Le 6 mai 2026, à 8 h 17 heure de l'Est, Lauren Rothwell, responsable de la croissance chez ElevenLabs, a publié un billet de quatre minutes intitulé Introducing new modalities for ElevenAgents. Aucun communiqué de presse. Aucune conférence. Juste un billet de blogue, une capture d'écran d'un client qui envoie une photo de son routeur Wi-Fi, et une phrase qui change la donne pour toute PME du Québec qui exploite déjà — ou envisage — un Agent IA Vocal :
Traduction concrète : votre Agent IA Vocal peut désormais voir ce que le client lui envoie. Une facture. Une photo du compteur électrique. Un PDF signé. Un message vocal de 38 secondes en français de Trois-Rivières.
Et il peut le faire sans renvoyer le client à un formulaire web, à un courriel à info@, ou — pire — à un humain qui rappellera « dans les prochains jours ouvrables ».
Ce que l'annonce dit vraiment (et ce qu'elle ne dit pas)
L'annonce officielle d'ElevenLabs tient en quatre paragraphes. Vous pouvez la lire ici. Voici la version sans la mise en scène marketing :
Sur WhatsApp, l'agent reçoit désormais cinq types de contenu en plus du texte et de la voix : photos, PDF (ou tout fichier joint), notes audio, fiches de contact partagées, et épingles de localisation GPS.
Sur votre site web, le widget de chat accepte maintenant les téléversements d'images et de PDF — directement dans la conversation, sans formulaire séparé.
Et la pièce maîtresse : la conversation reste un seul fil continu même si le canal et le format changent. Un agent qui prend un appel téléphonique peut, en plein milieu, envoyer un texto sur WhatsApp avec un devis, attendre que le client renvoie le PDF signé, le traiter, puis confirmer le rendez-vous à voix haute — tout ça sans perdre le contexte.
Ce qu'ElevenLabs ne dit pas explicitement, mais que les opérateurs comprennent : c'est la fin de la « rupture de canal ». La rupture de canal, c'est ce moment où votre réceptionniste — humaine ou IA — dit au client « envoyez-moi ça par courriel à... » et où 38 % des clients ne le font jamais. Source : votre propre journal d'appels, probablement.
Pourquoi Mai 2026 et pas il y a six mois ?
WhatsApp comme canal existait déjà chez ElevenLabs depuis décembre 2025. Le widget web existait depuis 2024. Ce qui manquait, c'était la couche multimodale stable et la continuité cross-canal.
Pour la faire fonctionner, il fallait deux briques techniques :
- Un LLM avec support d'entrée multimodale fiable. Avec
claude-opus-4-7,gpt-5.5etqwen36-35b-a3bajoutés à l'énum LLM du SDK v2.47.0 le 12 mai, ElevenLabs a maintenant trois moteurs capables d'interpréter une image de routeur, une facture ou un PDF — pas seulement de lire du texte. - Un champ
file_inputsurConversationConfig, qui permet d'activer ou de désactiver les pièces jointes par agent, avec un paramètremax_files_per_conversation. C'est ce qui transforme une fonctionnalité bêta en outil opérationnel.
Rohlik, l'épicerie en ligne européenne mentionnée dans le billet d'ElevenLabs, exploite déjà un agent multimodal nommé Maia. Maia traite plus de 30 actions distinctes, en six langues, sur cinq marchés. Mais ce qu'on retient à Montréal, ce n'est pas Maia. C'est la phrase enfouie dans l'annonce : « le client n'a pas à se répéter, et l'agent ne perd pas le contexte ».
Si vous gérez une PME du Québec et que vos opérations dépendent encore de transferts entre canaux — appel, formulaire web, courriel, rappel — c'est cette phrase qui devrait vous tenir éveillé.
Les 6 demandes que votre Agent IA Vocal peut maintenant boucler en un seul échange
Voici six scénarios, tirés de mandats réels TECHMA et de patterns clients qu'on voit revenir chaque mois. Pour chacun, je donne l'ancien parcours (rupture de canal) et le nouveau parcours (un seul fil).
1. Le client de la clinique vétérinaire qui photographie une plaie
Ancien parcours : « Pouvez-vous nous envoyer une photo à info@cliniquex.ca? On vous rappelle quand un vétérinaire l'aura vue. » Délai moyen : 4 h 22.
Nouveau parcours : Le client envoie la photo sur WhatsApp pendant l'appel. L'agent interprète la gravité apparente (modeste, modérée, urgente), réserve le créneau correspondant dans le calendrier — même jour si urgence — et confirme à voix haute. Délai : 90 secondes. Pour le contexte sur les cliniques vétérinaires du Québec, on en a parlé en détail dans cet article sur les 1 000 vétérinaires manquants au Québec.
2. Le restaurateur qui reçoit un PDF d'allergies pour une réservation de groupe
Ancien parcours : Le groupe de 14 réserve par téléphone. La maman du marié envoie ensuite la liste d'allergies par courriel. Le courriel est lu deux jours plus tard. Personne n'avertit la cuisine.
Nouveau parcours : L'agent demande pendant l'appel : « voulez-vous nous transmettre les allergies tout de suite par WhatsApp? ». Le PDF arrive. L'agent extrait les allergies, les classe par niveau de gravité, les pousse dans la note de réservation et avertit la cuisine via webhook. Personne n'oublie rien.
3. La PME qui reçoit une plainte avec photo de produit défectueux
Ancien parcours : Appel → « envoyez photo et numéro de série à... » → ticket créé manuellement 6 h plus tard → réponse 2 jours plus tard.
Nouveau parcours : La photo arrive en plein appel. L'agent lit le numéro de série visible (OCR multimodal), vérifie la garantie dans la base, propose immédiatement remboursement, échange ou réparation selon la politique, et envoie l'étiquette de retour par texto. Temps total : 4 minutes.
4. Le cabinet comptable qui doit récupérer un document signé en pleine période de déclaration
Ancien parcours : Téléphone, courriel, signature DocuSign, courriel de confirmation. Quatre canaux, quatre suivis.
Nouveau parcours : Pendant l'appel, l'agent envoie le formulaire à signer par WhatsApp, attend que le client renvoie le PDF signé, vérifie que la signature est présente, et confirme à voix haute « bien reçu, votre dossier est complet ». Pour les cabinets comptables qui automatisent leurs flux pendant la saison T1, on a détaillé d'autres patterns dans l'article sur l'automatisation des appels pour les cabinets comptables du Québec.
5. La salle de massothérapie qui reçoit une note vocale de 38 secondes en français
Ancien parcours : La cliente laisse un message vocal sur la boîte vocale après les heures. Quelqu'un l'écoute le lendemain matin, tente trois rappels, ne joint pas la cliente. Rendez-vous perdu.
Nouveau parcours : La note vocale arrive sur WhatsApp à 21 h 47. L'agent la transcrit, en extrait la demande (« j'aimerais réserver un massage suédois 60 minutes mercredi prochain en fin de journée »), propose deux créneaux disponibles, et confirme par retour de texto. La cliente répond « le 17 h » à 21 h 49. Réservation confirmée avant que vous ayez fini Netflix.
6. Le client perdu qui partage sa position GPS
Ancien parcours : « Je suis sur Saint-Laurent mais je sais pas où exactement. » Cinq minutes d'échange pour situer le client par rapport à votre adresse.
Nouveau parcours : L'agent demande « partagez-moi votre position avec l'épingle WhatsApp ». L'épingle arrive. L'agent calcule la distance, propose le bon transport (à pied 7 min, en voiture 3 min via Berri), et ouvre la porte du commerce avec le temps d'arrivée prévu.
Le piège que personne ne mentionne
Tout ce qui précède marche si deux conditions sont remplies :
Un. Vous avez activé file_input sur l'agent. Par défaut, c'est désactivé. Et le quota max_files_per_conversation est à 0 si on ne le configure pas. Donc un agent multimodal mal configuré reste mono-canal en pratique.
Deux. Votre LLM doit être un modèle avec entrée multimodale. Si l'agent utilise un GPT-3.5 ou un Llama plus ancien, les pièces jointes seront ignorées sans erreur visible. Le client envoie sa photo, l'agent répond comme si rien n'avait été envoyé. C'est pire qu'un refus explicite.
L'autre angle mort, c'est la traçabilité. Quand un PDF passe dans une conversation, où est-il stocké? Combien de temps? Qui peut le lire après coup? C'est le genre de question qui devient urgente quand votre PME tombe sous la Loi 25 du Québec. Si ce sujet vous concerne, on a couvert l'audit de sécurité des SDK ElevenLabs récents dans ce guide sur les 4 verrous de sécurité à activer avant le 1er juillet 2026.
Combien ça change concrètement les chiffres
On a fait le calcul sur sept déploiements TECHMA depuis février. Avant les modalités multimodales (donc avec un agent qui doit renvoyer le client vers un canal différent quand un fichier est requis) :
- Taux de résolution au premier contact : 52 % en moyenne.
- Taux d'abandon entre canaux (le client ne renvoie jamais le fichier promis) : 38 %.
- Délai moyen pour clore un dossier qui requiert une pièce jointe : 2,4 jours.
Sur les deux déploiements qui sont passés en multimodal en mai (l'un dans la massothérapie, l'autre dans la mécanique automobile), les chiffres bougent comme suit après trois semaines :
- Résolution au premier contact : 74 %.
- Abandon entre canaux : 9 % (essentiellement les clients qui changent d'avis, pas qui oublient).
- Délai moyen : 11 minutes dans la massothérapie, 47 minutes dans la mécanique (le temps que le mécano regarde la photo entre deux rendez-vous).
Sur deux déploiements, ce n'est pas une étude. Mais la trajectoire est claire, et elle corrobore ce qu'on voit dans les benchmarks publiés par les déploiements ElevenLabs–IBM en grande entreprise.
Ce qu'il faut faire si vous opérez déjà un Agent IA Vocal
Trois actions, dans cet ordre :
1. Demandez à votre équipe TECHMA (ou à nous) de basculer le LLM de votre agent vers claude-opus-4-7 ou gpt-5.5. Si vous êtes encore sur un modèle 2024, vous ne profitez d'aucune de ces capacités. Le basculement se fait sans coupure si le versioning est en place — on a expliqué le pattern dans ce billet sur le versioning ElevenLabs zéro downtime.
2. Activez file_input avec un max_files_per_conversation raisonnable. Pour la plupart des PME, 3 fichiers par conversation suffisent. Au-delà, c'est probablement un cas humain.
3. Réécrivez le prompt de l'agent pour qu'il sache demander une pièce jointe quand c'est pertinent — et pour qu'il sache la décrire au client à voix haute, parce qu'un client qui envoie une photo veut entendre « j'ai bien reçu la photo de votre routeur, je vois trois lumières rouges, on va régler ça ». Pas « OK ».
Le reste (Loi 25, rétention des fichiers, audit), c'est TECHMA qui s'en charge. Ce n'est pas une plateforme self-service. Notre équipe configure l'intégration WhatsApp Business, branche le widget web, paramètre le stockage, fait les tests trilingues, et reste sur le pont après le go-live. Pour discuter de votre cas, prenez 30 minutes avec nous ici.
La verdict de mai 2026
L'ajout des modalités multimodales n'est pas une mise à jour parmi d'autres. C'est le moment où l'Agent IA Vocal cesse d'être une caisse vocale pour devenir un assistant qui peut traiter un dossier. La différence entre les deux, c'est exactement la différence entre un robot téléphonique de 2018 et un employé attentif.
Pour les PME du Québec — celles qui doivent gérer des langues mixtes, des canaux multiples et des clients qui n'aiment pas appeler à 14 h un mardi — c'est probablement le changement le plus utile depuis l'arrivée des modèles bilingues.
Et c'est arrivé un mardi matin de mai, sans tambour. C'est généralement comme ça que les grands changements arrivent.