Fonctionnement d’un chatbot : ce qui se passe entre votre message et sa réponse

Toutes les pages qui expliquent le fonctionnement d’un chatbot racontent la même histoire en quatre temps : il reçoit, il comprend, il cherche, il répond. C’est exact, et ça n’explique rien. Ça ne dit pas pourquoi un bot répond parfaitement à « où est ma commande » et déraille sur « c’est quand que je récupère mes sous ». Ça ne dit pas quel réglage aurait évité l’erreur.

La vraie mécanique tient dans une opération arithmétique très simple, faite des dizaines de fois par message : une comparaison qui rend un nombre. Comprendre ce nombre, c’est comprendre un chatbot, et surtout savoir le régler. Cet article suit un message du clavier jusqu’à la réponse, montre les artefacts réels qui existent à chaque étape, et vous laisse manipuler vous-même le moteur.

Le trajet d’un message, étape par étape

Entre le moment où vous appuyez sur Entrée et celui où la réponse s’affiche, il se passe rarement plus de deux secondes. Voici ce qui s’y déroule, dans l’ordre, pour un chatbot d’entreprise classique.

1. La réceptionLe widget capte votre texte, ou le clic sur un bouton, et l’envoie au serveur du bot avec un identifiant de session. C’est cet identifiant qui rattache votre message aux précédents.
2. La normalisationLe texte est mis en minuscules, débarrassé de ses accents et de sa ponctuation, découpé en mots. Les mots outils (articles, pronoms, prépositions) sont souvent écartés. « Où est ma commande ? » devient une poignée de jetons, parfois un seul.
3. Le calcul des scoresCe qui reste est comparé aux phrases d’entraînement de chaque intention. Chaque intention repart avec une note. C’est l’étape que la suite de cet article dissèque.
4. La décisionLe moteur regarde la meilleure note. Si elle atteint le seuil, l’intention gagnante est retenue. Sinon il déclenche le repli : reformulation demandée, menu de choix, ou transfert vers un humain.
5. L’extraction des informationsSi l’intention est retenue, le moteur en tire les données utiles : une référence de commande, une date, un code postal, un montant. Ces valeurs sont rangées dans des variables de session.
6. L’actionBeaucoup de réponses ne sont pas des phrases toutes prêtes. Le bot appelle une API (le suivi du transporteur, le CRM, l’agenda), attend le résultat, et le glisse dans sa réponse.
7. La restitutionLe texte est envoyé au widget, avec parfois des boutons de suite, une image, un lien. Et le tour recommence au message suivant, cette fois avec un contexte.

Chaque étape a un réglage qui la pilote, et un symptôme qui la trahit quand elle échoue. C’est le tableau qu’on ne trouve nulle part et qui sert le plus quand on doit diagnostiquer un bot qui déçoit.

Un chatbot ne comprend pas, il note

C’est la phrase la plus utile de tout cet article, et c’est la documentation de Botnation qui la formule le plus honnêtement : « Le chatbot ne comprend pas une phrase en son entier mais il va en reconnaître certains mots. C’est en comparant ces mots avec ceux qui ont été configurés dans les règles de son IA qu’il va pouvoir y associer la bonne réponse. »

La documentation de Google dit la même chose, avec un chiffre. Sur Dialogflow, chaque intention candidate reçoit une note : « Lors de la recherche d’une intention correspondante, Dialogflow note les correspondances possibles avec une confiance de détection d’intention, aussi appelée score de confiance. Ces valeurs vont de 0,0 (totalement incertain) à 1,0 (totalement certain) » (« When searching for a matching intent, Dialogflow scores potential matches with an intent detection confidence, also known as the confidence score. These values range from 0.0 (completely uncertain) to 1.0 (completely certain) », documentation Dialogflow ES, page mise à jour le 29 juillet 2026).

Trois familles de moteurs calculent ce score différemment, mais toutes le calculent.

• Les moteurs à mots-clés comparent les mots présents. C’est le cas de l’IA élémentaire de Botnation, avec ses mots clés, ses expressions et ses règles.
• Les moteurs à classifieur (Dialogflow, Rasa, watsonx Assistant) apprennent un modèle statistique sur vos phrases d’exemple et sortent une distribution de probabilités sur les intentions.
• Les moteurs à vecteurs, ceux des chatbots récents, transforment la phrase en une liste de nombres et cherchent les passages de votre documentation les plus proches dans cet espace. Le score y devient une distance vectorielle, mais c’est toujours un score.

Le moteur ci-dessous est de la première famille, la plus lisible. Sa base d’intentions est publiée en clair, sa formule aussi, et il tourne dans votre navigateur : rien de ce que vous tapez ne part ailleurs.

Prenez trois minutes pour jouer avec. Trois choses valent le détour.

• Tapez « c’est quand que je récupère mes sous ». Le moteur propose « Obtenir un remboursement » à 0,41, alors que le mot « remboursement » n’apparaît nulle part. Le seul mot commun est « quand ». Voilà, en une ligne, comment un bot répond à côté.
• Passez le seuil de 0,35 à 0,50 sur cette même phrase. Le bot cesse de répondre et passe la main. La phrase n’a pas changé, le bot non plus : un seul curseur a changé de valeur.
• Testez « je n’arrive pas à me connecter et je veux un remboursement ». Deux intentions arrivent à égalité parfaite. Sans règle d’écart, le moteur en choisit une au hasard de l’ordre alphabétique. Avec la règle d’écart, il refuse de trancher.

Le seuil de confiance, le réglage qui décide de tout

Une fois les scores calculés, il reste une décision binaire à prendre : répondre, ou ne pas répondre. C’est le seuil qui tranche, et la documentation de Google en donne la règle exacte : « Si l’intention au score le plus élevé a un score de confiance supérieur ou égal au paramètre ML Classification Threshold, elle est renvoyée comme correspondance. Si aucune intention n’atteint le seuil, une intention de repli est retenue. Si aucune intention n’atteint le seuil et qu’aucune intention de repli n’est définie, aucune intention n’est retenue » (« If the highest scoring intent has a confidence score greater than or equal to the ML Classification Threshold setting, it is returned as a match. If no intents meet the threshold, a fallback intent is matched. If no intents meet the threshold and no fallback intent is defined, no intent is matched »).

Chez Rasa, l’autre grande plateforme ouverte, le mécanisme porte un nom de composant : « Pour traiter les messages entrants avec une faible confiance NLU, utilisez le FallbackClassifier. Avec cette configuration, l’intention nlu_fallback sera prédite lorsque toutes les autres prédictions d’intention tombent sous le seuil de confiance configuré » (« To handle incoming messages with low NLU confidence, use the FallbackClassifier. Using this configuration, the intent nlu_fallback will be predicted when all other intent predictions fall below the configured confidence threshold », documentation Rasa).

Deux valeurs par défaut méritent d’être connues, parce qu’elles fixent le comportement de milliers de bots dont personne n’a touché la configuration. Dans le code source de Rasa, le fichier rasa/core/constants.py pose DEFAULT_NLU_FALLBACK_THRESHOLD = 0.3 et DEFAULT_NLU_FALLBACK_AMBIGUITY_THRESHOLD = 0.1. La documentation, elle, montre un exemple à 0,7. Autrement dit : le réglage livré est permissif, celui que la documentation suggère est prudent, et l’écart entre les deux change complètement le caractère du bot.

Le second nombre est le plus intéressant, et il est presque toujours ignoré. Le classifieur de Rasa ne bascule pas seulement quand le meilleur score est trop bas : il bascule aussi quand les deux premiers scores sont trop proches. Le code compare la différence entre le premier et le deuxième, et si elle est inférieure à 0,1, il prédit quand même le repli. La logique est excellente : un bot très sûr de deux choses contradictoires est un bot qui va se tromper une fois sur deux. Mieux vaut poser une question.

Il n’existe pas de bon seuil dans l’absolu. Il existe un bon seuil pour un coût d’erreur donné. La bonne question à se poser avant de le fixer n’est pas « quel est le meilleur réglage », mais « que se passe-t-il si le bot répond faux à cette question précise ». Sur un suivi de colis, pas grand-chose. Sur une question de remboursement ou de couverture d’assurance, beaucoup.

Trois moteurs sous le capot, et comment reconnaître celui qui vous répond

Le mot « chatbot » recouvre trois machines très différentes. Elles ne se distinguent pas à l’apparence de la fenêtre de discussion, qui est identique dans les trois cas, mais à leur comportement face à une phrase inattendue.

Le tableau se lit vite, mais il ne dit pas ce qui compte le plus au quotidien : les trois moteurs cohabitent presque toujours dans le même bot. Un menu de boutons en accueil, des intentions pour les demandes récurrentes, un moteur génératif en filet de sécurité pour tout le reste. Si vous voulez creuser cette classification et ses variantes vocales, l’article sur les types de chatbot la détaille par interface, par canal et par objectif.

Le test en trois messages, à faire sur n’importe quel bot

Vous pouvez identifier le moteur d’un chatbot inconnu en moins d’une minute, sans rien savoir de sa technologie. Envoyez-lui ces trois messages dans l’ordre.

1. « bonjour » écrit avec trois fautesTapez « bnjour » ou « bonjou ». Un moteur à mots-clés tolère souvent la faute et salue. Un moteur à boutons ignore le texte. Un moteur génératif répond normalement, et souvent commente gentiment la faute.
2. Une question hors sujet mais bien formuléeDemandez la recette du gâteau au yaourt à un bot bancaire. Un moteur à intentions bascule sur son repli. Un moteur génératif mal encadré vous donne la recette, ce qui prouve qu’il répond sans garde-fou.
3. Une question qui dépend de la précédentePosez une question, puis enchaînez avec « et pour l’autre ? ». Seul un moteur qui garde un contexte peut s’en sortir. Les deux autres repartent de zéro.

Ce petit protocole vaut aussi pour évaluer un prestataire en démonstration : il révèle en trois messages ce qu’un argumentaire commercial met une heure à contourner.

À quoi ça ressemble dans un vrai éditeur

Tout ce qui précède existe sous forme d’écrans concrets. Voici les artefacts réels d’une plateforme, ici la documentation publique de Botnation, qui a le mérite de décrire son moteur élémentaire sans le romancer.

Une règle d’IA associe une intention à des mots clés et à des expressions. Les mots clés sont des synonymes qui déclenchent la règle isolément. Une expression est une association de mots : la documentation précise que « l’IA ne déclenche une règle que si et seulement si tous les mots d’une Expression sont contenus dans la phrase de l’utilisateur », dans n’importe quel ordre et même séparés par d’autres mots.

Sous le capot, une intention n’est donc rien d’autre qu’une liste. Deux intentions voisines se distinguent par les mots qui ne sont présents que dans l’une d’elles : c’est exactement ce que fait la colonne de droite du banc d’essai plus haut, et c’est ce que montre la capture suivante avec des synonymes de « maison » d’un côté, d’« appartement » de l’autre.

Trois réglages fins complètent le dispositif, et ils règlent chacun un problème que vous rencontrerez.

• Les expressions négatives excluent un mot : on écrit le signe moins devant le terme à écarter, et la règle ne se déclenche que si ce mot est absent.
• Les mots clés prioritaires, préfixés d’un tiret bas, déclenchent leur règle même si la phrase contient d’autres mots clés qui auraient pu en déclencher une autre. C’est un arbitrage manuel d’ambiguïté.
• La séquence de réponse par défaut est le repli. La documentation est franche sur ce qui l’active : « lorsque l’utilisateur commet trop de fautes dans un même mot, il arrive que le chatbot n’arrive pas à comprendre et renvoie à la Séquence de Réponse par Défaut ». Les mots incompris remontent ensuite dans un algorithme de recommandation, c’est-à-dire dans la liste de ce qu’il faut ajouter aux règles.

Cette boucle est le vrai travail d’exploitation d’un chatbot : lire ce que les gens ont écrit et que le bot n’a pas compris, puis l’ajouter. Un chatbot ne s’installe pas, il se cultive. C’est aussi ce qui distingue un projet mené par une équipe interne d’un projet confié à des experts en création de chatbot : quelqu’un doit ouvrir cette liste toutes les semaines.

Fonctionnement des chatbots IA : ce que le grand modèle de langage change au trajet

Depuis 2023, une quatrième couche s’est glissée dans le trajet du message. Le principe reste le même, mais deux étapes changent de nature.

La comparaison devient vectorielle. Au lieu de comparer des mots, le moteur transforme votre phrase en une liste de plusieurs centaines de nombres, appelée vecteur, et cherche dans votre documentation les passages dont le vecteur est le plus proche. Conséquence pratique : le bot reconnaît « je n’arrive plus à entrer dans mon espace client » comme proche de « mot de passe oublié » sans qu’aucun mot ne soit commun. Le score de confiance existe toujours, sous la forme d’une distance.

La réponse n’est plus écrite à l’avance. Elle est rédigée à la volée à partir des passages retrouvés. C’est le mécanisme dit RAG, détaillé dans notre article sur le fonctionnement d’un chatbot RAG et sur ce que coûte chaque question. Deux effets suivent immédiatement.

Le fonctionnement détaillé de cette famille, ses coûts et ses garde-fous sont traités dans le guide du chatbot IA générative. Retenez surtout le renversement : sur un moteur classique, le risque est que le bot ne réponde pas ; sur un moteur génératif, le risque est qu’il réponde toujours.

La mémoire : ce que le bot retient, et jusqu’à quand

« Et pour l’autre commande ? » est le message qui départage les chatbots. Y répondre suppose de savoir de quelle commande on parlait, donc de garder quelque chose entre deux messages. Trois mémoires cohabitent, avec trois durées de vie très différentes.

Deux conséquences pratiques, rarement expliquées et souvent constatées.

• Un bot qui « oublie » n’a pas de panne de mémoire, il a une session expirée. Revenir sur un onglet laissé ouvert une nuit repart presque toujours de zéro, et c’est normal.
• Le contexte du modèle a un coût. Sur un moteur génératif, renvoyer tout l’historique à chaque question fait grossir la facture message après message. C’est pour cette raison que les plateformes tronquent ou résument l’historique au lieu de le transmettre en entier.

Comprendre ne suffit pas : ce que le bot fait de sa réponse

Un chatbot qui se contente de réciter des paragraphes est une FAQ avec un curseur clignotant. L’intérêt commence quand l’intention reconnue déclenche autre chose qu’une phrase.

• Un appel d’API. Le bot interroge le transporteur avec le numéro de commande extrait à l’étape 5 et affiche le statut réel. Sans cet appel, il ne peut que renvoyer vers une page.
• Une écriture. Créer un ticket, poser un rendez-vous, inscrire un contact dans le CRM, envoyer un e-mail de confirmation.
• Un transfert. Passer la conversation à un conseiller, avec l’historique, quand le score est trop bas, quand le visiteur le demande, ou quand le sujet est sensible.
• Une trace. Enregistrer le message non compris pour qu’il remonte dans les statistiques, seule matière première de l’amélioration.

Le transfert mérite une attention particulière, parce que c’est là que se joue la qualité perçue. Un repli qui répète « je n’ai pas compris » trois fois de suite est une impasse. Un repli qui propose au deuxième échec de parler à quelqu’un, en gardant le fil de la conversation, transforme un échec en prise en charge. La façon dont un bot répartit ce qu’il absorbe et ce qu’il transmet est détaillée dans l’article sur le chatbot en centre d’appels.

Questions fréquentes

Quelle est la différence entre ChatGPT et un chatbot ?

ChatGPT est un chatbot, mais un chatbot généraliste, entraîné sur des contenus publics et sans lien avec votre entreprise. Un chatbot d’entreprise est branché sur vos données : votre catalogue, vos commandes, votre documentation. Le premier sait beaucoup de choses sur le monde, le second sait où en est la commande numéro 84512. Beaucoup de chatbots d’entreprise utilisent d’ailleurs un modèle de la même famille que ChatGPT comme moteur de rédaction, ce qui explique la confusion.

Est-ce qu’un chatbot apprend tout seul ?

Non, et c’est le malentendu le plus répandu. Un chatbot à intentions n’apprend rien de vos conversations : quelqu’un doit lire les messages non compris et ajouter des phrases d’entraînement. Un chatbot branché sur une base documentaire s’améliore quand la documentation s’améliore, ce qui reste un travail humain. Aucun des deux ne se corrige spontanément.

Pourquoi le chatbot répond-il à côté de la question ?

Presque toujours pour l’une de ces trois raisons. Un mot commun a fait basculer le score vers la mauvaise intention, comme dans l’exemple « c’est quand que je récupère mes sous » du banc d’essai. Deux intentions sont trop proches et le moteur a tranché de justesse. Ou le seuil est réglé trop bas, ce qui force le bot à répondre alors qu’il devrait passer la main.

Combien de phrases d’exemple faut-il par intention ?

Il n’existe pas de nombre magique, mais une règle utile : ajoutez des phrases jusqu’à ce que les vraies questions de vos clients cessent de tomber dans le repli. Partez de ce que vos équipes reçoivent réellement par e-mail et par téléphone, pas de ce que vous imaginez qu’on va demander. Et surveillez l’effet inverse : trop de phrases génériques dans une intention la rend gourmande et lui fait capter les messages des autres.

Quels sont les inconvénients d’un chatbot ?

Trois, principalement. Il ne traite bien que ce qui a été prévu, ce qui suppose un travail d’entretien régulier. Il peut répondre faux avec aplomb, surtout dans sa version générative. Et il exaspère quand il n’offre aucune sortie vers un humain. Ces trois défauts ont le même remède : une base d’intentions nourrie par les vraies questions, un seuil calé sur le coût de l’erreur, et une escalade toujours accessible.

Un chatbot fonctionne-t-il sans intelligence artificielle ?

Oui, et c’est même le cas de beaucoup d’entre eux. Un chatbot à boutons suit un arbre de décision : aucune compréhension, aucun score, aucun modèle. Il rend d’excellents services pour qualifier une demande ou prendre un rendez-vous, avec un comportement parfaitement prévisible. Le premier chatbot de l’histoire, ELIZA en 1966, fonctionnait déjà sans rien qui ressemble à l’IA d’aujourd’hui.

« Chatbot » se dit comment en français ?

Le mot vient de « chat », discuter en anglais, et de « bot », abréviation de robot. Les équivalents français officiels sont « agent conversationnel » et « dialogueur ». Dans l’usage professionnel, on entend surtout « agent conversationnel », et de plus en plus « agent IA » pour les versions capables d’exécuter des actions. La définition complète et des exemples concrets figurent dans notre page qu’est-ce qu’un chatbot.

Ce qu’il faut retenir

Le fonctionnement d’un chatbot tient en une phrase : il nettoie votre message, le compare à des exemples, en tire un score, et compare ce score à un seuil. Tout le reste, les intentions, les variables, les connecteurs, les modèles de langage, sert cette mécanique ou en découle.

Ce qui suit vous servira le jour où vous piloterez un projet de chatbot, le vôtre ou celui d’un prestataire.

• Demandez à voir la liste des messages non compris. C’est le seul indicateur qui dise la vérité sur un bot en production.
• Demandez quel est le seuil, et pourquoi celui-là. Une réponse embarrassée signale un réglage laissé par défaut.
• Vérifiez qu’une sortie vers un humain existe, et au bout de combien d’échecs elle se déclenche.
• Pour un moteur génératif, exigez qu’il refuse de répondre quand il n’a rien trouvé dans vos contenus.

Sources : documentation Dialogflow ES de Google Cloud, page « Intent matching », mise à jour le 29 juillet 2026 ; documentation Rasa, page « Fallback and Human Handoff », et fichier rasa/core/constants.py du dépôt RasaHQ/rasa, branche principale, consulté le 7 août 2026 ; documentation publique de Botnation, « Tout ce qu’il faut savoir à propos de l’Intelligence Artificielle sur Botnation : les fonctionnalités élémentaires », consultée le 7 août 2026. Les traductions françaises des citations anglaises sont les nôtres, l’original figure entre parenthèses.