Vue d'ensemble de ton agent

Ton agent Actero est un moteur de support client IA spécialisé Shopify. Il lit chaque message entrant, comprend ce que ton client veut, va chercher le bon contexte (commande, suivi, FAQ), rédige une réponse dans ton ton de marque, vérifie qu’elle ne casse aucune de tes règles, puis l’envoie ou escalade vers ton équipe humaine. Cette page t’explique le modèle mental : ce qui se passe entre le moment où un client écrit et le moment où ta marque répond.

Les briques de ton agent

L’agent est composé de quatre couches que tu configures dans le dashboard :

Identité & ton

Qui tu es, comment tu parles : ta marque, ton ton, ta langue, tes exemples et tes consignes, dans Mon agent → Comportement.

Base de connaissances

Tes politiques, FAQ, infos produits. L’agent y puise pour répondre.

Guardrails

Règles absolues que l’agent ne violera jamais (“ne promets jamais de remboursement”).

Playbooks

Les automatisations actives (SAV e-commerce, relance panier, compta).

Ces couches sont assemblées dans un seul prompt système envoyé à Claude à chaque message.

Le cycle de vie d’un ticket

Voici ce qui se passe quand un client envoie “Bonjour, où est ma commande #1042 ?” via ton widget de chat :

Réception & normalisation

Le webhook (Shopify, Gorgias, Zendesk, Gmail/SMTP, widget) déclenche le moteur. Le message est normalisé en un format unique : customer_email, customer_name, message, subject, channel.

Récupération de mémoire

Si ce client a déjà écrit, l’agent récupère ses interactions passées (Actero Memory) pour ne pas oublier le contexte. Maximum 5 mémoires pertinentes.

Classification (Claude #1)

Premier appel à Claude pour classer la demande : suivi_commande, retour, question_produit, réclamation, autre. L’agent retourne aussi un confidence (0 à 1) et un résumé d’une phrase.

Routage vers un agent spécialisé

Sur les plans Pro et Entreprise, selon la classification, le message est routé vers un sous-agent dédié (sur Free et Starter, un agent généraliste traite toutes les demandes) :

order — questions sur les commandes (suivi, statut)
return — retours, échanges, remboursements
product — disponibilité, recommandations
escalation — clients agressifs ou plaintes
general — fallback pour tout le reste

Chaque sous-agent a son propre prompt focalisé. C’est ce qui réduit les hallucinations.

Récupération de contexte Shopify

Si la classification est order, l’agent va lire la commande dans Shopify (statut, tracking, items). Si c’est product, il cherche dans ton catalogue.

Génération de la réponse (Claude #2)

L’agent spécialisé combine ton prompt système (identité + ton + KB + guardrails) avec le contexte récupéré et génère une réponse en JSON strict :

{
  "response": "Ta commande #1042 est en transit, livrée demain.",
  "confidence": 0.92,
  "should_escalate": false,
  "escalation_reason": null,
  "detected_intent": "order_tracking",
  "sentiment_score": 7,
  "injection_detected": false
}

Garde-fous & décision d'escalade

L’agent décide d’escalader si :

la confiance est sous le seuil du playbook et la catégorie pressentie est à risque (remboursement, réclamation, action autre que répondre) : une hésitation sur une simple question ne déclenche pas d’escalade
sentiment_score <= 2 (client très négatif ou agressif)
le message contient un des mots-clés que tu as choisis dans Restrictions (raison mot_cle:<mot>)
le client demande à parler à un humain
une règle absolue (restriction) s’applique, ou la demande tombe hors politique

Sinon il envoie la réponse directement par le bon canal (email SMTP, widget, Gorgias, Zendesk).

Logging du run

Chaque run est enregistré, avec son playbook, son temps d’exécution et son statut final. Le fil est visible dans Activité.

Quand l’agent escalade

Tu retrouves toutes les escalades dans l’onglet À traiter. Les raisons possibles :

Raison	Déclencheur
`low_confidence`	L’agent n’est pas sûr de sa réponse, sur une catégorie à risque (seuil du playbook)
`aggressive`	Le client est mécontent, ton agressif détecté (sentiment ≤ 2/10)
`out_of_policy`	Demande hors du périmètre que tu as défini
`mot_cle:<mot>`	Le message contient un mot-clé de la page Restrictions (par exemple « avocat » ou « plainte »)
`human_requested`	Le client a demandé à parler à un humain
`error`	Erreur technique pendant le run

Tu peux envoyer telle quelle la réponse de l’agent, la reprendre, ou écrire ta propre réponse. Voir la page Validation manuelle.

Les modèles utilisés

Par défaut, ton agent utilise Claude Sonnet d’Anthropic pour la classification et la génération. Le coût de l’IA est inclus dans le prix de ton plan : il n’est ni détaillé ni facturé à part.

Pour aller plus loin

Configurer ton agent

Ta marque, ton ton, ta langue, tes exemples et tes consignes.

Activer un playbook

Liste des automatisations disponibles et conditions d’activation.

Valider une escalade

Le flow humain de validation des messages incertains.

FAQ

L'agent peut-il agir tout seul (rembourser, modifier une commande) ?

Non, par défaut. Les scopes Shopify d’Actero sont en lecture seule. L’agent peut lire les commandes, mais pas les modifier ni rembourser. Toute action transactionnelle est escaladée vers ton équipe.

Combien de temps prend un ticket ?

Entre 2 et 6 secondes du message reçu à la réponse envoyée. La latence vient majoritairement de l’appel Claude (1 à 3 secondes par étape).

L'agent garde-t-il en mémoire les conversations passées ?

Oui, via Actero Memory. Quand un client revient, l’agent récupère ses interactions passées et les injecte dans le contexte.

Que se passe-t-il si Claude est down ?

Le run est marqué error, le ticket est automatiquement escaladé vers À traiter avec la raison error. Aucun client ne reçoit de réponse cassée.

​Les briques de ton agent