Sendbird offre un service client fiable et professionnel grâce à l'IA Claude

Sendbird utilise Claude pour ses agents d'assistance alimentés par l’IA, permettant aux entreprises d'automatiser des volumes élevés de conversations avec l’assistance tout en garantissant précision, fiabilité et conformité pour sa base internationale de plus de 4 000 clients.

Grâce à Claude, Sendbird :

• étend les capacités d'une plateforme qui gère plus de 7 milliards de conversations mensuelles pour 6 milliards d'utilisateurs à travers le monde ;
• augmente le taux de gain sur la concurrence de 30 % à 90 % pour sa plateforme basée sur l'IA lors d'évaluations en face à face ;
• permet aux entreprises clientes, comme Lotte Homeshopping, de rediriger 30 à 40 % des demandes humaines vers des agents d'IA.

Une IA fiable pour transformer l'assistance à la clientèle

Sendbird est devenu l'épine dorsale des communications pour plus de 4 000 entreprises internationales, avec plus de 7 milliards de conversations mensuelles qui transitent par sa plateforme. Alors que les attentes des clients évoluaient pour exiger une assistance instantanée et personnalisée sur l’ensemble des canaux, Sendbird a reconnu que les centres de contacts traditionnels ne pouvaient plus suivre le rythme.

L'IA offrait une opportunité évidente, mais aussi un risque. Les premiers tests ont montré que la plupart des modèles produisaient des réponses pleines d’assurance, mais incorrectes, qui compromettaient la confiance en la marque et la conformité. Sendbird avait besoin d'une automatisation intelligente, sans sacrifier sa fiabilité.

En intégrant Claude à sa plateforme, Sendbird propose désormais des agents d'IA qui combinent automatisation à grande échelle et précision humaine. Sa solution traite automatiquement les demandes de routine tout en gérant les cas complexes, offrant ainsi une assistance immédiate et de haute qualité à n'importe quelle échelle.

Pourquoi Sendbird a choisi Claude

Sendbird cherchait un modèle d'IA capable de suivre les instructions de manière fiable et de limiter les hallucinations tout en conservant le ton approprié pour l'assistance à la clientèle. Après des tests approfondis sur plusieurs modèles, Claude s’est clairement imposé comme la solution optimale.

« Suivre les instructions et limiter l'hallucination étaient des caractéristiques clés, déclare Jin Ku, CTO de Sendbird. Nous avions également besoin d'un modèle possédant les bonnes qualités comme la gentillesse, la patience et l'empathie, pour servir correctement les utilisateurs dans les contextes d'assistance. »

Les résultats parlent d'eux-mêmes. « Avec les modèles concurrents, nous atteignions un taux de gain concurrentiel de 30 % seulement, explique Jin Ku. Claude a obtenu un taux de gain de 90 % sans aucune optimisation des requêtes. Ces résultats sont restés constants même avec un contexte de connaissances réduit, ce qui était vraiment remarquable. »

Claude a démontré des performances supérieures sans nécessiter d’importants travaux en matière d'ingénierie de requêtes. L'équipe Sendbird a apprécié la fluidité remarquable de l’intégration, l’excellente documentation et la réactivité de l'assistance d'Anthropic. La sécurité de classe entreprise de Claude via AWS a également joué dans la décision, permettant de répondre aux exigences strictes de conformité de ses plus grands comptes.

Comment Claude améliore les agents d'IA de l'assistance client de Sendbird

Sendbird utilise Claude pour créer des agents d'IA qui gèrent les communications clients d'entreprise à grande échelle. Ces agents constituent le système d'assistance de première ligne sur plusieurs canaux, offrant ainsi des avantages clés :

• Ils suivent les instructions de manière fiable, éliminant quasiment les hallucinations courantes chez les autres modèles d'IA
• Ils offrent des interactions naturelles qui respectent le ton de la marque sur mobile, sur le Web, par SMS, par e-mail et via WhatsApp
• Ils garantissent une sécurité de niveau entreprise grâce à l'intégration AWS, qui répond aux exigences strictes en matière de conformité

La plateforme excelle dans le traitement d'informations complexes pendant les conversations en direct. « Claude analyse de grandes quantités de données non structurées en temps réel, explique Jin Ku. Il peut traiter des centaines de pages de documentation technique et vérifier instantanément la conformité des documents téléchargés, tout en maintenant le flux de conversation. »

Cette capacité modifie fondamentalement l'assistance par l'IA. Pour les clients de Sendbird, l’avantage réside dans le fait que les agents d'IA traitent désormais en toute confiance les demandes qui nécessitaient auparavant une intervention humaine, offrant ainsi des expériences client fluides, qui respectent les standards de la marque et sont nettement plus efficaces.

Transformer le service client à grande échelle

La plateforme Claude de Sendbird a véritablement révolutionné l'assistance de ses entreprises clientes, en générant un impact commercial mesurable et une expérience utilisateur améliorée. La précision accrue de l'IA a transformé les opérations et la satisfaction client.

« Avec Claude, la précision a considérablement augmenté par rapport à nos solutions d'IA précédentes, ce qui nous permet d'offrir des interactions de meilleure qualité à nos clients, explique Jin Ku. Cette amélioration se traduit par des utilisateurs plus à l'aise avec l'IA, des notes CSAT plus élevées et un plus grand nombre de problèmes résolus sans intervention humaine. »

Lotte Homeshoppin : un exemple concret. L’implémentation de la solution Sendbird chez Lotte Homeshoppin a permis de rediriger de 30 à 40 % des demandes vers l'IA, offrant une assistance 24 heures sur 24 et 7 jours sur 7 en augmentant la satisfaction client. « Nous avons testé plusieurs fournisseurs et avons été déçus jusqu'à ce que nous découvrions que Sendbird était alimenté par Claude d'Anthropic, explique Oh Ju-young, de l'équipe de promotion de l'IA de Lotte Homeshopping. Sa précision et sa flexibilité ont permis de surmonter nos défis. »

Les solides fonctionnalités de conformité de Claude ont également réduit le risque perçu par les entreprises clientes, accélérant l'adoption de l'IA dans la base de clients de Sendbird et favorisant l’adoption de l'assistance par l'IA en toute confiance.

Façonner l'avenir des expériences client basées sur l'IA

Sendbird redéfinit le service client en passant de la résolution réactive des problèmes à un moteur stratégique pour les entreprises. « Nous créons des agents d'IA proactifs qui anticipent les besoins et améliorent la satisfaction à grande échelle, explique Jin Ku.

Cette vision fait passer le service client du statut de centre de coûts à celui de générateur de revenus. « Avec Claude, nous intégrons des opportunités de vente croisée personnalisées directement dans les conversations d'assistance, tirant parti de ces points de contact fiables pour accroître la valeur client, ajoute Jin Ku »

Grâce à sa collaboration avec Anthropic, Sendbird apporte de puissantes capacités d'IA multimodale aux plateformes de communication d'entreprise. En intégrant Claude à tous les points de contact avec les clients, Sendbird crée un futur avec lequel l'IA améliore véritablement les communications avec les clients, établissant un nouveau standard en matière de connexion numérique, qui offre à la fois efficacité opérationnelle et touche humaine et favorise une fidélité durable.

How has Delight.ai’s approach to AI evolved to get to where you are now?

Park: Early on, our agents were plain RAG chatbots. Then the industry moved into a deflection era, where the goal was keeping tickets away from human agents, with AI resolving the simple ones. As models got better at tool calling, longer context, and reasoning through multi-step problems, our agents evolved to covering the full lifecycle of a request. For example, a customer comes in to change their plan, realizes they were overcharged last month, and wants to update their payment method. The agent handles all three in one conversation. 

Anthropic: You're running a multi-model architecture. How do you decide which model handles what?

Park: Different tasks have different criteria. During support conversations, we run safeguards against prompt injection, like someone falsely claiming a paid membership is free, for example. After the conversation ends, we run a separate analytics pass: classifying topics, analyzing sentiment, and checking for hallucinations.

The tradeoffs shift depending on the task. Summary generation needs to be fast. Hallucination detection can afford to be slower, but accuracy matters more there. We maintain an internal test set built from real examples of the behaviors we care about: hallucinations, out-of-scope handling, and intent classification edge cases. Whichever model performs best on a given task is what we use.

You've built a system that clusters issues from production conversations and surfaces AI suggestions to customers about what to fix. Why Claude Opus for that work?

Park: Analyzing production conversations is genuinely complex work. As an engineering team, we cluster issues by topic across thousands of conversations, then generate suggested fixes. Not one-off patches, but general improvements the customer can act on. That output goes directly to the customer, so it has to be right. We tested lower-cost models first. They produced repetitive labels and kept surfacing minor issues while missing the critical ones. For a multi-step pipeline like that (cluster, synthesize, recommend) where the result is what the customer sees and acts on, we needed a model that could hold the whole thing together. That's why we use Opus 4.8.

Walk us through the internal tooling your team has built with Claude Code.

Park: The first is a conversation debugger. When an agent has a problem in production, the tool fetches the conversation log, surfaces the system prompt, and shows us expected versus actual behavior side by side. We run that analysis through Opus to pinpoint where to fix it. The second is our regression testing tool. You give it a user persona and a scenario to test, and it automatically generates conversations and runs them at scale. We use it to validate every customer's agent before it goes into production. After that, the customer's own QA team runs through it and gives us the go-ahead to ship.

Beyond the tools, how has Claude Code changed your day-to-day as an engineer?

Park: Volume, mostly. Before, I could get through one or two tickets a day. Now I can hand something off to Claude Code, step away, and come back when it's done. It's also changed how I approach architectural decisions. I used to take those straight to my manager or a senior engineer. Now I work through them with Claude Code first and come to the conversation with options already on the table. That's been genuinely useful.

What does Delight's infrastructure look like behind the scenes?

Park: We run Claude on Amazon Bedrock and the direct Anthropic API as peer routes. An internal proxy picks between them per request based on real-time latency, error rates, and capacity. Whichever path is responding faster and cleaner gets the request. Rate limit errors are critical for us: customers buy an AI agent specifically because they want 24/7 support, so any gap there is a product failure. 

Bedrock is valuable because it gives us additional enterprise-ready infrastructure, regional flexibility, compliance alignment for some customers, and another capacity path for reliability.

Running both paths improves reliability in two ways. It gives us provider-level redundancy, so a slowdown or throttling event on one route doesn't automatically reach the customer. And it gives us more regional and infrastructure flexibility than running on a single path. On the integration side, once a model is set up, adding a new version is straightforward. We update the model name, set parameters for new features like extended thinking, and we're running.

Has the Claude Platform shipped any capabilities recently that impressed you?

Park: The advisor tool in Claude launched last month. A faster, cheaper model handles the work from start to finish. When it hits something too complex to figure out on its own, it pauses, consults Opus, gets a plan or a correction, and keeps going. Opus only steps in at the hard moments, not for every response.

That was exactly what we were trying to build ourselves. For lighter tasks, you don't need Opus on every turn. But for genuinely complex queries, you need that reasoning power, and we wanted a system that could tell the difference automatically. It solves the exact problem we were going after.

What's next? Where is the team taking this?

Park: The biggest is what we call Zero-Touch Improvement, which is really AI improving AI: the agent learns continuously, customers can see what's going wrong and why, and fixes happen without a human in the loop. Today they have to come to us to diagnose and deploy a fix. We want them to own that themselves.

Voice is the other push, where latency isn't just a metric, it's the product. A small delay breaks the feeling of a real conversation.

Finally, there’s  memory. Most agents in the market still start every conversation from zero. When a customer comes back, the agent should already know their history and what's been resolved. That's the shift from a support interaction to a relationship with the brand.