BeanBot, un assistant de chat IA pour The Coffee Bean & Tea Leaf
BeanBot et sa console d’administration no-code transforment le menu statique d’un café en conversation ancrée dans les données : découverte, recommandation, prix et commande dans une seule interface, pour plus de 50 points de vente en Inde.
En un coup d’œil
BeanBot est un assistant de chat IA intégrable, avec console d’administration no-code, développé par Mindrops pour les plus de 50 points de vente de The Coffee Bean & Tea Leaf en Inde. Écrit en TypeScript sur Express, avec PostgreSQL (pgvector) et React, il répond aux questions sur le menu, les magasins et la marque à partir de données en direct, et traite environ 10 000 conversations par mois et une cinquantaine de commandes par jour.
Le défi
The Coffee Bean & Tea Leaf est une chaîne de cafés et thés de spécialité, fondée aux États-Unis et en activité depuis 1963, qui compte plus de 50 points de vente en Inde. Dans un café, les clients formulent leurs demandes comme elles leur viennent – selon leurs envies, leurs préférences et leurs contraintes alimentaires – et font des fautes de frappe. Un menu statique, sur le web ou en PDF, ne répond à rien de tout cela.
« Quels cafés glacés proposez-vous ? », « quelque chose de sucré mais pas trop lourd », « l’avocado toast est-il végétarien ? », « quel magasin est ouvert près de moi ? » – aucun menu ne sait y répondre. Découverte, exactitude, commande et pilotage au quotidien échappaient tous au menu ; une faute comme « lattee » bloquait la recherche ; et chaque modification de contenu ou de prix dépendait de l’équipe technique. Il manquait une interface capable de comprendre une demande et d’y donner suite, sans jamais inventer un article ou un prix.
La solution
Mindrops a conçu et livré BeanBot, une application full-stack TypeScript : un widget de chat intégrable sur une API Express, une base de données PostgreSQL dotée d’extensions de recherche vectorielle et approximative, et une console d’administration React complète. Le pipeline est volontairement organisé en paliers, afin que la plupart des interactions ne sollicitent jamais un modèle de langage.
Les clients discutent naturellement et reçoivent des réponses riches et structurées : texte conversationnel, fiches produit à faire défiler avec « Commander » et « Plus de détails », fiches magasin avec itinéraire et appel direct, et suggestions à toucher pour relancer la conversation d’un geste. Le comportement est stocké sous forme de données : l’entreprise ajuste l’assistant depuis la console, sans déploiement.
Pipeline de requêtes en paliers
Les requêtes sont aiguillées par type. Les clics sur les boutons renvoient des réponses prédéfinies ; les termes du menu et les catégories, même mal orthographiés, obtiennent une réponse directement depuis la base de données. Seules les questions réellement ouvertes atteignent un modèle de langage, ce qui rend le parcours quotidien rapide et peu coûteux.
LLM ancré en deux temps
Un planificateur (OpenAI gpt-4.1-mini) lit le message et produit un JSON indiquant les recherches à lancer – il n’écrit jamais la réponse. Un rédacteur (hébergé sur Groq) transforme les résultats en blocs structurés selon des règles anti-hallucination strictes et ne cite que les articles renvoyés par la recherche.
Recherche à trois niveaux
Correspondance exacte du nom, puis pertinence par tokens, puis correspondance approximative par trigrammes pour les fautes (« lattee » → « Latte ») – la recherche s’arrête au premier niveau qui donne un résultat. Ce parcours repose sur des règles et des statistiques : ni latence ni coût de modèle.
Connaissance ancrée (RAG)
Les questions sur la marque, les conditions, le programme de fidélité et la FAQ trouvent leur réponse par recherche sur le site web de l’entreprise. Un crawler récursif nettoie et découpe les pages, les embeddings OpenAI alimentent la recherche sémantique via pgvector, et le contenu ajouté manuellement est protégé contre la suppression automatique.
Localisateur de magasins & tarification multi-magasins
Les clients trouvent le magasin le plus proche par coordonnées géographiques ou par ville. Chaque magasin peut ajuster le prix et la disponibilité de référence, si bien que le bot affiche toujours le bon prix – avec le magasin et la table récupérés via un QR code pour la consommation sur place.
Pilotage no-code & statistiques
Les prompts, les boutons d’action rapide, les salutations selon l’heure, les messages d’accueil et de repli ainsi que la tarification par magasin sont tous stockés en base de données et modifiables depuis la console. Chaque interaction est tracée étape par étape, avec des statistiques sur les sessions, la consommation de tokens et les clics « Commander ».
Comment fonctionne BeanBot
Chaque message entrant est aiguillé par type. Le parcours courant ne sollicite jamais de modèle ; seule une question ouverte déclenche le flux en deux temps – et même alors, une reconstruction déterministe côté backend garantit des fiches, des prix et des liens exacts.
Réponse prédéfinie
Renvoie le contenu configuré dans la console d’administration. Aucun modèle.
Recherche à trois niveaux
Rapproche les catégories et les fautes de frappe du catalogue. Aucun modèle · tolérant aux fautes.
LLM en deux temps
Planifier → rechercher → répondre, ancré dans les résultats. Utilise un LLM · ancré.
Lorsqu’une question est ouverte, le planificateur décide quoi récupérer et n’écrit jamais la réponse destinée à l’utilisateur ; le moteur de recherche exécute la recherche à trois niveaux et applique la tarification propre au magasin ; le rédacteur écrit la réponse et ne peut citer que ce que la recherche a renvoyé. Par sécurité, le backend reconstruit les fiches produit et magasin à partir des enregistrements de référence de la base de données : images, prix, liens vers le plan et numéros de téléphone sont donc toujours exacts, même si le modèle les omet.
| Niveau de recherche | Méthode | Latence cible* |
|---|---|---|
| Niveau 1 – Exact | Correspondance exacte du nom, insensible à la casse (index B-tree) | < 10 ms |
| Niveau 2 – Tokens | Correspondance par tokens sur le nom et la description, avec score de pertinence | < 30 ms |
| Niveau 3 – Approximatif | Similarité par trigrammes (pg_trgm) pour les fautes, p. ex. « lattee » → « Latte » | < 50 ms |
*Cibles de conception définies dans l’implémentation, et non des chiffres de production mesurés. La recherche sort au premier niveau qui correspond.
Résultats
Le menu du quotidien est devenu un interlocuteur à qui les clients peuvent parler, et l’équipe modifie prix et prompts depuis la console d’administration.
| Domaine | Avant | Après |
|---|---|---|
| Découverte | Faire défiler un menu statique ou un PDF. | Demander selon ses envies ; fiches ancrées avec prix et actions. |
| Fautes & demandes vagues | Impasse, aucun résultat. | La correspondance par tokens et approximative les résout sans modèle. |
| Exactitude | Risque d’information périmée ou erronée. | Réponses ancrées dans les données en direct du catalogue, des magasins et du site web. |
| Commande | Navigation séparée de l’action de commande. | « Commander » sur chaque produit, avec le contexte magasin et table. |
| Contenu & tarification | Ticket à l’équipe technique, puis déploiement. | Modification depuis la console d’administration, sans déploiement. |
| Coût & latence | Chaque réponse passerait par un modèle. | Le parcours courant se passe de modèle, par conception. |
Pour les clients
Découverte conversationnelle par intention et préférence, recherche tolérante aux fautes, recommandations par besoin (signature, sain, végétarien), et une action « Commander » sur chaque produit – avec le contexte de consommation sur place repris du QR code.
Pour l’entreprise
Des réponses exactes par conception, un coût de modèle réduit (la plupart des interactions ne nécessitent aucune inférence), un chiffre d’affaires attribuable au chat grâce aux prix par magasin et aux liens directs vers la commande, et un pilotage complet : prompts, contenus et prix se modifient depuis la console, avec un suivi par message et des statistiques pour le reste.
Les chiffres d’exploitation – points de vente, conversations mensuelles et commandes quotidiennes – ont été communiqués au cours de la mission. Les comparaisons avant/après reflètent le changement de processus apporté par la plateforme. Aucune mesure de performance indépendante n’a été réalisée.
Technologies utilisées
Une architecture ancrée dans les données et sobre en coûts : le planificateur n’émet que des instructions de recherche, le rédacteur ne peut citer que les articles renvoyés, et le backend reconstruit les fiches à partir des enregistrements en base, comme filet de sécurité déterministe.
Modèle d’ancrage
Ce qu’il faut chercher est dissocié de la manière de le dire. Des règles anti-hallucination strictes et une reconstruction déterministe des fiches depuis la base de données excluent tout produit ou prix inventé.
Stratégie de recherche
Trois niveaux, avec arrêt à la première correspondance (exact, pertinence par tokens, puis approximatif par trigrammes) : la tolérance aux fautes n’entraîne donc aucun coût de modèle. Chaque requête enregistre le niveau atteint, la durée et le nombre de résultats.
Synchronisation des connaissances
Une synchronisation nocturne avec le système de caisse Rista actualise le catalogue, puis régénère les embeddings et le cache. Un crawler web récursif découpe et encode le contenu du site avec détection des changements par checksum.
Un routage entre modèle principal et modèle de secours avec bascule sur sonde de santé, une limitation de débit hybride par IP et par session et un durcissement Helmet/CORS garantissent un service prêt pour la production – un schéma reproductible pour tout catalogue appelé à converser avec ses clients.
Questions fréquentes
Qu’a réalisé Mindrops pour The Coffee Bean & Tea Leaf ?
Sur quelles technologies repose BeanBot ?
Comment BeanBot évite-t-il d’inventer des produits ou des prix ?
Quel volume BeanBot traite-t-il ?
Mindrops peut-elle développer un assistant conversationnel pour notre catalogue ?
Nous contacter
Dites-nous ce que vos clients demandent : nous vous montrerons comment nous l’aborderions. Mindrops conçoit des systèmes conversationnels ancrés dans vos propres données et sobres en coûts, de l’analyse d’intention au pilotage no-code.
Plus de projets d’IA conversationnelle · Plus d’études de cas →