Les annonces se ressemblent toutes : « notre plateforme est désormais multimodale ». Creusez. Vous trouverez un toggle voix/texte sur une interface de chat existante. L'agent répond en voix quand on lui parle en voix. C'est tout.

La mécanique de l'expérience n'a pas bougé d'un millimètre.

La case est cochée. Le deck est à jour. Et l'expérience, elle, reste monomodale avec du son.

Le vrai multimodal est un problème de design comportemental. Personne ne vous vendra ça comme une API, parce que ça ne s'active pas. Ça se conçoit.

Le test en trois questions

Vous voulez savoir si une expérience est réellement multimodale ? Trois questions suffisent.

Quand l'agent dit « voici les trois vins que je vous recommande », est-ce que les fiches apparaissent à l'écran pendant qu'il parle, ou après ?

Quand l'utilisateur ouvre une fiche produit ou ajoute au panier pendant que l'agent parle, est-ce que l'agent le sait ?

Quand l'utilisateur dit « compare-les », qui décide d'afficher un comparateur, et à quel moment ?

Un toggle voix/texte échoue aux trois. Ce n'est pas une nuance : c'est toute la différence entre une expérience conversationnelle et un chatbot avec des haut-parleurs.

Ce n'est pas une nuance : c'est toute la différence entre une expérience conversationnelle et un chatbot avec des haut-parleurs.

Chaque micro-décision est un choix de design

Synchroniser ce que l'agent dit et ce que l'écran montre n'est pas un problème d'intégration. C'est un problème de comportement, de temps, d'intention.

L'interface attend-elle la fin de la phrase avant d'afficher le composant, ou se déclenche-t-elle dès que l'intention est détectée ? Que fait l'agent si l'utilisateur clique au milieu de sa phrase ? Que se passe-t-il quand deux signaux arrivent en même temps ?

Aucune de ces décisions n'est documentée dans l'API d'un modèle de langage. Les équipes produit qui ont tenté de les assembler from scratch le savent : des semaines de R&D sur les états, les transitions, les cas limites, pour un seul parcours.

La chorégraphie voix ↔ écran

Chez Scenaro, la voix et l'écran partagent le même canal temps réel. Ce n'est pas un détail d'architecture : c'est le fondement.

Quand l'agent parle d'un produit, il peut afficher la fiche à l'écran, au bon moment, avec la bonne intention. Et le canal fonctionne dans les deux sens : quand l'utilisateur scrolle, ouvre une fiche, ajoute au panier, l'agent le sait et adapte son discours. Deux acteurs qui s'écoutent et s'ajustent en temps réel, la définition d'une chorégraphie.

L'état visuel remonte à l'agent sous forme de checkpoints : on peut reprendre une session là où on l'a laissée, avec un agent qui sait ce que l'utilisateur a déjà vu.

Urbansider, concierge de voyage à Paris, pousse ce modèle en production : carte interactive, timeline de voyage, vidéos immersives, planning multimodal. L'agent ne décrit pas un itinéraire, il l'affiche, le fait évoluer pendant la conversation, et sait ce que le voyageur regarde.

L'expérience y est même structurée en phases, comme un vrai rendez-vous avec un concierge : un brief pour cerner l'envie, une recherche qui travaille en arrière-plan, une restitution mise en scène sur carte et timeline. Et à chaque écran, des boutons permettent d'interagir quand on le souhaite, lancer la narration, creuser un quartier, ajuster le brief, sans jamais imposer la voix. Le Club Français du Vin a mesuré le même principe sur l'e-commerce : une nette amélioration de l'engagement.

L'agent ne décrit pas un itinéraire, il l'affiche, le fait évoluer pendant la conversation, et sait ce que le voyageur regarde.

Un artisanat, scénario par scénario

Cette chorégraphie ne se génère pas. Elle se conçoit scénario par scénario : l'ordre des événements, la priorité de l'information, le moment où l'agent parle et celui où il laisse l'écran prendre le relais.

Même la stack vocale est un choix par scénario. Sur Scenaro, chaque marque choisit son architecture, realtime pour une découverte fluide avec interruptions naturelles, ou pipeline STT→LLM→TTS quand la flexibilité prime, parmi des dizaines de fournisseurs, sans lock-in. Un agent qui met plus d'une seconde à répondre ne peut pas orchestrer un écran en temps réel : le choix d'architecture est un choix d'expérience.

Ces choix, personne ne peut les faire à votre place. Ils constituent votre expérience. Et votre expérience, c'est votre marque.