Créer un agent n'a jamais été aussi simple. N'importe qui disposant d'un après-midi libre et d'un outil de vibe coding peut en créer un. (Nous ne jugeons pas. Nous avons déjà sorti des choses plus étranges un vendredi.) Mais rendre cet agent vraiment utile, ça, ça n'est pas devenu plus facile.
Gartner estime le coût de cet écart : 376,3 milliards de dollars de dépenses en logiciels d'agents IA rien qu'en 2027, avec plus de 40 % de ces projets susceptibles d'être annulés — parce que personne ne pouvait prouver que l'agent fonctionnait.
C'est exactement le problème que nous avons cherché à résoudre il y a 18 mois, lorsque nous avons créé Agent Analytics. Notre objectif était d'aider nos clients à répondre à une question : cet agent aide-t-il vraiment les personnes qui l'utilisent ? Après plus de 47 millions de conversations avec des agents, nous entendions toujours la même chose : les agents passent les contrôles d'évaluation, mais ils n'aident pas vraiment s'ils ne savent pas ce que l'utilisateur cherche à accomplir. C'est le problème que Pendo Agent Toolkit a été conçu pour résoudre, et c'est pourquoi nous les réunissons aujourd'hui sous Pendo for Agents aujourd'hui.
Chapitre un : Agent Analytics, et ce que 500 entreprises nous ont appris
Lorsque les premières entreprises ont commencé à taguer des agents dans Pendo, chacune d'entre elles avait un chef de produit IA qui posait une question sans aucun rapport avec la disponibilité : l'agent aidait-il vraiment les personnes qui l'utilisaient ?
Elles disposaient de comptages de sessions et de dépenses en tokens provenant de l'outil d'observabilité orienté développeurs qu'avait installé l'équipe technique. Rien de tout cela n'indiquait aux chefs de produit si un pilote d'agent était prêt à passer en bêta, et encore moins si l'agent pouvait devenir un produit générateur de revenus.
Nous avons donc conçu Agent Analytics pour répondre à la question que les outils d'observabilité orientés développeurs ne peuvent pas résoudre : les utilisateurs tirent-ils de la valeur de mon agent ? Et après avoir aidé ~500 entreprises à créer, déployer et faire évoluer des agents, nous avons continué à observer les mêmes quatre enseignements, encore et encore.
1. La rétention détermine si un agent passe à l'étape suivante, pas le temps de disponibilité. Un agent peut avoir des journaux propres et réussir chaque vérification d'évaluation, et ne pas être prêt à passer à l'échelle pour autant. Lorsque Ticketmaster a décidé si son agent était prêt à quitter un pilote limité, les chiffres qui lui ont donné confiance étaient la rétention et les invites de rage — pas un bilan de santé irréprochable de la part de l'ingénierie.
2. Les signaux les plus importants ne sont généralement pas signalés. Un pouce vers le bas ne vient que de quelqu'un qui prend le temps de donner son avis, et ce n'est qu'une fraction des personnes réellement frustrées.
Le reste se manifeste sous forme de comportements in-app (comme les invites répétées par frustration et l'abandon). Rien de tout cela n'est capturé, car ces outils enregistrent ce que l'utilisateur a tapé, pas ce qui s'est passé ensuite.
3. Les PMs doivent définir le succès eux-mêmes, et non attendre que le système le trouve. Le succès ne ressemble pas toujours à un achat finalisé. Parfois, le succès signifie que l'utilisateur a obtenu la réponse précise qu'il cherchait, au sein de la conversation avec l'agent. C'est pourquoi nous avons créé les Métriques de succès personnalisées et vous avons donné la possibilité de créer vos propres cas d'usage et problèmes : chaque agent résout des problèmes différents, et vous devez pouvoir mesurer ce qui compte pour vous.
4. Agent Analytics est d'autant plus utile qu'il est proche de votre code. Certaines équipes utilisent déjà le connecteur MCP pour Agent Analytics pour créer des boucles automatisées : Agent Analytics signale le problème, les données transitent vers l'environnement d'ingénierie et le correctif est cadré sans que personne n'ait à changer d'outil. C'est la même boucle que notre propre équipe utilise sur Leo, où elle a généré une augmentation de 61 % des visiteurs récurrents et une baisse de 67 % du taux d'incidents au cours des 60 derniers jours.
Ce que Agent Analytics nous a révélé ensuite
Même après ces apprentissages, nous avons découvert un autre problème : un agent zombie. Ces agents fonctionnent techniquement — ils répondent aux invites et passent chaque vérification d'évaluation — mais n'ont aucune idée de qui ils sont réellement en train de parler. Le nom est resté.
Si vous ouvrez un agent dans votre application préférée, vous vous attendez à ce qu'il vous connaisse. Personne ne veut expliquer ce qu'il vient d'essayer sans succès, ni pourquoi il se tourne vers l'agent pour obtenir de l'aide. Nous avons donc conçu quelque chose pour donner aux agents exactement cela : Agent Toolkit, l'autre moitié de Pendo for Agents.
Chapitre deux : présentation d'Agent Toolkit, le contexte qui transforme un chatbot en allié
Agent Toolkit fournit à tout agent le contexte produit et utilisateur que Pendo capture déjà, transmis à l'agent en temps réel :
- Contexte de session : un enregistrement en temps réel de ce qu'une personne a fait dans votre produit, afin que l'agent connaisse déjà cet historique.
- Déclencheurs de frustration : les clics de rage, les clics morts, les demi-tours et les erreurs, envoyés directement à l'agent afin qu'il puisse intervenir avant que quelqu'un n'ouvre un ticket.
- Rappels de workflow : rappelle à une personne exactement où elle en était si elle s'arrête en cours d'un processus spécifique.
- Mise en avant des guides : oriente vers la visite guidée, l'astuce ou le tutoriel exact qui résout le problème rencontré, plutôt que de laisser l'agent l'expliquer depuis le début ou d'envoyer la personne vers un long article d'aide.
Voici le vrai remède contre un agent zombie. Pas un meilleur modèle. Pas un prompt système plus long. Le contexte. Cela fonctionne que votre agent soit un outil tiers comme Fin, Sierra, Zendesk ou Decagon, ou quelque chose que votre équipe a développé de zéro.
Teachable l'a constaté de première main. Leur agent de support, développé sur Fin d'Intercom, n'avait aucune idée de la page que l'utilisateur venait de quitter ni du nombre de fois qu'il avait cliqué sur le même bouton défaillant avant d'ouvrir un chat — un agent zombie dans toute sa splendeur. Une fois que Pendo a commencé à transmettre ce contexte à Fin en temps réel, l'agent pouvait ouvrir la conversation avec quelque chose de précis : « On dirait que vous avez rencontré quelques difficultés en ajustant vos paramètres. Qu'essayiez-vous de modifier ? »
L'engagement sur les messages proactifs a bondi de 200 %. 86 % de ces conversations ont été résolues sans escalade vers un humain, tout en maintenant un score CX de 4 étoiles sur 5. Mieux encore, 91 % n'en ont jamais eu besoin.
Premiers pas avec Pendo for Agents : moins de zombie, plus d'ambassadeur.
Aujourd'hui, Agent Analytics et Agent Toolkit sont réunis sous un même toit : Pendo for Agents, conçu pour transformer n'importe quel agent, développé ou acheté, en meilleur défenseur du client plutôt qu'en un zombie de plus dans la pile. Agent Analytics détermine si un agent est utile. Agent Toolkit le rend plus performant, avant même que l'utilisateur n'entre dans le chat. L'un prouve la valeur, l'autre l'y amène plus vite.
Si vous gérez le support ou l'IT, voici comment vos agents cessent de réagir aux tickets et libèrent votre équipe pour les conversations qui nécessitent vraiment un humain.
Si vous êtes responsable de la feuille de route, voici comment vous savez enfin ce que votre agent devrait faire ensuite.
Si vous disposez d'un assistant intégré à l'application, d'un agent de support client ou d'un outil développé par votre propre équipe, demandez une démo pour voir l'impact des conversations proactives et contextuelles sur votre taux de résolution.
Vous utilisez déjà Pendo ? Commencez à utiliser Agent Toolkit gratuitement pendant la bêta ouverte. Il vous suffit de vous rendre sur votre plateforme Pendo et d'activer Agent Toolkit.
