Vendredi 15 h 47. Un client appelle votre garage à Boucherville. Il a frappé un trottoir, son pneu a un drôle de bruit, il veut savoir si c'est dangereux pour rentrer chez lui à Saint-Hyacinthe. Votre agent IA vocal le rassure, prend ses coordonnées, lui propose un rendez-vous lundi. Bonne réponse — sauf que le client a raccroché 30 secondes plus tôt en se disant : « Si seulement j'avais pu lui montrer le pneu. »
Cette frustration-là, en avril 2026, ElevenLabs vient d'y mettre fin. Et la plupart des PME du Québec ne savent même pas que ça existe.
L'avis qui dérange : la voix-seule devient un handicap
On va le dire clairement, parce que personne d'autre ne le fait. Un agent IA vocal qui ne traite que de la voix en 2026, c'est l'équivalent d'un site web qui n'affiche pas d'images en 2010. Ça fonctionne, mais ça vous fait perdre des contrats que vous ne saurez même jamais avoir manqués.
Le 7 avril 2026, ElevenLabs a ajouté sendMultimodalMessage au hook useConversationControls et exporté le type MultimodalMessageInput. En français : votre client peut maintenant texter une photo pendant un appel, et l'agent IA vocal la voit, l'analyse et répond à la voix. Telnyx a fait la même chose côté télécom avec le support MMS pendant les appels. C'est arrivé sans annonce médiatique au Québec. C'est en train de redéfinir ce qu'un appel de service signifie.
Pourquoi vos fournisseurs actuels ne vous en parlent pas
Trois raisons, et aucune ne joue en votre faveur.
Première raison. La majorité des intégrateurs au Québec ont monté leurs setups il y a 12 à 18 mois autour d'une stack voix-seule (STT → LLM → TTS). Activer le multimodal demande de revoir le webhook Twilio, le LLM (qui doit avoir la vision : Gemini 3.1 Pro, GPT-4o, Claude Sonnet), et le pipeline d'analyse d'image. Ce n'est pas un toggle. C'est trois jours d'intégration honnête.
Deuxième raison. Tant que personne ne vous le propose, personne ne paie pour. Le client typique au Québec ne sait pas que son agent IA vocal pourrait recevoir des images. Donc il ne le demande pas. Donc l'intégrateur ne le facture pas. Le statu quo est confortable — pour le fournisseur.
Troisième raison, la plus honnête : tout le monde n'en a pas besoin tout de suite. Une PME qui prend des réservations de table dans un resto à Drummondville n'a probablement pas besoin de multimodal cette année. Mais un assureur, un débosseleur, un plombier, une clinique vétérinaire ? Ils en ont besoin maintenant.
Les 5 industries au Québec où le multimodal change la donne en 2026
1. Assurance et indemnisation. Le client appelle à 22 h, sa voiture vient d'être heurtée dans le stationnement d'un IGA. Avec un agent multimodal : photo des dégâts, photo de la plaque de l'autre véhicule, photo du constat amiable. L'agent valide les éléments, ouvre le dossier, déclenche la dépanneuse — sans qu'un humain n'intervienne avant lundi matin. Les assureurs québécois qui adoptent ça en 2026 vont prendre des parts de marché. Ceux qui attendent vont en perdre.
2. Mécanique automobile et débosselage. « Mon moteur fait un bruit bizarre » est inutile au téléphone. Une photo du tableau de bord avec les voyants allumés, ou un court vidéo du compartiment moteur, transforme un diagnostic flou en estimation chiffrée. Les concessionnaires québécois qui combinent agent IA vocal + multimodal récupèrent les soumissions qu'ils perdaient sur les appels manqués et qualifient le travail avant même que le client n'arrive au comptoir.
3. Cliniques vétérinaires. Un chien qui a mangé quelque chose de douteux, une plaie qui inquiète, un comportement bizarre filmé sur le iPhone du propriétaire. Les cliniques vétérinaires qui font déjà du triage par agent IA vocal peuvent maintenant ajouter une couche visuelle au triage. C'est la différence entre « je vous fais venir » et « gardez-le au calme, on a vu pire, prenez ce rendez-vous mardi ».
4. Plomberie et entrepreneurs. 60 % des appels d'urgence en plomberie au Québec se règlent ou non selon une seule chose : l'entrepreneur peut-il évaluer l'urgence sans déplacement. Une photo du tuyau qui pisse vs. d'un robinet qui goutte change le tarif d'urgence et la priorité dans la liste des appels. Pour un entrepreneur seul ou une petite équipe, c'est trois ou quatre déplacements évités par semaine.
5. Vente au détail et SAV. Le client appelle parce que le produit ne fonctionne pas. Photo de l'écran d'erreur, photo du numéro de série, photo de l'emballage abîmé reçu par Postes Canada. L'agent ouvre un ticket de retour, génère l'étiquette de retour, envoie le tout par courriel. Sans humain. À 19 h un samedi.
Les chiffres que personne ne sort assez
Quelques données concrètes pour situer l'enjeu.
Le marché des réceptionnistes virtuels IA a atteint 4,64 milliards $ US en 2026 et croît à 9,8 % par an. Mais ce chiffre cache une fracture : la part de marché du voix-seule plafonne tandis que le multimodal capture la croissance. Les fournisseurs qui ne pivotent pas vont voir leur cohorte de clients vieillir sans renouvellement.
Sur l'opérationnel : 27 % des appels en PME ne sont pas répondus, ce qui coûte en moyenne 126 000 $ US par an à un commerce typique. Ajoutez à ça que 40 à 60 % des appels d'urgence (plomberie, mécanique, dépannage) sont qualifiés différemment quand le client peut envoyer une photo — donc routés différemment, donc tarifés correctement. C'est une marge brute qui vous échappe sans que vous le voyiez.
Et le coût d'ajout du multimodal sur un agent existant ? Entre 0 $ et 0,02 $ par image traitée selon le LLM choisi. À 100 images par jour, on parle de 60 $ par mois. Le ROI est trivial dès qu'une seule visite de plomberie évitée par semaine est en jeu.
Ce qui ne marche pas (encore) — l'honnête section
Pour ne pas vous vendre du rêve : trois limites concrètes en mai 2026.
Le réseau. Le multimodal pendant un appel actif demande que le client envoie l'image par MMS ou via un lien web cliqué pendant l'appel. Au Québec, sur Bell, Rogers et Vidéotron, le MMS fonctionne bien — mais 8 à 12 % des clients ont des téléphones d'affaires SIP-only où le MMS ne passe pas. Il faut un fallback (lien SMS court vers une page d'upload).
La latence ajoutée. L'analyse d'une image par un LLM avec vision ajoute 1,2 à 2,5 secondes selon le modèle. Sur un agent qui tourne déjà à 300-500 ms de latence vocale, ce délai paraît long si l'agent reste muet. Solution : l'agent dit « parfait, je regarde la photo, donnez-moi 2 secondes » — un comportement d'humain, pas de robot.
La Loi 25. Recevoir et traiter une photo, c'est traiter un renseignement personnel (potentiellement biométrique si on voit le visage). Le consentement explicite, la conservation, le droit à l'effacement — tout doit être réglé avant le déploiement. Ce n'est pas bloquant, mais ça doit être documenté. Notre équipe TECHMA s'en occupe pour vous lors du déploiement.
Ce qu'il faut décider d'ici la fin du trimestre
Voici ce qu'on dirait à un dirigeant de PME au Québec en mai 2026, en 30 secondes :
Si votre business génère du chiffre sur des appels où « voir » est plus rapide que « décrire » (mécanique, plomberie, assurance, vétérinaire, SAV), vous avez 6 à 9 mois avant que vos concurrents qui ont basculé en multimodal vous mangent vos appels d'urgence. Pas parce qu'ils sont meilleurs. Parce qu'ils sont plus pratiques, et qu'à 22 h un samedi, le client choisit le pratique.
Si votre business est essentiellement de la prise de rendez-vous standard (resto, salon, prise d'appel courte), votre agent IA vocal voix-seule fait encore le travail. Vous pouvez attendre 2027 pour passer au multimodal — mais à ce moment-là, ce sera la norme et personne ne facturera la nouveauté.
L'angle architectural : multimodal n'est pas un add-on
Une dernière chose, parce qu'on voit déjà passer des fournisseurs qui « ajoutent » le multimodal en bricolant. Le multimodal change la façon dont l'agent IA vocal pense, pas seulement ce qu'il entend.
Concrètement, ça veut dire que le LLM doit être nativement multimodal (Gemini 3.1 Pro, GPT-4o, Claude Sonnet) — pas un modèle texte avec une couche d'OCR collée par-dessus. Ça veut dire que l'architecture multi-agent doit prévoir un agent spécialisé pour le triage visuel. Et ça veut dire que les prompts système, les outils, les guardrails — tout doit être repensé pour assumer que l'image fait partie du contexte de l'appel.
Si quelqu'un vous propose le multimodal pour 99 $/mois en plus, posez deux questions : « Quel LLM avec vision ? » et « Le contexte de l'image traverse-t-il toute la conversation ou seulement le tour où l'image est envoyée ? » Si la réponse est floue, c'est du multimodal de surface. C'est utile, mais ce n'est pas ce dont on parle ici.
Le verdict
En mai 2026, l'agent IA vocal au Québec n'est plus juste un téléphone qui répond. C'est un canal de communication où la voix, le texte et l'image se mélangent dans la même conversation. Les PME qui adoptent ça maintenant prennent une avance qui se mesure en parts de marché, pas en gadgets technologiques.
Et celles qui attendent que tous leurs concurrents l'aient déjà ? Elles paieront le rattrapage trois fois — en perte de clients, en coût de migration et en explication à donner aux clients qui se demandent pourquoi le concurrent d'à côté est plus pratique.
Le multimodal n'est pas la prochaine étape. C'est l'étape actuelle. La seule question qui reste, c'est : est-ce que votre PME est dedans, ou est-ce qu'elle regarde par la fenêtre ?
Sources externes : ElevenLabs — Introducing Multimodal Conversational AI · Telnyx — AI Agents now support inbound MMS during live voice calls · ElevenLabs Changelog — 7 avril 2026.