Zenask

Un coach ou un consultant peut recevoir des demandes très différentes sur Instagram : une question sur son accompagnement, une réaction à une story, un commentaire pour recevoir une ressource. Derrière ces messages, les intentions ne sont pas les mêmes. Répondre à tout le monde avec le même texte ne permet pas de comprendre qui cherche réellement à avancer.

Zenask partait de ce besoin de suivi. Le produit visait à prendre en charge les premiers échanges, à recueillir les informations utiles et à orienter le prospect vers la suite adaptée. La prise de rendez-vous est un objectif du parcours, plutôt que le simple envoi d’une réponse automatique.

Une demande de guide sous un Reel ne doit pas démarrer comme une question sur une offre. Dans Zenask, des déclencheurs associaient les interactions Instagram à un scénario : mot-clé dans un commentaire ou un DM, réponse à une story, mention ou arrivée depuis une publicité.

Le scénario décrit en langage naturel ce que l’agent doit faire. Le professionnel peut y préciser sa méthode de qualification, les informations à recueillir et les liens à proposer. Plusieurs scénarios peuvent coexister sur un même compte, avec des règles pour choisir celui qui correspond au message reçu.

Une fois les échanges engagés, il faut pouvoir retrouver la personne et comprendre où elle en est. Le CRM de Zenask organisait les données autour du contact, auquel sont rattachées ses conversations. L’historique reste ainsi lié à une personne plutôt qu’à une succession de fils isolés.

Les tags servent à qualifier et à classer les contacts selon les critères du professionnel. Ils peuvent être attribués par l’agent ou ajoutés manuellement, avec une chronologie des changements. Une décision humaine reste prioritaire : l’automatisation ne doit pas effacer un classement posé par l’utilisateur. La boîte de réception et les filtres permettent ensuite de retrouver les échanges à traiter.

Une conversation peut s’interrompre avant que le prospect ait pris une décision. Zenask comprenait un mécanisme de relance pour reprendre ces échanges. Le suivi tient compte de l’état du contact : le tag réservé « Rendez-vous pris » sert notamment à écarter des relances les personnes déjà identifiées comme ayant réservé.

Ce lien entre conversation et CRM est important. Le système doit savoir quand poursuivre le suivi, mais aussi quand s’arrêter. L’objectif est de donner au professionnel une vue exploitable de ses prospects et de leur progression, sans lui demander de reconstruire le parcours à partir de chaque message.

L’utilisateur peut passer une conversation en mode manuel et répondre depuis la boîte de réception. Cette reprise doit aussi être respectée côté serveur : une réponse IA déjà en cours de préparation ne doit pas partir simplement parce que sa génération a commencé avant le changement de mode.

Le backend vérifiait donc l’état de la conversation avant la mise en file d’une réponse. C’est un exemple concret des contraintes d’un produit conversationnel : il faut coordonner les messages entrants, les traitements asynchrones et les actions humaines, pas seulement produire du texte avec un modèle.

J’étais cofondateur et ingénieur de Zenask. Le projet associait la conception d’un produit commercial à des sujets d’ingénierie : intégration des événements Instagram, gestion de l’état des conversations, appels aux modèles et restitution des informations dans l’interface.

L’application utilisait Next.js, React et TypeScript côté frontend. Le backend était écrit en Rust avec Axum, et les données étaient stockées dans PostgreSQL via SQLx. Cette architecture reliait le moteur conversationnel aux scénarios, aux contacts et aux écrans de suivi. Le travail sur le produit portait autant sur ces liaisons que sur les réponses de l’agent.

Le dépôt comprend un simulateur de conversations destiné au développement. Il fait passer des messages de test par le même traitement que les événements Instagram, avec le routage des scénarios et les réponses du moteur IA. Les réponses sont capturées au lieu d’être envoyées à Meta.

Ce fonctionnement permet d’examiner un parcours sur plusieurs tours : une question, une objection, puis une nouvelle information donnée par le prospect. Il donne un moyen de vérifier les interactions entre conversation et CRM sans contacter de vraies personnes. Sur Zenask, la qualité d’une réponse se juge aussi à ce que le système enregistre et déclenche après elle.