Parloa crée des agents auxquels les clients aiment parler

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

Après cette expérience, Parloa⁠(ouverture dans une nouvelle fenêtre), établie à Berlin, a commencé à créer des agents vocaux fondés sur des règles afin d’automatiser les interactions client à grand volume.

Avec l’émergence de ChatGPT, l’entreprise a évolué pour créer ce qui est aujourd’hui 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 client. Au lieu de définir des intentions et des parcours 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 routage aux demandes complexes en plusieurs étapes. L’accent est mis sur un comportement fiable en production, où les performances, la latence et les cas limites ont tous leur importance. Pour y parvenir, Parloa teste continuellement les modèles sur des scénarios client réels avant leur déploiement.

AMP, la plateforme de gestion des agents d’IA de Parloa, permet aux utilisateurs métier et aux experts du domaine de créer des agents d’IA sans écrire de code.

« Avec AMP, les experts de différentes unités opérationnelles peuvent réellement créer les agents et connecter les API de manière bien plus simple et efficace », explique O’Reilly.

Globalement, AMP permet aux marques de gérer l’ensemble du cycle de vie des agents d’IA. Pour cela, la plateforme 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 cartographier des arborescences d’intentions rigides, les experts définissent en langage naturel le rôle, les instructions, les outils et les limites de l’agent. Cette configuration sert de base au prompt fourni au modèle et au comportement du système en production.

Une fois défini, l’agent est testé avant son déploiement. Parloa simule des conversations client avec des modèles comme GPT‑5.4 : un modèle joue le rôle de l’appelant et un autre exécute l’agent configuré. Les équipes peuvent examiner directement ces interactions, tester les changements sur 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 évaluation selon l’approche « LLM as a judge ». Cela indique si l’agent a suivi les instructions, utilisé correctement les outils et accompli la tâche comme prévu.

Lors d’une conversation en direct, la couche d’orchestration d’AMP fournit à un modèle OpenAI la configuration de l’agent et le contexte de la conversation afin de générer une réponse, de récupérer des informations par RAG ou de déclencher des outils interagissant avec les systèmes client. Parloa actualise continuellement cette couche avec la dernière génération de modèles dès qu’ils démontrent des gains clairs en conditions réelles.

Après la conversation, des workflows distincts optimisés par OpenAI résument l’interaction, classent l’intention du client et évaluent les performances selon des règles définies.

À mesure que les agents se complexifiaient, la maintenance d’un unique prompt monolithique devenait plus difficile. De petites modifications pouvaient entraîner des effets secondaires inattendus. Pour y remédier, Parloa a adopté une approche modulaire. Des tâches telles que l’authentification, la modification d’une réservation ou la mise à jour d’un compte peuvent être confiées à des sous-agents distincts, ce qui améliore le suivi des instructions et facilite l’évolution des systèmes.

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

Parloa utilise des modèles comme GPT‑4.1 et GPT‑5‑mini pour simuler des interactions client réalistes avant la mise en service d’un agent, puis les évalue selon l’approche « LLM as a judge » et à l’aide de règles déterministes. Les équipes peuvent ainsi tester les cas limites, itérer rapidement et valider les performances avant que les clients ne soient confrontés à une défaillance.

Parloa travaille principalement avec de grandes entreprises, pour lesquelles la fiabilité compte autant que les capacités.

« Lorsqu’un nouveau modèle paraît, nous lui appliquons notre suite de tests comparatifs », explique Matthäus Deutsch, scientifique senior. « Il est essentiel pour nous que les solutions fonctionnent non seulement dans des tests théoriques, mais aussi dans de véritables cas d’usage. »

Au lieu de s’appuyer sur des tests abstraits, Parloa reproduit de véritables agents de production et les soumet à des pipelines de simulation et d’évaluation. Ces tests mesurent la fiabilité du suivi des instructions, la constance des appels d’API, la latence et les performances globales dans des conditions réalistes.

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

« La migration représente un coût réel pour les entreprises clientes », explique Deutsch. « Une fois qu’un système fonctionne en production, elles le maintiennent stable et n’en changent que si les avantages sont évidents. »

Les systèmes se comportent donc de manière 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 transférés à des conseillers humains, le transfert résulte rarement d’un échec. Lors d’un déploiement, une entreprise mondiale du voyage a réduit de 80 % les demandes de transfert vers un conseiller humain.

Cette priorité donnée à l’évaluation est devenue un important facteur de différenciation, permettant à Parloa d’avancer rapidement sans sacrifier la fiabilité en production.

La voix impose des contraintes différentes de celles du chat textuel. Chaque interaction passe par un pipeline à faible latence : reconnaissance vocale, raisonnement du modèle et synthèse vocale.

Dans ce pipeline, la latence est cruciale. Même de légers retards dans la couche du modèle se cumulent 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 performances des cas d’usage en temps réel, en privilégiant la latence, la qualité des réponses et le suivi des instructions. L’équipe évalue continuellement les nouvelles versions des modèles et les soumet à des tests intensifs dans des environnements proches de la production avant de les utiliser 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 par mot, notamment pour les données sensibles comme les numéros de contrat ou les identifiants de compte.
• Les modèles de synthèse vocale sont évalués au moyen de tests d’écoute en aveugle afin d'évaluer le caractère naturel de la voix pour de vrais utilisateurs. Ces résultats sont ensuite vérifiés à l’aide d’interactions client réelles afin de garantir des performances constantes dans les environnements de production.
• Les modèles de parole à parole sont actuellement évalués en vue de leur utilisation en production, en mettant l’accent sur la latence, la précision et le coût.

Dès le départ, ces systèmes ont été conçus pour un déploiement mondial. Les tests couvrent plusieurs langues, les clients étant présents dans des régions du monde entier. Cette rigueur multilingue reflète à la fois les racines européennes de Parloa et les attentes des entreprises clientes, qui exigent des performances constantes sur tous les marchés, et non dans une seule langue ou région.

Aujourd’hui, les agents de Parloa gèrent des millions de conversations dans le commerce, le voyage et l’assurance, pour des usages allant de l’automatisation de l’assistance aux parcours générateurs de revenus comme le téléachat.

Parloa voit le service client évoluer vers une expérience entièrement multimodale.

Une conversation peut commencer au téléphone, se poursuivre par chat et intégrer des liens ou des éléments interactifs. Au lieu de traiter chaque étape comme un parcours 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 s’attache à rendre les agents d’IA assez fiables, souples et dignes de confiance pour fonctionner à l’échelle mondiale.