Parloa lance des agents vocaux IA pour le support des grandes entreprises, bâtis sur les modèles d'OpenAI

Parloa, développeur berlinois d'une plateforme de service client, a expliqué comment elle utilise les modèles d'OpenAI pour déployer des agents vocaux IA dans de grandes entreprises. La plateforme AMP ne se contente pas de répondre aux appels : elle aide à concevoir, tester et mettre en production des systèmes qui doivent fonctionner de façon stable en temps réel.

Comment fonctionne AMP

L'histoire de Parloa a commencé par un problème très terre à terre. L'un des cofondateurs de l'entreprise, Stefan Ostwald, a passé une journée dans un centre d'appels d'assurance et a vu les employés traiter encore et encore les mêmes demandes : réinitialisation de mot de passe, questions sur un contrat, modifications courantes de compte. L'entreprise a d'abord conçu des bots vocaux à base de règles, puis, avec l'arrivée de ChatGPT et des nouveaux modèles d'OpenAI, elle est passée à l'AI Agent Management Platform, ou AMP. Il ne s'agit plus de scénarios rigides, mais d'une plateforme où les entreprises peuvent construire, tester et lancer un service vocal fondé sur des LLM.

L'idée centrale d'AMP est qu'elle n'est pas réservée aux développeurs. Une équipe métier ou des experts du domaine définissent en langage courant le rôle de l'agent, les instructions, les contraintes et les outils connectés, sans arbre d'intentions et sans décrire chaque étape à la main. Le système peut ensuite être soumis à une simulation : un modèle joue le client, un autre l'agent configuré. L'équipe voit comment l'agent répond, s'il appelle correctement les API, s'il sort du scénario, et peut corriger rapidement la configuration avant les vrais appels.

Le pari de la vérification

Parloa mise fortement sur une approche evaluation-first. Pour les clients d'entreprise, les belles démos ne suffisent pas : la prévisibilité en production compte, car changer de modèle implique toujours des coûts et des risques. L'entreprise ne tient donc pas les benchmarks abstraits pour la vérité et construit ses propres jeux de tests, qui reproduisent des scénarios réels de support client. Ils mesurent dans quelle mesure le modèle suit les instructions, avec quelle stabilité il appelle les outils, quelle est la latence de réponse et comment le système se comporte dans les cas limites.

«

Les modèles n'ont d'importance que lorsqu'ils fonctionnent en production », explique Parloa à propos de son approche des systèmes vocaux en temps réel.

Un bon résultat sur le papier ne suffit pas. Seules les configurations qui franchissent de façon stable les simulations et les contrôles automatiques partent en production. La plateforme combine LLM-as-a-judge et règles déterministes : certaines évaluations vérifient la qualité de la réponse et le respect des instructions, d'autres que les étapes critiques se déroulent bien dans le bon ordre. Cette approche a déjà un effet business : dans un déploiement, une entreprise de voyage mondiale a réduit de 80 % le nombre de demandes de transfert vers un opérateur humain.

Une voix sans pauses

Pour Parloa, l'interface vocale est un défi d'ingénierie à part. Contrairement à un chat textuel, l'utilisateur ressent ici chaque seconde directement. Toute la chaîne doit fonctionner avec une latence minimale : le système reconnaît d'abord la parole, puis le modèle formule la réponse, puis la synthèse vocale se déclenche. Même une petite pause au niveau du modèle devient un silence perceptible au bout du fil ; Parloa optimise donc avec OpenAI non seulement la qualité des réponses, mais aussi la vitesse, la stabilité et la rigueur dans le respect des instructions.

• La reconnaissance vocale est évaluée par le taux d'erreur de mots (word error rate), surtout sur des données sensibles comme les numéros de contrat et les identifiants de compte.
• La synthèse vocale est évaluée par des écoutes à l'aveugle, pour mesurer le naturel de la voix aux oreilles de vraies personnes.
• Les modèles speech-to-speech sont testés séparément pour juger de leur préparation à la production en matière de latence, de précision et de coût.
• Des benchmarks multilingues sont exécutés pour différents marchés, car les clients d'entreprise exigent la même fiabilité non pas dans un seul pays, mais à l'échelle mondiale.

Aujourd'hui, les agents de Parloa traitent des millions de conversations dans le commerce de détail, le tourisme et l'assurance. L'entreprise regarde au-delà de l'appel classique : un même parcours de service peut démarrer par téléphone, se poursuivre par chat et inclure en cours de route des liens ou des éléments interactifs. Dans cette approche, les canaux ne vivent plus séparément. Pour le client, cela doit être une seule conversation continue, et non une série de contacts disparates, et c'est pour ce format que l'entreprise construit sa plateforme.

Ce que cela signifie

L'histoire de Parloa montre que le marché du support en entreprise glisse des simples arbres IVR vers de véritables plateformes de gestion d'agents IA. Les gagnants ne seront pas ceux qui ont le modèle le plus tapageur, mais ceux qui savent le tester sur des scénarios réels, garder une faible latence et le connecter en toute sécurité aux systèmes internes de l'entreprise.