Résumer un appel, retrouver un sujet, expliquer pourquoi un client était mécontent : les modèles de langage savent déjà le faire, et ils le feront encore mieux demain. Ce n’est donc pas là que nous construisons la valeur de CrossCX. Elle commence au moment où une bonne réponse ne suffit plus — et où il faut un système.
Chaque nouvelle génération de LLM déplace la frontière de ce qu’une simple question permet d’obtenir. Pour une plateforme de Quality Monitoring et de Speech Analytics, la tentation serait de défendre une à une les fonctions que les modèles absorbent. Nous faisons le choix inverse : dire clairement ce que nous laissons aux modèles, et où nous concentrons notre expertise — sur les bonnes couches, et uniquement celles-là.
Notre règle de positionnement
Si un LLM peut le faire correctement avec une question isolée, ce n’est probablement pas là que CrossCX doit concentrer sa valeur.
Notre valeur commence lorsque l’analyse doit devenir répétable, gouvernée, comparable, échantillonnée, traçable et exploitable dans la durée.
1. Ce que nous laissons volontiers aux modèles
Certaines tâches sont devenues — ou deviendront — des commodités. Nous les utilisons, avec les modèles les plus adaptés à chaque usage, mais nous ne prétendons pas y apporter une différenciation. Sur une conversation prise isolément, un modèle sait déjà :
« Résume-moi cet appel »
Un LLM le fait déjà très bien, en quelques secondes, sans configuration.
Identifier un motif, un sujet, une intention
La classification d’une conversation unique est de plus en plus commoditisée.
« Que s’est-il passé dans cet appel ? »
Une question conversationnelle simple, à laquelle un modèle répond directement.
« Quel est le sentiment de cet échange ? »
L’analyse ponctuelle du ton, de l’émotion ou de la satisfaction ne demande plus d’outil dédié.
Rédiger un compte rendu, une reformulation, une réponse
La génération de texte à partir d’un échange est un acquis des modèles actuels.
Sur ces besoins ponctuels, la question rapide à un LLM tend vers la gratuité. Nous n’avons aucune raison de la rendre plus compliquée qu’elle ne l’est — ni de la facturer comme une expertise.
2. Ce que CrossCX apporte autour d’eux
Notre différenciation se joue au-dessus des modèles : sur les données, l’échantillonnage, les quotas, les référentiels, l’évaluation, les preuves, la gouvernance et l’agrégation. C’est ce socle qui permet un Quality Monitoring automatisé dont les résultats restent comparables d’un mois sur l’autre. Concrètement, voici ce que nous revendiquons.
Analyser des centaines de milliers de conversations de manière cohérente
Industrialisation, règles communes et agrégation : la même logique appliquée à chaque interaction, jour après jour.
Importer chaque jour plusieurs sources
Connecteurs, normalisation et orchestration des flux — téléphonie, chat, e-mail, CRM — pour que l’analyse parte toujours de données propres.
Choisir quelles conversations doivent être évaluées
Échantillonnage métier : ce ne sont pas les conversations les plus faciles à trouver qu’il faut évaluer, mais les plus utiles.
Gérer les quotas d’évaluation
Par équipe, site, période et statut : la logique QM que les organisations ont mis des années à construire, et qui ne se résume pas à une question.
Garantir qu’une grille est appliquée de la même façon
Calibration et garde-fous, pour évaluer de manière chirurgicale plutôt qu’approximative — et de la même façon pour toutes les équipes.
Fournir une preuve pour chaque critère
Traçabilité : chaque note renvoie à l’extrait qui la justifie, pour être contestée, expliquée ou utilisée en coaching.
Comparer agents, équipes, sites, périodes et canaux
Un modèle de données et des agrégations stables, indépendants du modèle qui a produit l’analyse.
Détecter la dérive d’un modèle ou d’une règle
Supervision dans la durée : une note qui bouge doit s’expliquer par le terrain, pas par une mise à jour de modèle.
Arbitrer plusieurs modèles selon la tâche
Orchestration : le bon modèle pour la transcription, un autre pour l’évaluation, un troisième pour la synthèse.
Transformer l’évaluation en coaching et en actions correctives
Workflow métier : de la note au débriefing, du débriefing au plan d’action, du plan d’action à la formation.
Et, au bout de la chaîne, un reporting qui reste stable malgré le changement de LLM. C’est cette distinction que nous voulons rendre extrêmement claire :
Les modèles analysent. CrossCX organise la manière dont cette analyse devient une mesure fiable de la qualité.
Le LLM répond à une question. CrossCX construit le système qui permet de poser la bonne question, au bon échantillon, avec les bonnes règles, puis de comparer les réponses dans le temps.
3. Pourquoi cela reste nécessaire avec des agents autonomes
Le besoin ne disparaît pas avec l’IA agentique. Il se déplace.
Demain, un agent IA pourra probablement retrouver seul une conversation, l’analyser, répondre à une question, proposer une note, déclencher une action ou appeler un autre agent. Ce sont des décisions élémentaires, et il les prendra bien. Mais quelqu’un devra toujours décider :
- quelles conversations analyser, et selon quel échantillonnage ;
- selon quelles règles et par rapport à quel référentiel ;
- avec quelles limites et quels garde-fous ;
- avec quelle preuve, pour que chaque décision reste explicable ;
- à quelle fréquence et sur quelle population ;
- et comment agréger ensuite des millions de décisions élémentaires en une mesure lisible.
Un agent autonome a lui aussi besoin de politiques, de limites, de contrôle et de mesure. C’est exactement ce qu’une organisation attend de son Quality Monitoring. Nous construisons CrossCX pour que les agents de demain s’y appuient — plutôt que de réinventer, chacun de leur côté, une gouvernance de la qualité.
La promesse, dans un monde d’agents
L’IA peut prendre les décisions élémentaires. CrossCX garde la cohérence du système.
Cela vaut d’ailleurs dans les deux sens : lorsque ce sont des agents IA qui répondent à vos clients, leur qualité doit être évaluée avec la même rigueur que celle de vos conseillers — même grille, mêmes preuves, même comparabilité.
4. Une architecture qui peut changer de modèle sans changer de métier
Nous ne voulons pas remplacer les modèles. Nous voulons rendre leurs résultats exploitables à l’échelle d’une organisation. Cela impose une conséquence architecturale simple : le métier ne doit jamais dépendre d’un modèle en particulier.
CrossCX sélectionne et orchestre les briques les plus adaptées à chaque tâche — transcription, détection, évaluation, synthèse — au lieu de rendre le client dépendant d’un fournisseur. GPT aujourd’hui, un autre modèle demain : vos grilles, vos quotas, vos historiques et vos comparaisons restent les mêmes. La note d’une équipe en janvier reste comparable à sa note en juin, même si le modèle a changé entre les deux. C’est le rôle de nos connecteurs IA : brancher, remplacer ou combiner des modèles sans toucher au référentiel.
Le modèle peut changer. La question rapide peut devenir gratuite. Le référentiel, les règles, les preuves et l’historique de vos évaluations, eux, restent à vous — et restent comparables.
Les modèles changent. Le métier reste.
Les modèles font de plus en plus de choses. Notre travail consiste à organiser celles qui doivent rester cohérentes : ce qu’on mesure, sur quelle population, selon quelles règles, avec quels garde-fous, et comment on transforme ensuite des millions d’analyses en décisions utiles.
C’est ainsi que nous voyons le futur du Quality Monitoring et du Speech Analytics : non pas une course contre les modèles, mais la couche métier qui les rend exploitables — pour vos équipes aujourd’hui, pour vos agents IA demain.
Questions fréquentes
CrossCX utilise-t-il des LLM ?
Oui, et de plusieurs fournisseurs. Nous ne développons pas nos propres modèles de langage : nous sélectionnons et orchestrons ceux qui conviennent le mieux à chaque tâche — transcription, détection, évaluation, synthèse. Notre valeur se situe dans ce qui entoure ces modèles : données, échantillonnage, quotas, grilles, preuves et reporting.
Pourquoi ne pas simplement poser la question à un LLM ?
Pour une conversation, faites-le : c’est rapide et efficace. Pour mesurer la qualité d’un service client dans la durée, il faut que la même question soit posée au bon échantillon, selon les mêmes règles, avec une preuve pour chaque réponse, puis que les résultats soient agrégés et comparés entre équipes, sites et périodes. C’est un système, pas une question.
Que se passe-t-il quand un meilleur modèle sort ?
Nous le branchons via nos connecteurs IA, nous le calibrons sur vos grilles et nous vérifions qu’il ne déplace pas vos résultats pour de mauvaises raisons. Vos référentiels, vos quotas et votre historique ne changent pas : c’est précisément ce qui rend le changement de modèle indolore.
Un agent IA autonome peut-il remplacer un outil de Quality Monitoring ?
Il en prendra une partie des décisions élémentaires — analyser une conversation, proposer une note, déclencher une action. Mais il aura toujours besoin de politiques, de limites, de preuves et d’une mesure agrégée pour que ses décisions restent cohérentes à l’échelle de l’organisation. C’est ce que CrossCX lui apporte.
Parlons de votre Quality Monitoring à l’ère des LLM
Découvrez comment CrossCX transforme les analyses des modèles en une mesure fiable, comparable et exploitable de la qualité de vos interactions.
