« Envoyez-moi une photo du tuyau qui coule, je vais vous donner une estimation au téléphone. » Cette phrase, un plombier de Trois-Rivières l'a dite à une cliente le 19 avril 2026. Sauf que ce n'était pas le plombier qui parlait. C'était son agent IA vocal. Et la photo? L'agent l'a vraiment regardée, identifié un raccord PEX fissuré, puis fixé un rendez-vous d'urgence pour le lendemain matin — pendant que le vrai plombier finissait son souper.
Bienvenue dans le téléphone d'une PME du Québec en 2026.
Ce qui s'est passé en avril 2026 (et pourquoi personne n'en a parlé)
Le 1er avril 2026, ElevenLabs a publié une mise à jour qui ressemblait à n'importe quelle autre note technique : « Multimodal message support added to Conversational AI ». Cinq mots, perdus dans un changelog. Pourtant, c'est probablement le changement le plus sous-estimé de l'année pour le téléphone d'affaires.
Concrètement : un agent IA vocal peut maintenant recevoir des images pendant un appel. Pas après. Pendant. Le client envoie une photo par SMS ou via une interface web, l'agent la regarde, la comprend, et répond à voix haute en tenant compte de ce qu'il voit. La mise à jour officielle d'ElevenLabs ajoute aussi des événements de garde-fous (guardrail events) et le suivi des conversations multi-agents — mais c'est le multimodal qui change vraiment l'économie d'un appel.
Ce n'est pas un cas isolé. GPT-Realtime d'OpenAI a ajouté l'entrée image et le calling SIP la même semaine. Trois fournisseurs majeurs, un mois, la même direction. La voix arrête d'être aveugle.
« Voir » au téléphone, ça ressemble à quoi en pratique?
On a posé la question à une dizaine de gestionnaires de PME en avril. Personne ne savait que la fonctionnalité existait. Quand on leur expliquait, la réaction était la même : « OK, mais je m'en sers comment? »
Voici les quatre scénarios où c'est déjà déployé chez nos clients à Montréal, Sherbrooke et Québec :
1. Le client envoie une photo, l'agent fait un pré-diagnostic. Plomberie, mécanique, électroménager, électronique : 60 % des appels d'urgence commencent par « j'sais pas trop quoi vous dire, c'est cassé ». Avec une photo, l'agent reconnaît la marque, le modèle, le type de bris, et propose le bon technicien avec le bon stock dans le camion.
2. Le client montre un document, l'agent le lit. Une cliente d'assurance qui appelle pour une réclamation peut maintenant texter une photo de son contrat ou de sa carte de crédit endommagée. L'agent extrait les bons numéros, valide la couverture, ouvre le dossier. Plus besoin d'épeler 16 chiffres au téléphone.
3. Le client montre un objet, l'agent confirme la pièce. Quincailleries, garages, magasins de pièces auto : un client envoie la photo de sa pièce brisée, l'agent identifie la référence, vérifie la dispo, réserve l'item. Fini le « apportez-la au comptoir, on verra ».
4. Le client partage son écran, l'agent guide. Support TI, configurateurs en ligne, comptables en pleine paperasse : capture d'écran envoyée, l'agent voit le message d'erreur, donne l'instruction exacte. C'est le scénario que les grands centres de contact américains testent depuis l'automne dernier; il arrive maintenant chez les PME, à un dixième du prix.
Les quatre industries où l'addition change vraiment
Le multimodal n'est pas pertinent pour tous les appels. Une réservation de table dans un restaurant, ça reste de la voix simple. Mais pour quatre secteurs au Québec, ça redéfinit la rentabilité d'un appel entrant.
Les services à domicile. Un plombier qui se déplace pour rien, c'est entre 80 $ et 150 $ de marge perdue. Avec une photo en pré-appel, le taux de bons diagnostics passe d'environ 55 % à plus de 85 % — c'est ce qu'on observe chez les clients qu'on a migrés vers le multimodal en avril. Pour aller plus loin sur l'économie de ces métiers, on a publié un guide complet sur les 62 % d'appels perdus chez les plombiers et électriciens.
Les courtiers d'assurance. Un dossier qui se traite vocalement prend en moyenne 14 minutes. Avec photo de contrat, de permis ou de dommages : 6 minutes. Cinquante pour cent de capacité libérée, sans embaucher. Le rattrapage des 43 % d'appels qui tombaient dans le vide devient enfin une équation simple.
Les garages et carrosseries. L'estimation au téléphone, c'était une fiction. Le client décrivait un bruit, le garagiste devinait. Aujourd'hui, le client envoie une photo du dommage ou une vidéo du moteur qui chauffe, et l'agent classe l'urgence avant même de réserver. Les écarts entre estimation téléphonique et facture finale chutent.
Le commerce de détail spécialisé. Quincaillerie, fournitures, pièces : la phrase qui tue, c'était « Je ne sais pas comment ça s'appelle ». Une photo règle ça en deux secondes. Le panier moyen monte parce que l'agent peut suggérer les accessoires compatibles qu'il voit.
Un client envoie une photo a son agent IA vocal
Le contexte québécois : Loi 25, bilinguisme, et factures en dollars canadiens
Trois trucs à comprendre avant de signer pour du multimodal au Québec.
D'abord, la Loi 25. Une photo, c'est une donnée personnelle, surtout si elle inclut un visage, une plaque d'immatriculation, ou une signature. L'envoi par SMS ou interface web doit passer par un canal hébergé localement, ou minimalement par un fournisseur avec entente d'hébergement canadien. La majorité des modèles multimodaux actuels traitent l'image dans des centres de données américains. Ce n'est pas illégal, mais ça force une analyse d'impact en vie privée. Pour les secteurs sensibles, on a documenté l'option on-premise lancée en avril 2026, qui résout précisément ce problème.
Ensuite, le bilinguisme. Un agent qui voit doit aussi parler la langue du client. Une photo de tuyau commentée en franglais Montréal-Nord, ça reste un défi. Les modèles ElevenLabs et GPT-Realtime gèrent maintenant les deux langues sur la même image, mais on recommande de tester le code-switching réel avant de mettre en production.
Enfin, la facture. Une seconde de voix coûte environ 0,002 $. Une image traitée par un modèle multimodal? Entre 0,015 $ et 0,04 $ selon la résolution et le modèle. Ça reste minuscule à l'échelle d'un appel — mais à 50 photos par jour pendant un an, c'est 700 $ qui s'additionnent. Vaut mieux les anticiper.
Ce que le multimodal ne fait pas (et il faut s'en souvenir)
On lit beaucoup que la voix multimodale va « tout changer ». C'est une exagération qu'on entend chaque trimestre depuis 2023.
Le multimodal ne remplace pas un diagnostic humain. Un plombier sur place voit l'humidité dans les murs; l'agent ne voit que ce qu'on lui montre. Le multimodal ne lit pas non plus les émotions sur un visage en temps réel pendant un appel — la video stream en direct, c'est encore expérimental, pas en production. Et il ne décide pas à votre place : un agent qui « voit » une fuite n'envoie toujours pas un technicien sans confirmation humaine du dispatcher.
Le bon cadrage : le multimodal supprime des étapes inutiles. Il ne supprime pas le métier. Si quelqu'un vous vend l'inverse, demandez-lui s'il a déjà couru un atelier de carrosserie un samedi matin.
Plombier prepare son intervention apres pre-diagnostic photo
Combien ça coûte, et comment commencer (sans se faire avoir)
Trois questions à se poser avant de payer pour du multimodal :
Est-ce que mes appels en ont vraiment besoin? Si 90 % de votre volume, c'est de la prise de rendez-vous chez le coiffeur, le multimodal ne va pas changer grand-chose. Sauf, peut-être, pour la photo de coupe de cheveux que la cliente veut reproduire — et là, c'est de l'or pur.
Mon agent vocal actuel le supporte-t-il? Pas tous. Vérifiez si votre fournisseur intègre ElevenLabs Conversational AI v2026.04+, GPT-Realtime image input, ou un modèle équivalent. Si la réponse est floue, c'est non. Le comparatif des cerveaux LLM disponibles pour les PME du Québec en 2026 peut aider à clarifier.
Quel canal je donne au client pour envoyer l'image? SMS, WhatsApp, formulaire web, MMS, Messenger : chaque canal a sa propre logique d'intégration. La complexité technique se cache là, pas dans l'IA.
Côté budget : compter de 30 $ à 80 $/mois de plus que la facture vocale standard, intégration et configuration comprises. Chez Agent IA Vocal, l'équipe technique TECHMA gère tout ça pour le client — la mise en place, le canal SMS, la conformité Loi 25, les tests réels.
FAQ
Est-ce que le client doit installer une application?
Non. Un simple SMS avec photo, ou un lien web où il dépose l'image, suffit. C'est le canal qui mène à l'agent — pas l'inverse.
L'agent peut-il voir en temps réel pendant un appel vidéo?
Pas encore en production stable au Québec. La vidéo en streaming continu reste plus chère, plus lente, et plus risquée juridiquement. Photo statique : oui. Vidéo live : on en reparle en 2027.
Que se passe-t-il si la photo est floue ou inutile?
L'agent demande une nouvelle photo, ou escalade vers un humain. Les bons systèmes ont des règles de qualité d'image (résolution, contraste, format). Si l'image n'atteint pas le seuil, on n'invente pas une réponse.
Et la confidentialité?
L'image est traitée pour la conversation puis purgée selon la politique de rétention configurée — souvent 24 à 72 heures. Pour les secteurs sensibles (santé, juridique, financier), on configure des purges immédiates ou un hébergement local. C'est l'équipe TECHMA qui paramètre ça à l'installation.
Le multimodal fonctionne-t-il aussi en français québécois?
Oui. Le modèle ne voit pas la langue, il voit l'image. La voix qui décrit l'image, elle, parle la langue de votre client — incluant les expressions du Québec. C'est exactement la même mécanique que pour le code-switching bilingue qu'on a documenté en avril.
Et maintenant?
L'avril 2026 a marqué un point de bascule discret. Pour la première fois, un agent IA vocal abordable peut voir ce que le client lui montre. Pas dans cinq ans, pas dans un labo de Stanford : aujourd'hui, à 99 $/mois, dans le téléphone d'une PME de Saint-Hyacinthe.
Est-ce que ça veut dire qu'il faut foncer? Pas nécessairement. Mais ça veut dire que dans 12 à 18 mois, vos compétiteurs qui auront fait le saut auront un avantage mesurable : moins de déplacements pour rien, des estimations plus précises, des dossiers ouverts plus vite. Ignorer le multimodal en 2026, c'est un peu comme ignorer le courriel en 1998.
Réservez 20 minutes avec notre équipe pour voir une démo en direct sur votre propre cas d'usage, ou explorez les forfaits à partir de 49 $/mois. La configuration multimodale, l'équipe TECHMA s'en occupe.