Un chatbot répond aux patients la nuit et prend des rendez-vous

Le client et son problème

Une clinique ophtalmologique spécialisée dans la correction de la vue. Les patients posaient sans cesse les mêmes questions : combien coûte une intervention, quelles méthodes de correction existent, sont-ils éligibles et dans quel établissement prendre rendez-vous ? Environ 80 % des demandes concernaient ces quatre sujets. Le personnel y répondait par e-mail ou téléphone, pendant les heures d’ouverture de l’accueil.

Le problème, c’est qu’on prend rarement une décision concernant une intervention ophtalmologique au milieu de la journée de travail. Un patient lit des informations sur la correction laser le soir, pose une question à vingt-deux heures et attend. Si la réponse arrive le lendemain après-midi, certains auront déjà demandé ailleurs. C’était la première lacune.

La deuxième concernait le passage de l’intérêt à la consultation. Beaucoup de personnes demandaient des précisions, recevaient une réponse utile, puis la conversation s’arrêtait là. Personne ne leur proposait un créneau concret pour une consultation préalable, car le volume de demandes ne laissait pas le temps de le faire.

Troisième difficulté : l’actualité des informations. Les tarifs et la gamme d’interventions changeaient tous les quelques mois. Un outil alimenté avec des informations statiques aurait commencé à induire les patients en erreur au bout d’un trimestre — ce qui n’est pas anodin en médecine. La clinique avait besoin d’une solution qui suive automatiquement le contenu publié sur son site.

Ce que nous avons fait

Nous avons créé un chatbot fondé sur le RAG : les réponses sont générées à partir de passages pertinents retrouvés dans la base, et non de ce que le modèle aurait mémorisé pendant son entraînement. Une fois par jour, un processus parcourt le site de la clinique, récupère les contenus nouveaux ou modifiés, les découpe en passages et les ajoute à une base vectorielle. Un mécanisme interne collecte les pages ; LangChain assure la recherche et la construction du contexte ; GPT-4 génère les réponses ; Supabase héberge les passages et l’historique des conversations.

Nous avons développé le module de chat avec Next.js et l’avons intégré au site de la clinique sous forme de widget. Au lieu d’une zone de texte vide, le patient voit dès le départ plusieurs questions suggérées : sur les tarifs, les méthodes de correction et le parcours de qualification. Ce détail raccourcit beaucoup le chemin vers une première réponse utile et oriente la conversation vers les sujets que la clinique souhaite traiter.

Le troisième élément est la collecte des coordonnées. Lorsque la conversation montre un intérêt réel pour une intervention, le chatbot propose de réserver une consultation, demande les coordonnées et les transmet au système utilisé par la clinique pour gérer ses patients. Nous avons également ajouté le suivi des conversions et une vue des questions les plus fréquentes, afin que la clinique sache ce que les gens demandent réellement, et non ce qu’elle imagine qu’ils demandent.

Le fonctionnement aujourd’hui

La solution a été développée en dix jours. Les deux premiers ont servi à examiner le site et à décider quels contenus intégrer à la base de connaissances, et lesquels étaient purement promotionnels et risquaient de brouiller les réponses. Les cinq jours suivants ont été consacrés au chatbot, à l’actualisation des connaissances et à la collecte des coordonnées. Les trois derniers ont servi à intégrer le widget, tester les conversations, ajuster les prompts et connecter le système de gestion des patients.

Aujourd’hui, le widget fonctionne en permanence sur le site. La base de connaissances s’actualise automatiquement chaque jour : une modification des tarifs sur le site se retrouve donc dans les réponses du chatbot sans intervention de la clinique. Un patient qui pose une question la nuit obtient immédiatement une réponse ; si la conversation s’oriente vers une intervention, le chatbot propose un rendez-vous et transmet ses coordonnées.

Résultats

La clinique répond aux questions jour et nuit, tous les jours de la semaine. Environ 80 % des demandes — les questions récurrentes sur les tarifs, les méthodes et l’éligibilité — sont traitées sans mobiliser le personnel. Les connaissances sont actualisées automatiquement toutes les 24 heures à partir du site de la clinique. Les conversations ne s’arrêtent pas à une simple information : elles peuvent aboutir à une consultation, car le chatbot propose un créneau et recueille les coordonnées.

Ce que nous ferions autrement

Nous commencerions par revoir les contenus du site, puis nous construirions le chatbot. Le modèle ne répond pas mieux que ses sources, et chaque manque dans la description d’une intervention sur le site devenait immédiatement un manque dans les réponses. Nous avons passé beaucoup de temps à tenter de combler ces lacunes avec des prompts, alors qu’ajouter le paragraphe manquant au site aurait été plus rapide.

Nous changerions également plus tôt le moment où le chatbot propose un rendez-vous. Dans la première version, il le faisait trop vite et paraissait insistant ; décaler la proposition de quelques échanges a donné un résultat plus naturel. Enfin, il faut convenir dès le premier rendez-vous des données patient collectées par le chatbot et de leur destination, plutôt que d’en discuter en cours de mise en place.