Les clients passent de l'email au chat, au téléphone et aux réseaux sociaux en attendant une continuité. Dans la plupart des entreprises, chaque canal est un silo séparé — le client répète son histoire à chaque passage, et les agents manquent de contexte des interactions précédentes.

Utilyx modélise le support omnicanal en un workflow exécutable : un chatbot IA 24/7 auto-résout depuis la KB, les escalades vers les agents portent le contexte complet, et email, chat, téléphone et social alimentent une file unifiée avec une timeline client partagée.

Le workflow est structuré en arbre de décision avec 3 branches (auto-résolution IA, escalade agent, revue superviseur) et 8 étapes de bout en bout. Chaque conversation est logée dans la sous-table chat_audit sur la fiche client. Les clients répètent leur histoire 3+ fois à travers les canaux — le contexte unifié empêche cela.

• Étape 1 (Start — Capture) : les conversations arrivent d'email, chat, téléphone (transcrit via call-connector), réseaux sociaux et messagerie in-app dans une file unifiée unique avec champs obligatoires conversation_id, customer_id, channel, message, language, sentiment_score. Tous les canaux alimentent la même customer_timeline.

• Étape 2 (Chatbot IA) : le copilote IA gère les conversations 24/7, répondant depuis la base de connaissances avec recherche sémantique (embeddings vectoriels via sql-query contre kb_article_index) en 7 langues. Il résout les requêtes courantes sans agent et score la confiance (0-100).

• Étape 3 (Branche — split confiance) : Branche A (confiance > 85) : auto-résolution — le chatbot répond, le cas est clôturé et la deflection est enregistrée. Branche B (confiance 50-85) : suggestion de réponse + offre de transfert agent. Branche C (confiance < 50 ou sentiment négatif) : escalade immédiate vers agent avec contexte complet.

• Étape 4 (Auto-résolution) : quand le chatbot résout la requête, le cas est clôturé et deflection_event est logé (conversation_id, customer_id, channel, article_id) ; la conversation est sauvegardée dans la customer_timeline.

• Étape 5 (Escalade avec contexte) : quand le chatbot ne peut pas résoudre, il escalade vers un agent avec l'historique complet de conversation, le profil client, l'analyse de sentiment, les articles KB suggérés et l'historique des tickets antérieurs — sans questions répétées. Le bureau agent unifié montre tous les canaux dans une seule vue.

• Étape 6 (Routage) : les règles de routage visuel assignent les conversations par compétence, langue et priorité via sql-query contre agent_skill_matrix. Le copilote IA construit la logique de routage depuis une description en langage naturel.

• Étape 7 (Revue superviseur — sous-branche) : si sentiment_score < -0,5 ou handle_time > 10 min, la conversation est auto-flaguée à un superviseur pour revue qualité, logée dans supervisor_review_queue.

• Étape 8 (Clôture & feedback) : après résolution, une enquête CSAT est auto-déclenchée sur le même canal. La conversation complète et le CSAT sont archivés dans useArchive avec champs d'index conversation_id, customer_id, channel, date pour la conformité.

Les équipes qui utilisent Utilyx défilectent jusqu'à 40% des conversations via le chatbot IA 24/7 et réduisent le temps moyen de traitement de 30% grâce au contexte complet à l'escalade — sans répétition de l'histoire client à travers les 3+ canaux qu'un client typical touche.

Le designer visuel no-code permet à un manager service client de construire et d'ajuster le routage sans développeurs, et la file unifiée élimine les silos de canal — déploiement 60% plus rapide à un TCO 70% inférieur aux suites omnicanal legacy. Le branchement par confiance garantit que le chatbot n'auto-résout que quand il est réellement confiant.

La customer_timeline partagée signifie que chaque agent, sur chaque canal, voit le même historique de conversation — finissant la répétition 3x de l'histoire qui frustre les clients. Le support 7 langues permet à un workflow de servir une clientèle multilingue sans déploiements séparés.

La recherche sémantique dans la KB garantit que le chatbot et les agents remontent la bonne réponse, pas seulement des correspondances de mots-clés, et la supervisor_review_queue capte les problèmes de qualité avant qu'ils n'impactent le CSAT.