Les investisseurs misent gros sur la voix IA, mais plusieurs éditeurs jugent la technologie encore trop fragile sur la compréhension, la confiance et la transparence.
En bref
- La voix IA progresse, pas encore au niveau attendu
- Compréhension et confiance restent les vrais freins
- La transparence devient un enjeu produit central
Les démos de voix IA impressionnent vite. En entreprise, c’est une autre histoire. Si l’assistant comprend mal un mot-clé, répond avec un temps de latence de trop ou sonne encore un peu mécanique, la confiance tombe d’un coup, et avec elle l’intérêt business.
Le problème n’est plus seulement de parler, mais de répondre juste
Chez PolyAI, le CTO Shawn Wen estime que la voix n’a pas encore connu son moment ChatGPT. Le cap du full-duplex, ces modèles capables d’écouter et parler en même temps, a bien été franchi. Mais pour lui, le vrai chantier arrive maintenant : accélérer le raisonnement afin d’aller chercher la bonne réponse assez vite pour que l’échange paraisse naturel.
Il l’a expliqué sur scène à HumanX le mois dernier. Et on voit bien le point de friction. Une voix convaincante ne suffit pas si, derrière, le moteur hésite encore avant de traiter une demande un peu tordue.
Service client et réunion, deux terrains où la confiance décide de tout
Dans le service client, Shawn Wen juge aussi que les agents IA ne doivent plus donner cette impression robotique qu’on repère en dix secondes. L’enjeu, selon lui, est d’installer rapidement l’idée que l’agent peut vraiment résoudre le problème. Si un client accepte d’échanger pendant deux ou trois tours, la confiance commence à se construire, et l’appel n’a plus forcément besoin d’être repris par un humain.
Même logique du côté de Otter. Son CMO, Alex Gay, considère que l’identification des interlocuteurs, la capture d’intention et la mise en relation avec la connaissance interne sont la base de l’automatisation. L’entreprise travaille aussi sur des doubles numériques capables de représenter des personnes en réunion. Mais là encore, la voix doit porter les mêmes nuances émotionnelles qu’un humain. Sinon, bref, on reste sur un simple chatbot de questions-réponses.
Une transcription imparfaite casse toute la chaîne d’automatisation
Le point technique le plus concret, c’est l’ASR, la reconnaissance automatique de la parole. Shawn Wen note que ces modèles ratent encore des mots importants, ce qui abîme le contexte global.
Alex Gay va dans le même sens. Pour Otter, la transcription n’a jamais été le produit final, seulement la première couche de gains de productivité. Mais si cette couche est fausse, les résumés, les intentions détectées et les actions déclenchées derrière deviennent eux aussi faux. Et là, vous perdez la plateforme. Clairement, tout l’aval du système dépend de cette précision initiale.
La transparence devient un sujet produit, pas juste juridique
Reste un sujet qui monte vite : la transparence. Les outils vocaux doivent indiquer aux utilisateurs qu’ils sont enregistrés ou qu’ils parlent à une IA. Otter dit vouloir installer cette confiance jusque dans les réunions où le bot n’est pas visible, par exemple avec une notification dans le chat signalant l’enregistrement.
De son côté, PolyAI défend la même logique pour les appels d’entreprise. C’est assez simple, au fond. Tant que la voix ne comprend pas parfaitement, ne rassure pas d’emblée et n’annonce pas clairement ce qu’elle est, le marché peut investir des milliards, le vrai basculement attendra encore un peu.
