WhatsApp Fashion Advisor : Quand l'IA révolutionne la relation client dans la mode

Publié le 2 janvier 2026 | Cas client AOSOMY

Dans un secteur où l'expérience client fait toute la différence, AOSOMY, maison de confection française spécialisée dans les vêtements sur-mesure haut de gamme, a franchi un cap décisif en déployant un agent conversationnel IA directement sur WhatsApp. Retour sur un projet qui transforme radicalement la relation client tout en préservant l'ADN premium de la marque.

Le contexte : une équipe débordée par les demandes répétitives

Comme beaucoup de marques en croissance, AOSOMY faisait face à un défi majeur : gérer un volume croissant de conversations WhatsApp sans compromettre la qualité du service.

Les symptômes étaient clairs :

• Temps de réponse moyen de plusieurs heures, voire jours
• Questions répétitives sur le suivi de commandes monopolisant l'équipe
• Impossibilité de répondre en dehors des heures ouvrables
• Incohérence des réponses selon l'interlocuteur
• Clientèle internationale (France, Vietnam, pays anglophones) nécessitant un support multilingue coûteux

Le constat : 70% des demandes étaient des questions simples (statut de commande, politique de retour, délais de fabrication) ne nécessitant pas l'intervention d'un conseiller humain qualifié.

La solution : un agent IA qui pense et agit comme un conseiller

Plutôt que d'embaucher une équipe de support multilingue 24/7 (coût prohibitif), nous avons conçu un agent conversationnel intelligent qui combine plusieurs technologies de pointe.

Une intelligence conversationnelle avancée

L'agent repose sur Claude Sonnet 4, le modèle d'IA le plus performant d'Anthropic, orchestré via LangChain. Mais ce qui fait vraiment la différence, c'est l'ingénierie du prompt.

L'agent sait :

• Détecter automatiquement la langue du client (français, anglais, vietnamien) et adapter instantanément son ton et son registre
• Maintenir une mémoire contextuelle des 20 derniers échanges pour des conversations fluides
• Gérer intelligemment la personnalisation : utilisation du prénom lors du premier contact, puis ton progressivement plus familier sans sur-personnalisation

Exemple concret :

1Message 1 (premier du jour) :
2Client : "Bonjour, où en est ma commande ?"
3Bot : "Bonjour Laurent, ravi de vous retrouver ! 
4Je consulte immédiatement votre commande..."
5
6Message 2 (suite directe) :
7Client : "Et pour les délais ?"
8Bot : "La livraison est prévue sous 4 semaines. 
9Vous recevrez un email de suivi dès l'expédition."
10(Pas de "Laurent," au début - ton naturel !)

Des intégrations métier temps réel

Ce n'est pas un simple chatbot avec des réponses prédéfinies. L'agent est connecté en direct aux systèmes d'AOSOMY :

1. Supabase (base de données)

• Recherche automatique de commandes dès qu'un mot-clé est détecté ("commande", "suivi", "livraison", "order", "tracking")
• Gestion intelligente des formats de numéro de téléphone (avec/sans +33, espaces, etc.)
• Affichage du statut, montant, date, avec un ton adapté (par exemple, mise en valeur élégante si c'est un cadeau à 0€)

2. Base de connaissances RAG (Retrieval-Augmented Generation)

• Vectorisation de toutes les infos officielles : tissus, entretien, retours, délais, tarifs, programme fidélité, histoire de la marque
• Recherche sémantique via Google Gemini Embeddings
• L'agent ne peut jamais inventer d'information : il cite uniquement ce qui existe dans la base

3. Support multimédia

• Transcription automatique des messages vocaux via Google Gemini Audio
• Analyse d'images (pour futures fonctionnalités de conseil morphologie)
• Formatage WhatsApp natif : gras, italique, listes à puces

Le système de "handoff" intelligent

L'innovation majeure : l'agent sait quand il doit passer la main à un humain.

Déclenchement automatique dans 3 cas :

1. Le client utilise un mot-clé de demande explicite : "conseiller", "humain", "personne", "human", "advisor", "nhân viên"
2. Après 2 tentatives d'incompréhension consécutives
3. Demande trop complexe sortant du scope

Ce qui se passe alors :

11. L'agent répond : "HANDOFF_TRIGGERED"
22. Message automatique au client expliquant le transfert
33. Email envoyé à l'équipe avec tout l'historique de conversation
44. Bascule en mode "human" dans Google Sheets
55. Le bot se désactive temporairement pour cette conversation

Résultat : zéro frustration client, transition transparente.

L'architecture technique : robuste et évolutive

Le système est orchestré via n8n (auto-hébergé), avec un workflow de 38 nœuds interconnectés.

Le flux de traitement

11. Réception webhook WhatsApp Business API
2   ↓
32. Extraction et formatage des données utilisateur
4   ↓
53. Switch intelligent selon type de message :
6   - Texte → traitement direct
7   - Vocal → transcription Gemini Audio → traitement
8   - Image → analyse Gemini Vision → traitement
9   ↓
104. Récupération historique Google Sheets
11   ↓
125. Vérification du mode (bot/human)
13   ↓
146. Si mode bot :
15   - Agent LangChain avec Claude Sonnet 4
16   - Appel outils si nécessaire (commandes, RAG)
17   - Génération réponse contextuelle
18   ↓
197. Détection HANDOFF_TRIGGERED
20   ↓
218. Si handoff → notification email + désactivation bot
22   Si réponse normale → envoi WhatsApp
23   ↓
249. Archivage dans Google Sheets

Stack technique complet

IA & LLM

• Claude Sonnet 4 (OpenRouter) : agent conversationnel principal
• Google Gemini 2.5 Flash : transcription, vision, embeddings
• LangChain : orchestration et gestion mémoire
• Vector Store in-memory : recherche sémantique RAG

Messaging

• WhatsApp Business API (Meta)
• Webhook temps réel
• API Graph pour envoi messages

Data & Storage

• Supabase PostgreSQL : données commandes
• Google Sheets : archivage conversations + mode bot/human
• Service Account Google : authentification sécurisée

Orchestration

• n8n self-hosted (n8n.aosomy.com)
• JavaScript custom pour logique métier
• HTTP Request nodes pour API externes

Les résultats : au-delà des attentes

Après 3 mois de déploiement, les chiffres parlent d'eux-mêmes :

Performance technique

✅ Temps de réponse moyen : 2,8 secondes (vs 4-6 heures avant)
✅ Disponibilité : 99,7% (24/7/365)
✅ Précision des réponses : 94% (mesurée via feedback client)
✅ Taux de handoff : 8% (92% des conversations résolues sans humain)

Impact business

✅ -70% de demandes simples traitées par l'équipe
✅ +45% de satisfaction client (mesure NPS)
✅ Support multilingue sans recrutement (économie estimée : 60K€/an)
✅ 100% de traçabilité pour amélioration continue

Impact client

✅ Réponses instantanées, même à 23h ou le dimanche
✅ Cohérence parfaite des informations
✅ Possibilité de basculer vers humain à tout moment
✅ Support dans la langue maternelle

Les apprentissages clés du projet

1. L'ingénierie du prompt est cruciale

80% du succès repose sur un prompt ultra-détaillé (1200+ lignes) qui couvre :

• Tous les cas d'usage possibles
• Les variations linguistiques et culturelles
• La gestion des erreurs et edge cases
• Des exemples concrets de bonnes/mauvaises réponses

2. La mémoire contextuelle change tout

Passer d'un chatbot sans mémoire à un agent avec contexte transforme l'expérience :

1Sans mémoire :
2Client : "Ma commande ?"
3Bot : "Quel est votre numéro de commande ?"
4Client : (frustré) "Je viens de vous le donner !"
5
6Avec mémoire :
7Client : "Et pour les délais ?"
8Bot : "Pour votre commande #12345, la livraison 
9est prévue sous 4 semaines."

3. Le handoff doit être transparent

Les clients ne doivent jamais sentir qu'ils "perdent" quelque chose en passant à un humain. L'historique complet est transmis, et l'équipe prend le relais naturellement.

4. La traçabilité est un trésor

Chaque conversation archivée permet :

• D'identifier les questions récurrentes pour enrichir le RAG
• De détecter les bugs ou incompréhensions
• D'améliorer continuellement le prompt
• De mesurer la performance réelle

Les évolutions prévues

Le système est conçu pour évoluer :

Court terme (Q1 2026)

• Analyse morphologique via images pour recommandations personnalisées
• Intégration catalogue produit pour suggestions contextuelles
• Système de feedback client post-conversation

Moyen terme (Q2-Q3 2026)

• Extension à d'autres canaux (Messenger, Instagram DM)
• Webhooks pour synchronisation CRM
• Dashboard analytics temps réel

Long terme (Q4 2026)

• Agent proactif (relance commandes abandonnées, suivi post-achat)
• Personnalisation avancée via historique d'achat
• Intégration système de réservation pour rendez-vous sur-mesure

Conclusion : l'IA au service de l'humain

Ce projet illustre parfaitement ce que devrait être l'IA en entreprise : augmenter les capacités humaines, pas les remplacer.

Les conseillers d'AOSOMY ne passent plus leur temps à répondre "Votre commande #12345 est en cours de fabrication". Ils se concentrent sur ce qu'ils font de mieux : conseiller, créer du lien, apporter de la valeur.

L'agent IA gère l'opérationnel 24/7, dans 3 langues, avec une précision chirurgicale. Mais dès qu'une vraie expertise humaine est nécessaire, il passe la main intelligemment.

Le résultat ? Une expérience client premium, scalable et rentable.

Vous souhaitez déployer un agent similaire ?

Nous accompagnons les entreprises dans la conception et le déploiement d'agents IA conversationnels sur-mesure.

Notre approche :

1. Audit de vos besoins et flux actuels
2. Conception de l'architecture et du prompt
3. Développement et intégration avec vos outils
4. Tests et ajustements
5. Déploiement progressif avec monitoring
6. Formation de vos équipes

Tarification transparente :

• Audit + POC : 2 500€
• Développement complet : à partir de 8 000€
• Maintenance mensuelle : à partir de 300€

Réserver un appel découverte gratuit →

À propos de l'auteur

Laurent DUBOIS est le fondateur de LXD Corp, agence spécialisée dans l'automatisation intelligente et les agents IA, Conseil et Transformation Digitale. Fort de plusieurs années d'expérience dans l'orchestration de workflows complexes avec n8n, il accompagne les entreprises dans leur transformation digitale.

Contact : [email protected] | LinkedIn

Cet article est basé sur un projet réel. Les résultats présentés sont authentiques et vérifiables.