Cette étude examine l'utilisation de graphes de connaissances (KGs) pour améliorer les performances des agents conversationnels utilisés dans le support client. Les KGs permettent de structurer les connaissances sous forme de graphes, facilitant leur intégration dans les systèmes de compréhension du langage naturel. L'étude compare différentes techniques de génération de texte à partir de KGs (KG2T) basées sur l'embedding des graphes et l'utilisation de modèles de langage pré-entraînés comme T5. L'objectif est de combler le fossé entre connaissances structurées dans les KGs et la production de réponses en langage naturel par les agents conversationnels, afin d'optimiser l'efficacité du support client. Les résultats de cette étude comparative permettront d'identifier les approches KG2T les plus prometteuses pour améliorer les performances des agents conversationnels dans un contexte applicatif de support client.