Selon Gartner, les dépenses technologiques CX doubleront d'ici 2028. Le déficit de résolution explique pourquoi.

Sur une période de 60 jours, Gartner a publié deux prévisions que tout responsable CX qui dimensionne ses dépenses en IA pour les 24 prochains mois devrait lire côte à côte.

Le 26 janvier, le cabinet a prévu que le coût par résolution de l'IA générative dans le service client dépassera 3 $ d'ici 2030, soit davantage que celui de nombreux agents humains offshore en B2C. Le 31 mars, il a prévu que plus de la moitié des organisations de service client doubleront leurs dépenses technologiques d'ici 2028, sans réduction équivalente de leurs effectifs.

Lues ensemble, ces prévisions décrivent une économie de la CX où la courbe des dépenses grimpe, celle des effectifs reste à peu près stable, et le coût par résolution IA dérive vers le coût d'un agent offshore qu'il était censé battre. L'idée selon laquelle l'IA rend le service client moins cher, hypothèse qui sous-tend la plupart des budgets logiciels CX depuis 2023, ne tient plus vraiment.

Gartner identifie deux variables derrière cette tendance : les talents et la complexité des outils. Les deux sont bien réelles, mais une troisième variable se cache en dessous, et c'est celle que la plupart des équipes ne suivent pas. Cette variable, c'est la résolution : plus précisément, l'écart entre ce que l'IA traite et ce que l'IA résout réellement. C'est elle qui détermine si chaque nouveau dollar investi dans la technologie CX produit un résultat ou seulement une transaction.

L'écart de résolution, en dollars

La plupart des tableaux de bord CX mettent en avant le « taux d'automatisation » ou le « taux de déflexion ». Un ticket arrive, l'IA répond, la conversation se termine sans agent, et la plateforme marque le ticket comme traité. Le tableau de bord progresse.

Ce que le tableau de bord ne montre pas toujours, c'est si le problème du client a réellement été résolu. C'est l'écart de résolution : l'espace entre les interactions que l'IA prend en charge et les problèmes qu'elle règle.

Lorsque l'écart est important, le volume ne disparaît pas. Il revient dans le système de trois façons :

• Sous forme de recontacts, lorsque le client revient par le même canal parce que son problème persiste
• Sous forme d'escalade multicanale, lorsque le client essaie le chat, abandonne, appelle et tombe sur un humain qui repart de zéro
• Sous forme d'attrition (churn), lorsque le client conclut que l'entreprise ne peut pas l'aider et cesse d'essayer

Chacun de ces résultats a un coût que le tableau de bord de déflexion ne capte pas. L'étude McKinsey AI in Customer Service 2026 met crûment en lumière l'économie unitaire : une résolution traitée par l'IA coûte environ 0,62 $, contre 7,40 $ pour une résolution traitée par un humain (cité via la compilation de benchmarks 2026 de Digital Applied). Mais ce calcul ne fonctionne qu'avec le chiffre de résolution, pas avec celui de déflexion. Chaque interaction comptabilisée comme déviée puis revenue sous forme d'escalade traitée par un humain implique deux factures : l'une pour la licence IA, l'autre pour l'agent qui reprend le fil abandonné. Quand l'écart est important, ce calcul s'aggrave, et la courbe de dépenses que Gartner prévoit jusqu'en 2028 en est la traduction à grande échelle.

C'est pourquoi le coût par résolution est l'indicateur qui compte pour comparer l'économie de l'IA à la référence humaine, et non le coût par interaction ni le taux de déflexion. La prévision de Gartner de 3 $ par résolution en 2030 mesure ce que coûte l'IA lorsqu'elle résout réellement le problème, pas lorsqu'elle se contente de traiter un message.

Ce qui se passe réellement dans la courbe des dépenses

L'enquête de Gartner d'octobre 2025 auprès de 321 responsables du service client a révélé que seules 20 % des organisations avaient réduit leurs effectifs d'agents grâce à l'IA. Les 80 % restantes paient l'IA et paient les agents.

Ce n'est pas un état transitoire vers des coûts plus bas. C'est le résultat structurel de la manière dont l'IA est déployée dans la plupart des fonctions CX. Comme l'a résumé CXOVoice, les coûts du service client augmentent parce que l'IA ajoute des couches au lieu d'en supprimer : la pile comprend désormais l'IA conversationnelle, le routage, la gestion des connaissances, l'analytique, l'orchestration et la supervision, chacune avec ses propres coûts de licence, de mise en œuvre et d'intégration.

Aucune de ces couches ne remplace une couche existante. Ce que Gartner prévoit jusqu'en 2028 n'est pas un coût de migration ponctuel, mais un basculement structurel de budgets CX dominés par la masse salariale vers des budgets CX dominés par le logiciel, avec une base de coûts totale qui augmente au lieu de baisser.

Au sein de ce basculement, l'écart de résolution détermine de quel côté du bilan tombent les dépenses en IA. Lorsque l'IA résout le problème de bout en bout, la couche logicielle justifie sa place : elle accomplit un travail qui nécessiterait sinon un humain, et l'économie unitaire fonctionne. Lorsque l'IA dévie sans résoudre, la couche logicielle ajoute des coûts sans en supprimer aucun, et le dollar censé sortir du budget des agents finit par financer l'IA en plus.

Un calcul qui s'aggrave

Prenons une configuration type : 10 000 tickets entrants par mois, un tableau de bord fournisseur affichant un taux d'automatisation de 60 %, et 6 000 tickets marqués « traités » sans intervention humaine.

L'audit qui distingue la déflexion de la résolution confirmée aboutit généralement à un autre résultat. Les études sectorielles sur les déploiements basés sur le RAG constatent régulièrement que 15 % à 25 % des tickets « déviés » contiennent des réponses erronées ou incomplètes. Si 25 % de ces 6 000 tickets déviés reviennent dans le système sous 72 heures (sous forme de recontacts, d'escalades ou de tentatives sur d'autres canaux), alors 1 500 interactions qui semblaient automatisées ne l'étaient pas.

Le véritable taux de résolution autonome sur ce volume n'est pas de 60 %. Il est de 45 %. Et l'écart se manifeste dans trois postes que la plupart des tableaux de bord CX ne sont pas conçus pour faire ressortir :

• La facture du fournisseur d'IA reste inchangée. La licence est tarifée à l'interaction, et l'IA traite les interactions.
• La charge de travail de l'équipe d'agents inclut ces 1 500 tickets revenus, souvent sans contexte, parce que le transfert est défaillant.
• L'expérience client absorbe le coût d'avoir à demander deux fois. Le fournisseur facture 6 000 interactions. Vous avez payé pour 4 500 résolutions.

L'écart de résolution détermine si le poste IA se substitue au traitement humain ou s'y ajoute. Lorsque l'écart est faible, les dépenses en IA compensent les dépenses en agents. Lorsqu'il est important, les dépenses en IA s'empilent sur celles des agents, et c'est la courbe que Gartner prévoit jusqu'en 2028.

La variable architecture

L'écart de résolution n'est pas un problème de modèle. C'est un problème d'architecture.

La plupart des agents IA en production aujourd'hui savent lire mais ne savent pas agir. Ils récupèrent des informations dans une base de connaissances, résument des politiques et suggèrent des étapes suivantes. Ce qu'ils ne peuvent généralement pas faire, sans intégration plus profonde, c'est traiter le remboursement, mettre à jour le compte, modifier la commande ou changer le rendez-vous. La ligne de partage architecturale, c'est l'accès en lecture seule ou en lecture-écriture aux systèmes où se trouve réellement le problème du client.

Une IA en lecture seule est structurellement plafonnée à la part des tickets qui peuvent être résolus en fournissant une information. Pour la plupart des programmes CX d'entreprise, il s'agit d'une tranche de niveau 1 : réinitialisations de mot de passe, suivi de commandes et questions sur les politiques. Un volume réel, mais un plafond. Les réclamations, exceptions, litiges de facturation et modifications de compte qui font grimper les coûts du support se situent de l'autre côté de la frontière lecture-écriture.

C'est pourquoi les taux d'automatisation supérieurs à 70 % sur des ensembles de requêtes larges méritent d'être examinés de près. Ils reflètent généralement soit une couche de tri agressive qui exclut les cas difficiles avant que l'IA ne les voie, soit une définition de la résolution qui compte les conversations terminées sans confirmer le résultat. Les déploiements en production disposant d'une intégration en lecture-écriture aux systèmes back-end se situent généralement entre 70 % et 85 % de résolution confirmée sur des ensembles de requêtes larges incluant des tickets dépendant de politiques.

C'est la décision d'architecture qui détermine si chaque nouveau dollar investi dans la technologie CX réduit l'écart de résolution ou le creuse. Lecture seule ou lecture-écriture, surcouche ou remplacement complet, IA en couche supplémentaire ou IA intégrée au service d'assistance (help desk) : ce ne sont pas des détails de mise en œuvre. C'est le multiplicateur de dépenses. Le cadre d'évaluation de Maven détaille ces dimensions plus en profondeur.

À quoi ressemble une approche centrée sur la résolution en production

Les entreprises qui réduisent l'écart de résolution partagent une caractéristique architecturale : une intégration en lecture-écriture aux systèmes où se trouvent réellement les problèmes des clients. Les données de production qui en témoignent sont concrètes :

• Mastermind a atteint 93 % de résolution autonome dans les six semaines suivant le déploiement.
• Papaya Pay a atteint 90 % de résolution autonome en trois semaines.
• Clio est passé d'un chatbot traditionnel à une résolution autonome de 80 %, a résolu 60 % de tickets en plus et a divisé par 4 le délai de réponse du support en direct.
• Rho a maintenu un CSAT de 95 % tout en traitant 12 % de contacts mensuels supplémentaires sans augmenter ses effectifs.

Ce dernier point mérite qu'on s'y attarde. Le communiqué de Gartner du 31 mars prévoit que le doublement des dépenses technologiques CX d'ici 2028 ne s'accompagnera pas d'une réduction des effectifs, et avertit que les entreprises qui suppriment des agents pour financer l'IA s'exposent à des perturbations opérationnelles, à une dégradation de l'expérience client et à de coûteux retours en arrière. La prévision suppose que l'IA ne résout pas suffisamment par elle-même pour absorber la hausse des volumes.

Le chiffre de Rho est l'illustration la plus claire d'une économie des dépenses centrée sur la résolution en production. Le CSAT est resté à 95 %, le volume de contacts a augmenté de 12 % et l'équipe n'a pas grandi. Voilà à quoi ressemble la capacité d'absorption quand le taux de résolution est réel : davantage de clients pris en charge, la même équipe, un CSAT intact.

C'est la version du calcul où le poste IA justifie sa place. Les dépenses technologiques augmentent, celles des agents restent stables, le volume de clients augmente, et la base de coûts totale par problème résolu diminue. Cela ne fonctionne que si le taux de résolution est suffisamment élevé. Autrement dit, lorsque l'écart entre déflexion et résolution est assez faible pour que le volume traité par l'IA se convertisse proprement en résultats.

Trois questions avant de doubler le budget

La prévision de dépenses de Gartner pour 2028 n'a pas à se concrétiser dans chaque compte de résultat CX. Ce qui en décide, c'est l'architecture et l'économie de la couche IA ajoutée. Trois questions permettent de dépasser les chiffres phares que tout fournisseur mettra en avant.

1. L'IA peut-elle agir dans les systèmes où se trouve le problème du client, ou seulement répondre à partir de documents ? La frontière entre lecture seule et lecture-écriture est la variable architecturale qui plafonne la part des coûts du support que l'IA peut traiter. Une IA qui affiche le statut d'une commande est utile. Une IA qui traite le retour, met à jour le compte et confirme la modification est celle qui réduit l'écart de résolution.
2. Quel est le taux de recontact à 72 heures sur les tickets résolus ? C'est l'indicateur d'audit. Si 25 % des tickets « résolus » génèrent une relance dans les trois jours, le taux de résolution effectif est nettement inférieur au chiffre affiché. Un fournisseur confiant dans la qualité de résolution de son IA publie ce chiffre. Un fournisseur qui ne l'a pas mesuré a généralement une raison.
3. Quel est le taux de résolution confirmée, et non le taux de déflexion ? Une résolution confirmée ne compte que les tickets pour lesquels le problème du client a été résolu et le client n'est pas revenu. La déflexion compte tout ticket que l'IA touche. Les fournisseurs qui ont mesuré les deux partageront les deux. Ceux qui ne l'ont pas fait, ou qui refusent, optimisent généralement le chiffre qui les avantage.

Ensemble, ces trois réponses déterminent si chaque nouveau dollar investi dans la technologie CX achète de la résolution ou de l'activité.

La variable que Gartner n'a pas nommée

Les deux prévisions de 2026 vont dans le même sens. Les dépenses augmentent, le coût par résolution IA se rapproche du plancher humain, et les effectifs restent à peu près stables. L'effet combiné est une hausse structurelle de la base de coûts CX pour la moitié des organisations qui doubleront leurs dépenses technologiques d'ici 2028.

Ce que les prévisions ne disent pas, parce qu'elles mesurent les dépenses technologiques et non l'architecture, c'est que l'écart de résolution est la variable qui détermine dans quelle moitié se retrouve une organisation donnée. Les entreprises qui font de la résolution l'indicateur de référence, et qui conçoivent leur couche IA pour agir dans les systèmes où se trouvent réellement les problèmes des clients, ne verront pas leurs dépenses doubler sans résultats. Celles qui considèrent la résolution comme un synonyme de déflexion dépenseront davantage en 2026, 2027 et 2028, pour résoudre à peu près autant qu'en 2024.

Le vocabulaire du secteur évolue en conséquence. La résolution autonome devient l'indicateur de référence. Le taux de résolution est en passe de remplacer les anciens benchmarks CX comme principale mesure de l'efficacité de l'IA dans le support. Les commentaires des fournisseurs et des analystes convergent vers le même constat : en 2026, le tableau de bord que votre fournisseur d'IA met en avant est celui que vous devez examiner le plus attentivement.

La courbe de dépenses que Gartner prévoit pour 2028 n'est pas inéluctable. Elle découle des décisions d'architecture que la plupart des équipes CX prennent en ce moment même.