Les chatbots sont des agents conversationnels conçus afin d'engager des conversations textuelles avec des utilisateurs finaux. Ils ont fait l'objet de plusieurs recherches scientifiques et expérimentales dans les universités ainsi que dans l'industrie depuis l'émergence des techniques de l'intelligence artificielle et de traitement automatique du langage naturel. L'obtention des données d'apprentissage est cruciale pour la création des agents conversationnels. La majorité des chatbots nécessite la collecte des intentions ainsi que l'ensemble des expressions en langage humain, etc. Il s'agit généralement d'un processus manuel et fastidieux nécessitant des outils automatiques de génération de données d'apprentissage permettant de construire des chatbots robustes. L'une des solutions pour optimiser ce processus est l'augmentation de données. Cet article vise à étudier l'impact de l'augmentation de données sur la performance des chatbots construits sous Rasa, un outil open source pour générer les agents conversationnels. Des expérimentations ont été menées sur des données réelles. Il s'agit des données de ressources humaines permettant de construire un chatbot générique au sein de l'entreprise Alcatel-Lucent Enterprise (ALE).