. Le modèle est clair: automatiser les flux routiniers tout en conférant aux équipes humaines des missions qui exigent du sens, de la créativité et une compréhension nuancée des clients. Dans cette logique, les postes traditionnels se transforment et certains disparaissent, mais de nouveaux rôles apparaissent pour prendre le relais et amplifier l’impact des agents IA. La notion d’« AI Service Architect » illustre cette évolution: il ne s’agit pas d’un simple développeur, mais d’un concepteur de parcours qui comprend l’ensemble du système, depuis les données jusqu’aux décisions et aux résultats pour le client. Cette fonction est destinée à créer des environnements où les flux IA et humains coexistent harmonieusement et où les règles métiers et les considérations éthiques restent au centre des décisions. Les équipes de service client deviennent ainsi des écosystèmes hybrides, où les agents IA et humains coopèrent, chacun apportant ce qu’il sait faire de mieux. Le rôle des chefs d’équipe évolue aussi: la supervision des agents IA exige un leadership qui sait combiner la gestion des performances et la gestion du savoir, tout en veillant à ce que les objectifs de satisfaction et de rétention restent prioritaires. Avec la montée en puissance de la personnalisation et de la contextualisation, les métiers se spécialisent: experts en knowledge management, spécialistes de l’intégration de systèmes, et spécialistes de l’éthique et de la sécurité des échanges. Chaque nouveau poste répond à un besoin précis et à une exigence croissante: rendre l’expérience client cohérente, transparente et centrée sur la valeur, quelles que soient les interactions et les canaux. Le lecteur se voit offrir une connaissance approfondie des dynamiques humaines et organisationnelles qui accompagnent la transformation technologique, et comprend que la réussite dépend d’un alignement fort entre les objectifs business, la technologie et le capital humain. Le fil conducteur de cette section est l’idée que la réinvention du service client passe par la montée en puissance de talents capables de concevoir et de piloter des systèmes IA tout en maintenant l’attention humaine sur les aspects les plus délicats et sensibles de l’expérience client.

• AI Service Architect: un leadership multidisciplinaire entre connaissance métier et ingénierie
• Team leads: gestion des agents humains et IA et optimisation des ressources
• Knowledge managers: architecture et gouvernance de la connaissance
• Cas d’usage IA-to-IA et collaboration avec les partenaires externes
• Éthique et conformité: veille et intégrité des données client

Le chapitre final de cette section éclaire comment l’équilibre entre automatisation et humanité peut devenir une force compétitive. Les organisations qui investissent dans la formation, les outils d’analyse et les cadres opérationnels pour gérer les parcours IA et humains, s’assurent une capacité durable à innover. La vision dépasse la simple réduction des coûts: elle vise à créer une expérience client qui se renforce avec chaque interaction, qui apprend en continu et qui s’adapte rapidement à des marchés et à des attentes en constante évolution. Dans ce contexte, le service client devient une fonction stratégique, capable d’anticiper les besoins, de guider les clients avec précision et de transformer des moments de friction en opportunités de valeur durable. Le lecteur repart avec une compréhension claire des dynamiques humaines qui sous-tendent la réinvention: un mélange d’automatisation intelligente, de supervision humaine et d’une architecture qui permet aux agents IA de se déployer sans fragiliser l’expérience client. Cette fusion de technologies et de métiers est l’essence même d’une migration réussie vers le service client de demain.

Qu’est-ce que l’Autonomous Service Workforce ?

C’est une approche stratégique qui place l’intelligence artificielle agentique au cœur du service client, en sollicitant à la fois l’assistance IA et l’intervention humaine lorsque nécessaire pour résoudre les cas les plus complexes.

Comment Zendesk utilise-t-il le MCP Client/Server ?

Le MCP Client agrège les connecteurs et permet d’appeler des services IA via une API standardisée; le MCP Server expose les données et workflows internes pour que des agents IA externes puissent les exploiter. Cela assure l’interopérabilité et la scalabilité des solutions agentiques.

Pourquoi la dette de service est-elle centrale ?

Parce qu’elle révèle les zones où le service client échoue à répondre à toutes les demandes. En la comprenant et en la traitant via l’IA et l’amélioration continue, il est possible d’économiser du temps tout en augmentant la satisfaction client.