E-commerce
1 juillet 2026
Un chatbot peut recommander un produit inadapté : mauvaise taille, mauvaise compatibilité, mauvais usage, budget ignoré ou conseil trop générique. Le client peut alors acheter le mauvais article ou perdre confiance dans la marque.
La réponse ne doit pas se limiter à « désolé ». Le bot doit reconnaître l’écart, comprendre le besoin réel, proposer une correction et escalader si la recommandation a causé un problème après achat.
Ce guide explique comment traiter les mauvaises recommandations IA avec transparence, méthode et sens client.
Sommaire
Pourquoi une mauvaise recommandation est-elle sensible ?
Une recommandation est perçue comme un conseil. Si elle est mauvaise, le client ne pense pas seulement que le chatbot s’est trompé ; il peut penser que la marque ne comprend pas son besoin.
Le risque est encore plus fort pour les produits techniques, les tailles, les allergies, les compatibilités ou les achats coûteux. Une erreur peut mener à un retour, une plainte ou un avis négatif.
Le chatbot doit savoir corriger son conseil avec autant de soin qu’il le donne.
200+ ecommerçants accompagnés
Quels types d’erreurs reconnaître ?
Les erreurs fréquentes sont les recommandations incompatibles, les produits hors budget, les tailles inadaptées, les conseils qui ignorent une contrainte client, les produits indisponibles ou les réponses trop générales.
Le bot doit aussi reconnaître quand le client signale une erreur : « ce n’est pas compatible », « vous m’avez conseillé ça », « ça ne correspond pas » ou « je vous avais dit que… ».
Comment répondre quand le client signale l’erreur ?
La réponse doit reconnaître le problème sans discuter. Le bot peut dire : « Vous avez raison de le signaler. La recommandation ne semble pas tenir compte de votre contrainte. Je vais reprendre depuis votre besoin exact. »
Ensuite, il doit poser les bonnes questions manquantes et proposer une correction. Cette attitude donne au client le sentiment que la marque prend l’erreur au sérieux.
Comment corriger la recommandation ?
Le bot doit repartir des critères essentiels : usage, taille, compatibilité, budget, préférence, disponibilité et contrainte personnelle. Il ne doit pas simplement proposer un deuxième produit au hasard.
La correction doit expliquer pourquoi le nouveau choix convient mieux. Par exemple : « Ce modèle est compatible avec votre appareil, contrairement au précédent, et reste dans votre budget. »
Que faire si le client a déjà acheté ?
Si le client a acheté à cause d’une mauvaise recommandation, le sujet devient support. Le bot doit vérifier la commande, la politique de retour et les possibilités d’échange.
Il ne doit pas promettre un remboursement exceptionnel s’il n’en a pas l’autorité. En revanche, il doit transmettre le contexte : recommandation donnée, produit acheté, problème constaté et demande du client.
Quel flow suivre ?
Le flow doit corriger sans rendre le client responsable.
Reconnaître le signalement et reformuler le besoin.
Identifier la contrainte ignorée : taille, usage, compatibilité, budget ou disponibilité.
Vérifier les produits réellement adaptés.
Expliquer la nouvelle recommandation avec une raison claire.
Transférer si l’erreur a déjà causé un achat ou un litige.
Quels messages utiliser ?
Pour une compatibilité : « Merci de l’avoir signalé. Ce produit ne semble pas correspondre à votre appareil. Je vais chercher une option compatible avec votre modèle. »
Pour une taille : « La recommandation précédente ne tient pas assez compte de vos mesures. Reprenons avec votre taille habituelle et vos préférences de coupe. »
Pour un achat déjà fait : « Je vais transmettre le contexte à notre équipe afin qu’elle vérifie la meilleure solution selon votre commande et la politique de retour. »
Comment apprendre de ces erreurs ?
Chaque mauvaise recommandation doit être classée : donnée produit manquante, règle de compatibilité absente, question non posée, produit indisponible ou mauvaise interprétation du besoin.
Cette classification transforme une conversation décevante en amélioration du système. Elle permet de corriger les fiches produits, les règles de recommandation ou les questions du chatbot.
Elle aide aussi les équipes produit et support à voir les zones fragiles du catalogue. Si plusieurs clients signalent la même erreur, le problème ne vient probablement pas d’une conversation isolée.
Quels KPI suivre ?
Suivez les recommandations contestées, les retours liés à un mauvais conseil, les catégories produit les plus touchées, les corrections acceptées et les escalades après achat.
Si une catégorie concentre les erreurs, le problème vient souvent d’informations produit insuffisantes ou de questions de qualification trop faibles.
Quelles erreurs éviter ?
Évitez de défendre la première réponse du bot, de reproposer le même produit, de nier la contrainte du client ou de masquer l’erreur.
Le client pardonne plus facilement une erreur reconnue qu’une réponse qui semble chercher à avoir raison.
Comment Qstomy peut aider ?
Qstomy peut détecter les signaux de mauvaise recommandation, reprendre la qualification du besoin et transférer les cas après achat avec le contexte complet.
Le bot peut aussi remonter les catégories où les recommandations doivent être améliorées.
Explorez l’agent vente IA, le support IA ou demandez une démo.
Enzo
1 juillet 2026
