Un chatbot basé sur des règles et un agent conversationnel piloté par un LLM ne partagent ni la même architecture, ni les mêmes surfaces d’attaque, ni les mêmes contraintes réglementaires. Comprendre les différents types de chatbots suppose de dépasser la classification marketing pour entrer dans le détail technique de chaque famille.
Injection de prompt et surface d’attaque selon le type de chatbot
Un chatbot à arbre décisionnel expose une surface d’attaque réduite : les entrées utilisateur déclenchent des chemins prédéfinis, sans interprétation sémantique. Le risque se limite à du détournement de flux (forcer un scénario non prévu), rarement à une fuite de données.
A découvrir également : Comment s'appellent les publicités sur le côté des sites Web
La situation change radicalement avec les chatbots alimentés par des LLM. Des recherches de sécurité publiées en août 2026 montrent que des assistants de type agentique peuvent être manipulés via du contenu piégé dans une page, un document ou un paramètre d’URL. Le risque ne se limite plus à une mauvaise réponse : il inclut l’exfiltration de données et l’exécution d’actions non voulues.
Les chatbots hybrides, qui combinent une couche de règles et un moteur NLU ou génératif, héritent des deux profils de risque. La couche règles filtre les entrées structurées, mais toute requête routée vers le modèle de langage réintroduit le vecteur d’injection. Nous recommandons de cloisonner strictement les permissions entre la couche déterministe et la couche probabiliste.
Lire également : Quel est le principal avantage d'utiliser un CRM dans le processus de vente ?
Chatbots à règles et arbres décisionnels : périmètre réel
Les chatbots à règles fonctionnent sur un script séquentiel. L’utilisateur sélectionne des options (boutons, menus) ou saisit des mots-clés qui déclenchent des réponses prédéfinies. Aucun traitement du langage naturel n’intervient.
Leur intérêt reste intact pour des cas d’usage bornés : suivi de commande, FAQ produit, prise de rendez-vous. Le coût de développement est faible et la maintenance prévisible, puisque chaque chemin est testé manuellement.
Leur limite principale n’est pas l’absence d’intelligence, c’est l’incapacité à gérer l’ambiguïté lexicale. Une reformulation inattendue de l’utilisateur sort du périmètre et provoque un échec silencieux ou un renvoi vers un agent humain. Sur des volumes importants, le taux de fallback peut devenir un poste de coût significatif.
Chatbots NLU et chatbots génératifs : deux architectures distinctes
Nous observons une confusion fréquente entre chatbot doté de NLU (Natural Language Understanding) et chatbot génératif. Les deux utilisent des modèles de machine learning, mais leur fonctionnement diverge sur un point structurant.
Chatbot NLU classique
Le chatbot NLU détecte une intention et extrait des entités dans l’énoncé de l’utilisateur. Il s’appuie sur un modèle entraîné sur un jeu de données spécifique au domaine. La réponse est ensuite sélectionnée dans une base de connaissances ou déclenchée par une action programmée.
Ce type de chatbot maîtrise le périmètre de ses réponses. Les hallucinations sont quasi inexistantes puisque le modèle ne génère pas de texte libre. En revanche, toute nouvelle intention nécessite un réentraînement et un enrichissement de la base.
Chatbot génératif à base de LLM
Le chatbot génératif produit ses réponses token par token via un grand modèle de langage. Sa capacité à traiter des requêtes ouvertes et à reformuler des informations complexes le rend adapté au support technique avancé ou à l’assistance rédactionnelle.
Un rapport législatif de Virginie publié en 2026 rappelle que la fiabilité de ces chatbots reste limitée par des hallucinations structurelles inhérentes aux LLM. Le modèle peut produire des réponses plausibles mais factuellement fausses, sans signal d’alerte pour l’utilisateur. Le contrôle qualité exige des mécanismes de RAG (Retrieval-Augmented Generation) ou de vérification factuelle en post-traitement.
Conformité EU AI Act et obligations de transparence pour les chatbots
L’angle réglementaire transforme la grille de choix. L’article 50 de l’EU AI Act impose que les utilisateurs soient informés lorsqu’ils interagissent avec un système d’IA. Cette exigence s’applique aux chatbots déployés en relation client, en support RH ou en assistance interne.
À partir du 2 décembre 2026, certains contenus générés par IA devront être identifiables de manière machine-readable. Concrètement, un chatbot génératif qui produit du texte, des résumés ou des recommandations devra intégrer un marquage technique permettant d’identifier l’origine IA du contenu.
Les implications diffèrent selon le type de chatbot déployé :
- Un chatbot à règles, qui restitue des réponses rédigées par des humains, est moins exposé aux obligations de marquage du contenu généré, mais reste soumis à l’obligation de divulgation de la nature automatisée de l’interaction.
- Un chatbot NLU sélectionnant des réponses dans une base de connaissances se situe dans une zone intermédiaire : le contenu n’est pas généré, mais l’interaction reste pilotée par un modèle d’IA.
- Un chatbot génératif est pleinement concerné par le marquage machine-readable et par la transparence vis-à-vis de l’utilisateur final.
Critères de sélection d’un type de chatbot en production
Le choix ne repose pas sur une échelle de sophistication. Un chatbot à règles bien conçu surpasse un chatbot génératif mal cadré sur des tâches à périmètre fermé.
- Volume et variabilité des requêtes : un flux prévisible (statut de commande, horaires) s’automatise efficacement avec des règles. Un flux ouvert (demandes techniques libres, réclamations complexes) nécessite du NLU ou du génératif.
- Sensibilité des données manipulées : plus le chatbot accède à des données personnelles ou confidentielles, plus le risque d’injection de prompt justifie une architecture cloisonnée.
- Contraintes réglementaires : le déploiement en Europe impose désormais une évaluation de conformité à l’EU AI Act, dont le coût varie fortement entre un chatbot à règles et un chatbot génératif.
- Maintenance et évolutivité : un chatbot NLU exige un réentraînement régulier, un chatbot génératif exige une supervision continue des sorties, un chatbot à règles exige une mise à jour manuelle des scripts.
La tendance à empiler les couches (règles + NLU + génératif) dans un chatbot hybride n’est pertinente que si chaque couche répond à un cas d’usage identifié. Ajouter un LLM à un chatbot FAQ sans mécanisme de contrôle revient à ouvrir une surface d’attaque sans gain fonctionnel mesurable.
Le choix du type de chatbot engage des arbitrages de sécurité, de conformité et de coût de maintenance qui dépassent la simple question de l’expérience utilisateur. Avec l’entrée en application progressive de l’EU AI Act, nous recommandons d’intégrer l’évaluation réglementaire dès la phase de cadrage, avant même le choix technologique.
