Il y a un moment précis où une expérience vocale bascule de « fluide » à « brisée ». Ce n'est pas la mauvaise réponse. Ce n'est pas le plantage.

C'est le silence : l'utilisateur pose une question à voix haute, et rien ne se passe.

Le seuil est connu : environ 800 millisecondes de silence non géré, et l'illusion s'effondre. Dans une vraie conversation, une pause de cette durée est remplie par un regard, une inspiration, un « hmm », des signaux qui disent « j'ai entendu, je réfléchis ». Enlevez-les, et la même pause devient anxiogène. L'utilisateur se demande : il m'a entendu ? Il réfléchit ? Il a planté ?

Une illusion de conversation qui s'effondre ne se reconstruit pas. L'utilisateur ne laissera pas d'avis négatif. Il arrêtera juste de s'en servir.

Le KPI que personne ne regarde

La hype vocale a produit des dashboards pleins de métriques familières : conversion, NPS, durée de session, abandon. Utiles, et aveugles au problème.

Le temps entre la fin de la phrase de l'utilisateur et le début de la réponse de l'agent n'apparaît nulle part. Google Analytics ne le voit pas. Les outils de session recording le capturent mal.

C'est pourtant le premier signal de qualité perçu, avant même le contenu de la réponse.

Les sciences cognitives sont claires : au-delà de 700–800 ms sans signal de traitement, le cerveau interprète la pause comme une erreur, pas comme une réflexion. L'expérience ne se dégrade pas progressivement. Elle casse.

Mesurer la conversion sans mesurer ce silence, c'est compter les ventes d'un magasin dont le vendeur fixe les clients sans répondre.

Latence technique ≠ latence perçue

Confondre les deux est l'erreur la plus répandue des déploiements vocaux.

La latence technique, c'est le temps de traitement réel : transcription de la voix, génération de la réponse, synthèse vocale. Sur un pipeline classique, comptez entre 800 ms et 1,5 seconde. Pas dramatique en valeur absolue.

La latence perçue, c'est ce que l'utilisateur ressent. Et elle se travaille indépendamment de la technique. Un humain ne reste pas muet pendant qu'il cherche : il dit « laissez-moi regarder ça… » et continue de travailler. Un signal sonore ou visuel de traitement réduit massivement la latence perçue, à latence technique identique. Sans rien, 800 ms sont une éternité.

Chez Scenaro, ce principe est dans la conception même de l'agent. Il expose un état, écoute, réfléchit, parle, synchronisé avec l'interface. Et il est conçu pour parler pendant qu'il travaille plutôt que laisser un silence mort. Le silence non géré n'est pas un incident : c'est un défaut de design.

Le cas extrême, c'est l'attente longue. Chez Urbansider, la construction d'un itinéraire prend du temps réel, plusieurs dizaines de secondes de recherche. Plutôt que masquer cette attente derrière un spinner, l'expérience la transforme : pendant que la recherche tourne en arrière-plan, l'agent propose au voyageur un intermède, un morceau de culture parisienne, un guide de quartier, un mot de français à apprendre. Un contenu pédagogique, un ton décontracté, une pointe d'imprévu. L'attente cesse d'être un trou dans la conversation : elle devient un moment de l'expérience.

Le silence non géré n'est pas un incident : c'est un défaut de design.

La latence se choisit, scénario par scénario

L'autre erreur est de traiter la latence comme un chiffre unique à optimiser. C'est un arbitrage, et il se fait par scénario.

Deux grandes familles d'architecture existent. Le realtime : 200 à 400 ms, full duplex, interruptions naturelles, l'architecture des conversations fluides, au prix d'une flexibilité moindre sur le choix des voix. Le pipeline STT→LLM→TTS : chaque brique choisie et remplaçable indépendamment, latence plus élevée mais compensée par les signaux de traitement, l'architecture de la flexibilité et des contraintes spécifiques.

Sur Scenaro, chaque marque choisit sa stack par scénario, parmi des dizaines de fournisseurs, sans lock-in, avec le coût estimé de chaque configuration affiché dans l'éditeur. Une découverte en full duplex exige du realtime, chaque milliseconde compte quand on s'attend à interrompre et être interrompu. Un support en mode discret, où l'agent répond par écrit, tolère un pipeline : l'utilisateur lit à son rythme.

Mêmes 900 ms de latence technique, expériences radicalement différentes selon le mode, l'architecture et les signaux de traitement. C'est pourquoi benchmarker en chat textuel, ou au lancement, en conditions idéales, rate la métrique qui pilote réellement l'abandon. Un provider qui répond en 400 ms à vide peut monter à 1,2 seconde en heure de pointe. Sans monitoring, les équipes ne le voient pas. Les utilisateurs, si.

La latence perçue est un KPI. Elle devrait être dans vos dashboards, à côté du taux de conversion, parce que c'est elle qui décide si quelqu'un revient.