L’essentiel de l’IA vocale ne réside pas dans la voix

L’essentiel de l’IA vocale ne réside pas dans la voix. C’est l’expérience qu’elle peut rendre possible qui compte.

Pensez à la meilleure expérience de service que vous ayez jamais vécue. Vous vous êtes senti compris. Vous n’avez pas eu à vous répéter, à apprendre le fonctionnement de l’organisation ni à vous débrouiller dans sa complexité interne. Vous avez expliqué ce dont vous aviez besoin, et quelqu’un s’est appuyé sur le contexte, son jugement et sa connaissance de l’organisation pour vous aider à obtenir le résultat souhaité.

Et si les entreprises pouvaient offrir davantage de telles expériences, de façon plus constante et à plus grande échelle ?

C’est la véritable promesse des agents vocaux : non pas simplement remplacer la saisie par la parole ou automatiser toutes les interactions humaines. Les agents vocaux font passer l’expérience de la navigation dans les systèmes à l’expression d’une intention. Un client ou un employé décrit avec ses propres mots ce qu’il souhaite accomplir. L’agent comprend le contexte, coordonne en coulisses les connaissances et les systèmes appropriés, prend les mesures autorisées et fait intervenir une personne lorsque la situation exige du discernement, de l’empathie ou une habilitation particulière.

Depuis des décennies, les gens s’adaptent à la technologie. Nous avons appris où cliquer, quel menu ouvrir et comment traduire une intention simple en une série de commandes. L’IA générative a commencé à changer cela en nous permettant de converser dans le langage de tous les jours. La voix va plus loin et commence à inverser complètement la relation : la technologie s’adapte à la manière dont les gens communiquent naturellement, tandis que la complexité de l’entreprise passe à l’arrière-plan.

Pourquoi la voix transforme l’expérience en entreprise

La voix est importante parce qu’elle réduit les obstacles pour les employés, les clients et les nouvelles recrues. Un employé qui appelle le service d’assistance ne devrait pas avoir à savoir quel système est responsable d’un problème ou contient la solution. Un client ne devrait pas avoir à répéter les mêmes renseignements lorsqu’il passe d’un canal à l’autre. Une nouvelle recrue ne devrait pas être limitée à des supports de formation statiques alors qu’elle pourrait s’exercer à une conversation réaliste et recevoir des commentaires sur le moment.

La voix facilite également l’accès aux personnes qui ne sont pas devant un clavier, qui travaillent sur le terrain ou qui sont tout simplement plus à l’aise à l’oral qu’à l’écrit. Les capacités multilingues aident les organisations à communiquer de manière cohérente dans différentes régions, sans transformer chaque interaction en un projet de production distinct.

Pour autant, la voix ne remplace pas tous les écrans ni toutes les conversations humaines. Les supports visuels et écrits restent mieux adaptés à la comparaison d’informations denses et à l’examen de détails précis, et le jugement humain demeure essentiel lorsqu’une situation est ambiguë, délicate ou lourde de conséquences. L’enjeu consiste à utiliser la voix lorsque la conversation est le moyen le plus naturel d’obtenir un résultat, puis à prévoir des relais clairs lorsqu’elle ne l’est pas.

Une interface vocale ne suffit pas

Une voix naturelle ne suffit pas. La valeur réelle dépend de la capacité de l’agent à améliorer concrètement l’expérience : réduire les obstacles, préserver le contexte, accélérer la résolution et aider quelqu’un à obtenir le bon résultat. Cela exige davantage qu’une interface convaincante. Il faut des données et des processus connectés, des limites claires, des relais fiables et une responsabilité clairement définie quant à la suite des événements.

Il est donc utile de distinguer les scripts de l’intention. Un processus traditionnel prévoit à l’avance chaque étape sous forme de script. Un agent vocal conçu pour atteindre des résultats reçoit, lui, l’intention, comprend les règles et le contexte, puis adapte sa démarche jusqu’à ce que l’objectif soit atteint ou qu’un jugement humain soit nécessaire.

Il est utile de savoir où en sont réellement les acheteurs, car les entreprises ont traversé trois phases en peu de temps. Pendant un certain temps, nous avons connu une frénésie d’adoption — l’adoption, en grande partie, pour elle-même. Puis les dirigeants ont dû rendre compte des retombées de ces investissements, sans souvent pouvoir expliquer la valeur qu’ils en avaient tirée. Cela a entraîné un recentrage sur les résultats. La question n’était plus seulement de savoir si un déploiement produisait un résultat, mais aussi si son obtention compromettait quelque chose d’essentiel. Il existe une forme de scepticisme ouvert : une réelle volonté d’investir, assortie de l’attente que les deux questions trouvent une réponse.

Les prévisions vont dans le même sens. Gartner s’attend à ce que l’IA agentique résolve de manière autonome 80 % des problèmes courants de service client d’ici 2029. Peu importe que le chiffre exact soit de 80 %. Le mot important ici est résoudre. La conversation commence par l’accès, mais le produit, c’est la résolution.

Le client zéro sous les projecteurs

Chez DXC, l’un de nos premiers déploiements d’IA vocale a eu lieu dans un contexte particulièrement exposé : nos conférences téléphoniques sur les résultats. Pendant trois trimestres consécutifs, le PDG Raul Fernandez rédigeait son discours, tandis qu’un modèle vocal d’IA personnalisé, créé avec ElevenLabs, le prononçait avec sa voix.

Le premier appel a démontré la capacité fondamentale. Lors du deuxième, son allocution pouvait être diffusée en espagnol, en français, en allemand, en portugais et en arabe. Au troisième, le discours a été diffusé simultanément en six langues. À chaque fois, Raul a précisé aux auditeurs qu’il avait écrit le texte et qu’un modèle d’IA le prononçait.

Une conférence téléphonique de présentation des résultats n’est pas un cadre facile : tout y est scruté, réglementé, et le moindre faux pas est mal perçu. Quatre enseignements se sont dégagés de cette expérience menée dans ce contexte plutôt que dans un cadre plus sûr.

• L’auteur du message compte davantage que sa mise en voix. Les propos sont les siens ; le modèle ne fait que les lire. Les organisations peuvent communiquer à grande échelle dans plusieurs langues sans changer l’identité de la personne qui a rédigé le message ni celle qui en reste responsable.
• La transparence a renforcé le résultat au lieu de l’affaiblir. Au départ, nous ne savions pas clairement si annoncer l’utilisation d’une voix générée par l’IA nuirait à notre crédibilité. C’est le contraire qui s’est produit ; l’autre option — espérer que personne ne s’en aperçoive — aurait été mauvaise tant sur le plan éthique que pratique.
• La diffusion multilingue a apporté une réelle valeur ajoutée. Les actionnaires qui auraient autrement dû attendre une traduction entendent désormais les mêmes propos, avec la même voix et au même moment. Cela change qui bénéficie d’un accès égal à l’information, et non l’efficacité de la production.
• La confiance repose sur la responsabilité, pas sur le fini. Les gens acceptent un message délivré par une IA lorsqu’ils savent qui l’a rédigé, qui en répond et quels recours s’offrent à eux. Rien de tout cela ne s’entend dans la voix elle-même.

Cela reflète un principe que nous appliquons chez LabX, l’incubateur de produits natifs de l’IA de DXC : avant de demander aux clients de faire confiance à une technologie émergente, nous devons être prêts à la tester dans notre propre environnement. Être le client zéro fait apparaître les problèmes qu’une démonstration bien rodée ne révèle pas : les moments d’hésitation, les ruptures de confiance et les garde-fous nécessaires pour assurer un déploiement responsable à grande échelle. Les défis les plus difficiles de l’IA en entreprise sont généralement d’ordre humain plutôt que technique.

De la démonstration à des expériences transformées

Notre partenariat stratégique avec ElevenLabs, entreprise spécialisée dans les modèles audio et les agents vocaux fondés sur l’IA, s’appuie sur cette expérience de client zéro et déploie la voix dans trois domaines pratiques. Dans chaque cas, le point de départ est un résultat précis, et non le simple déploiement d’une technologie.

• Dans les centres de service, les agents vocaux peuvent aider les employés à décrire naturellement un problème, à trouver les connaissances utiles, à effectuer les étapes courantes et à transmettre tout le contexte à un spécialiste lorsqu’une escalade est nécessaire. Le critère n’est pas le nombre d’appels redirigés. C’est de savoir si la personne qui a appelé a obtenu une solution en une seule interaction, sans avoir à décrire le problème trois fois.
• Dans les plateformes d’expérience client, des interfaces multilingues à la voix naturelle rendent les interactions plus cohérentes sur les canaux téléphoniques et numériques. Dans la plupart des organisations de services, la qualité varie selon la personne qui répond et le moment où elle le fait. Il est possible d’améliorer réellement la situation : chaque interaction peut s’appuyer sur le même contexte, tandis que les cas les plus difficiles restent confiés aux personnes les mieux placées pour les traiter.
• Dans la formation, la voix transforme un contenu passif en exercice pratique. Les employés peuvent s’entraîner à mener une conversation avec un client, à gérer un scénario de sécurité ou à conduire un entretien difficile avec un responsable, puis recevoir un accompagnement personnalisé. On acquiert plus vite les compétences nécessaires en s’exerçant à la conversation réelle qu’en lisant des explications à son sujet.

Les applications propres à chaque secteur pourraient être les plus importantes. Les assureurs peuvent envisager un recueil guidé des déclarations pour les sinistres courants ; les fabricants peuvent donner aux techniciens de terrain un accès mains libres aux procédures ; les organismes du secteur public peuvent faciliter l’accès à l’information dans plusieurs langues. Il ne s’agit pas d’agents génériques ajoutés par-dessus une organisation. Ils doivent être conçus en fonction du vocabulaire, des règles, des données et du profil de risque de chaque secteur.

Développer les qualités d’un service d’excellence, pas une interaction préprogrammée

Le risque, bien sûr, est que le déploiement à grande échelle entraîne une uniformité. Les entreprises ont déjà commis cette erreur : appliquer partout le même arbre de décision, satisfaire le cas moyen et décevoir tous les autres. Ce qu’il faut réellement généraliser, ce sont les qualités d’une excellente interaction de service — être bien informé, réactif et orienté vers un résultat — tout en adaptant l’interaction elle-même à la langue, au contexte et au besoin de la personne. La cohérence doit signifier une qualité fiable, et non une réponse identique.

La confiance fait partie de l’expérience

Plus un agent vocal semble humain, plus la transparence est importante. Une personne doit savoir quand elle interagit avec une IA. Les organisations doivent obtenir une autorisation explicite pour créer ou utiliser la voix synthétique d’une personne, contrôler qui peut y accéder, mettre en place une authentification robuste pour les actions sensibles, consigner les actes de l’agent et prévoir un moyen clair de joindre une vraie personne.

Ces éléments sont souvent considérés comme une question de conformité ajoutée après la conception de l’expérience, alors qu’ils doivent en faire partie intégrante. Une personne qui ne peut pas savoir si elle parle à un humain, qui ignore ce que l’agent est autorisé à faire ou qui ne peut joindre quelqu’un lorsqu’elle en a besoin ne vit pas une bonne expérience, aussi naturelle que puisse sembler la conversation.

Nous devons préciser d’où vient cette confiance, car elle va dans les deux sens. Les personnes qui ont conçu un modèle doivent le calibrer correctement. Le déploiement qui l’entoure — gestion des données, contrôle des accès, journalisation des actions, définition des étapes auxquelles une personne prend le relais — relève d’un problème distinct, qui incombe à ceux qui mettent le système en production. L’un ne remplace pas l’autre. Ces deux aspects sont d’autant plus importants pour la voix que l’interaction se déroule en temps réel, que l’agent peut agir pendant qu’il parle et qu’aucun écran ne montre à la personne ce qui vient d’être fait pour son compte.

Les recommandations externes sont utiles à cet égard. La Federal Trade Commission a mis en évidence les risques potentiels du clonage malveillant de voix, et le Cadre de gestion des risques liés à l’IA du NIST propose une méthode concrète pour cerner et gérer les risques liés à l’IA. Le consentement, la transparence, la sécurité, les tests et la surveillance continue doivent être considérés comme des exigences fondamentales du produit.

Ouvrir la voie, de l’expérimentation au déploiement à grande échelle

Mon rôle élargi de président de l’innovation et de la stratégie en IA & LabX réunit deux volets d’un même défi : lancer des produits conçus nativement pour l’IA et développer le volet commercial de la stratégie de plateforme de partenaires IA de DXC. LabX reste un lieu où mettre à l’épreuve des technologies de pointe face à de vrais problèmes rencontrés par les clients, mais son mandat consiste désormais aussi à aider ces derniers à s’orienter dans un écosystème ouvert de partenaires comme Anthropic et ElevenLabs.

Cette approche ouverte est importante, car aucun modèle, aucune plateforme ni aucune interface ne conviendra à toutes les entreprises ni à tous les cas d’usage. Notre rôle est de conjuguer la technologie adaptée, l’expertise métier, la conception des flux de travail, la gouvernance et la capacité de mise en œuvre, puis de vérifier que cette combinaison produit des résultats mesurables. Parfois, l’interface la mieux adaptée sera textuelle. Parfois, elle sera visuelle. De plus en plus, elle sera vocale — et souvent, elle associera judicieusement ces trois formes.

La question n’est pas de savoir où une entreprise peut ajouter la voix, mais où la conversation peut offrir une meilleure expérience et de meilleurs résultats, et si l’organisation est prête à repenser le travail en conséquence.