avatarin a mis en production un agent vocal basé sur GPT-Realtime dans les magasins japonais de Yamada Denki. Support multilingue, 24 heures sur 24. En deux semaines, 30.000 personnes ont parlé avec l’agent et 92% des réponses à un sondage de satisfaction ont été positives.

La voix se consolidait comme canal opérationnel pour les agents enterprise, comme nous l’évoquions le 24 juillet. C’est le premier cas publié où un agent vocal tient à échelle réelle, pas en laboratoire.

Le point pour qui se renforce avec l’IA n’est pas les 92%. C’est que quelqu’un a sorti un agent vocal de la démo et l’a fait tourner nuit et jour. La voix est le canal le plus difficile : tu n’as pas le temps de relire, le client n’attend pas, et un délai de deux secondes dans la réponse ressemble à une panne. Voir un déploiement vrai aide à comprendre où on en est vraiment, même si le communiqué ne raconte que le côté qui fonctionne.

Ce qui manque, c’est l’envers : que s’est-il passé avec les 8% de réponses négatives, quel est le coût pour maintenir le service, comment gère-t-on les conversations qui dérapent. Le cas est publié par OpenAI, qui a tout intérêt à montrer le succès.

Dans le détail

Ce qu’il y avait avant. Les systèmes vocaux pour le retail étaient des IVR : menus en arbre, « appuyez sur 1 pour… », reconnaissance limitée de mots-clés. Ça marchait parce que c’était déterministe, mais ça ne comprenait pas une phrase hors du scénario. Puis les chatbots avec text-to-speech : ils transcrivaient, généraient du texte, reconvertissaient en voix. Trois composants séparés, avec des latences cumulées qui rendaient la conversation artificielle.

Ce qui change avec GPT-Realtime. L’API Realtime d’OpenAI traite l’audio en flux continu : le modèle reçoit l’audio, le traite et répond en voix dans le même flux, sans passages intermédiaires. Pour qui ne développe pas, la différence est entre un système qui « écoute, pense, parle » comme une seule chose et un système qui colle trois pièces différentes. La latence tombe sous le seuil où la conversation devient acceptable pour un être humain.

Le cas avatarin. L’agent offre un support multilingue aux clients de Yamada Denki, une chaîne d’électronique. Ce n’est pas un assistant général : il répond à des questions sur les produits, horaires, disponibilités. Le périmètre est resserré, et ça contribue probablement aux 92% de satisfaction. Un agent qui fait peu de choses a moins d’occasions d’échouer.

Les chiffres, avec prudence. 30.000 utilisateurs en deux semaines et 92% de réponses positives sont les chiffres de l’étude de cas publiée par OpenAI. On ne connaît pas la méthodologie du sondage, la taille de l’échantillon, ni ce qui compte comme « positif ». Les 8% de réponses négatives ne sont pas analysés. Sans ces détails, les 92% sont un indicateur, pas une mesure. C’est comme lire le benchmark de celui qui a construit le modèle : utile, mais à prendre pour ce que c’est.

Ce qui reste ouvert. On n’a pas de données sur le coût par conversation, le taux de conversations abandonnées, sur les cas limites où l’agent a dû passer à un opérateur humain. Un vrai déploiement s’évalue sur ces métriques, pas seulement sur la satisfaction déclarée. Pour qui veut construire quelque chose de similaire, les questions à se poser sont les mêmes que celles qu’on traite dans la leçon sur coûts, latence et sécurité : quelle est la latence maximale que ton client accepte, et que se passe-t-il quand l’agent ne sait pas répondre ?