Parloa crée des agents auxquels les clients veulent parler

Aux débuts de Parloa, le cofondateur Stefan Ostwald a passé une journée dans un centre d’appels d’assurance, où son équipe développait ses premières expériences vocales. Assis aux côtés des agents, il a entendu les mêmes conversations se répéter : réinitialisations de mots de passe, questions sur les polices et changements courants. Il a compris qu’une grande partie de ce travail pouvait être automatisée.

Après cette expérience, Parloa⁠(s'ouvre dans une nouvelle fenêtre), établie à Berlin, a commencé à créer des agents vocaux fondés sur des règles pour automatiser les interactions client à grand volume.

Avec l’émergence de ChatGPT, l’entreprise a évolué pour créer ce qui est maintenant sa plateforme de gestion des agents d’IA (AMP), fondée sur une nouvelle génération de modèles, dont GPT‑5.4.

AMP permet aux entreprises de concevoir, déployer et gérer à grande échelle les interactions avec le service à la clientèle. Au lieu de définir des intentions et des flux rigides, les équipes décrivent le comportement en langage naturel, se connectent aux systèmes internes et itèrent rapidement grâce aux simulations et évaluations intégrées.

Parloa gère ces interactions de bout en bout, du simple acheminement aux demandes complexes en plusieurs étapes. L’accent est mis sur la constance en production, où la performance, la latence et les cas limites comptent tous. Pour y parvenir, Parloa teste continuellement les modèles avec de vrais scénarios client avant de les déployer.

La plateforme de gestion des agents (AMP) de Parloa permet aux utilisateurs professionnels et aux experts du domaine de créer des agents d’IA sans écrire de code.

« Avec AMP, les experts de différentes unités d’affaires peuvent réellement créer les agents et connecter les API de façon beaucoup plus simple et efficace », explique O’Reilly.

Dans l’ensemble, AMP permet aux marques de gérer tout le cycle de vie des agents d’IA. Pour ce faire, elle offre aux équipes non techniques un moyen plus simple de définir le comportement d’un agent avant sa mise en service. Au lieu d’écrire du code ou de schématiser des arbres d’intentions rigides, les experts définissent en langage naturel le rôle, les instructions, les outils et les limites de l’agent. Cette configuration détermine la façon dont l’invite est transmise au modèle et dont le système se comporte en production.

Une fois défini, l’agent est testé avant son déploiement. Parloa simule des conversations client à l’aide de modèles comme GPT‑5.4, l’un jouant le rôle de l’appelant et l’autre exécutant l’agent configuré. Les équipes peuvent examiner directement ces interactions, tester les changements avec des scénarios réalistes et itérer avant la mise en service.

Les mêmes modèles servent ensuite à évaluer ces conversations à l’aide de contrôles déterministes et d’une notation par un LLM agissant comme juge. Cela indique si l’agent a suivi les instructions, utilisé correctement les outils et accompli la tâche comme prévu.

Pendant une conversation en direct, la couche d’orchestration d’AMP transmet à un modèle OpenAI une invite comprenant la configuration de l’agent et le contexte de la conversation afin de générer une réponse, de récupérer de l’information par RAG ou de déclencher des outils qui interagissent avec les systèmes dorsaux du client. Parloa actualise continuellement cette couche avec la dernière génération de modèles lorsque ceux-ci affichent des gains manifestes en conditions réelles.

Après la conversation, des flux de travail distincts propulsés par OpenAI résument l’interaction, classent l’intention du client et évaluent la performance selon des règles définies.

À mesure que les agents se complexifiaient, la gestion d’une seule invite monolithique devenait plus difficile. De petits changements pouvaient entraîner des effets secondaires imprévus. Pour y remédier, Parloa a adopté une approche modulaire. Les tâches comme l’authentification, les modifications de réservation ou les mises à jour de compte peuvent être confiées à des sous-agents distincts, ce qui améliore le respect des instructions et facilite l’évolution des systèmes.

Parallèlement, la plateforme intègre des contrôles déterministes là où la fiabilité compte le plus. Les entreprises peuvent définir des chaînes d’API structurées et une logique événementielle pour garantir que les étapes critiques se déroulent dans le bon ordre, conciliant souplesse conversationnelle et exécution prévisible.

Parloa utilise des modèles comme GPT‑4.1, GPT‑5‑mini et d’autres pour simuler des interactions client réalistes avant la mise en service d’un agent, puis les évalue au moyen d’un LLM agissant comme juge et de règles déterministes. Les équipes peuvent ainsi tester les cas limites, itérer rapidement et valider la performance avant que les clients ne soient exposés à une défaillance.

Parloa travaille surtout avec de grandes entreprises, où la constance compte autant que les capacités.

« Lorsqu’un nouveau modèle paraît, nous lui faisons passer notre série de tests comparatifs », explique Matthäus Deutsch, scientifique principal en IA appliquée. « Il est essentiel pour nous que les choses fonctionnent non seulement dans des tests théoriques, mais aussi dans de véritables cas d’utilisation. »

Au lieu de se fier à des tests abstraits, Parloa reproduit de vrais agents de production et les soumet à des chaînes de simulation et d’évaluation. Ces tests mesurent la fiabilité du respect des instructions, la constance des appels d’API, la latence et la performance globale dans des conditions réalistes.

Ces évaluations déterminent quels modèles sont prêts pour la production. Seuls les modèles fiables dans de vrais scénarios client sont déployés.

« La migration entraîne un coût réel pour les entreprises clientes », explique Deutsch. « Lorsqu’un système fonctionne en production, elles le gardent stable et ne le remplacent que si les avantages sont manifestes. »

Ainsi, les systèmes se comportent de façon prévisible en production, même à grande échelle. Sur des millions d’interactions client, la plupart des conversations sont résolues sans difficulté. Même lorsque les appels sont acheminés à des agents humains, l’escalade découle rarement d’un échec. Lors d’un déploiement, une entreprise mondiale du secteur du voyage a réduit de 80 % les demandes de parler à un agent humain.

Cette approche axée d’abord sur l’évaluation est devenue un grand facteur de différenciation, permettant à Parloa d’avancer rapidement sans sacrifier la fiabilité en production.

La voix impose des contraintes différentes de celles du clavardage textuel. Chaque interaction passe par une chaîne à faible latence : transcription de la parole, raisonnement du modèle et synthèse vocale.

Cette chaîne rend la latence cruciale. Même de légers délais dans la couche du modèle s’additionnent et créent des pauses perceptibles pour l’appelant, ce qui influence la sélection et l’optimisation des modèles.

Parloa collabore étroitement avec OpenAI pour optimiser les cas d’utilisation en temps réel, en privilégiant la latence, la qualité des réponses et le respect des instructions. L’équipe évalue et soumet continuellement à des essais intensifs les nouvelles versions des modèles dans des environnements semblables à la production avant leur utilisation avec de vrais clients.

Parloa évalue séparément chaque composant de la pile vocale :

• Les systèmes de reconnaissance vocale sont testés selon leur taux d’erreur sur les mots, surtout pour les données sensibles comme les numéros de police ou les identifiants de compte.
• Les modèles de synthèse vocale sont évalués par des tests d’écoute à l’aveugle afin de mesurer à quel point la voix semble naturelle aux vrais utilisateurs. Ces résultats sont ensuite comparés à de véritables interactions client pour assurer une performance constante dans les environnements de production.
• La préparation à la production des modèles de parole à parole est en cours d’évaluation, particulièrement en matière de latence, d’exactitude et de coût.

Dès le départ, ces systèmes ont été conçus pour un déploiement mondial. Les tests couvrent plusieurs langues, et les clients exercent leurs activités partout dans le monde. Cette rigueur multilingue reflète tant les racines européennes de Parloa que les attentes des entreprises clientes, qui exigent une performance constante dans tous les marchés, et non dans une seule langue ou région.

Aujourd’hui, les agents de Parloa gèrent des millions de conversations dans des secteurs comme le commerce de détail, le voyage et l’assurance, pour des cas allant de l’automatisation du soutien aux flux générateurs de revenus comme le téléachat.

Parloa voit le service à la clientèle évoluer vers une expérience entièrement multimodale.

Une conversation peut commencer au téléphone, se poursuivre par clavardage et inclure des liens ou des éléments interactifs. Au lieu de traiter chaque étape comme un flux distinct, AMP est conçue pour les gérer comme une seule interaction. À terme, les agents d’IA pourraient devenir aussi essentiels aux parcours client que les sites Web et les applications mobiles.

Alors que les entreprises automatisent une part croissante des interactions client, Parloa veille à rendre les agents d’IA assez fiables, souples et dignes de confiance pour fonctionner à l’échelle mondiale.