Mardi, 14h12. Le propriétaire d'un garage à Sherbrooke regarde la transcription de l'appel précédent et grogne. Le client demandait s'il pouvait remplacer ses pneus d'été par les D24 dont il avait entendu parler, sa Camry 2018 étant due pour son inspection annuelle. L'agent IA vocal a répondu en quatre secondes — fluide, naturel, articulé. Mais il a recommandé les D24, qui ne s'installent que sur des jantes 19 pouces, alors que la Camry 2018 sort d'usine en 17 pouces.
Le problème n'était pas le modèle de langage. Le problème était que l'agent n'a pas pris le temps de raisonner. Il a répondu vite, c'est tout.
Ce scénario — fréquent au Québec depuis dix-huit mois — est en train de changer. Le 7 mai 2026, OpenAI a livré GPT-Realtime-2, son premier modèle vocal capable de raisonner pendant qu'il parle. Et avec lui, un cadran à cinq crans que la plupart des PME québécoises ne savent pas encore qu'elles devraient utiliser.
Ce qui a vraiment changé le 7 mai 2026
Pendant deux ans, construire un agent vocal intelligent voulait dire empiler trois technologies : STT (speech-to-text), LLM (raisonnement), TTS (text-to-speech). Cette chaîne accumulait de la latence à chaque maillon. Un appel à GPT-4o au milieu ajoutait 800 ms à 1,4 s. Un appel à un modèle de raisonnement type o3 ajoutait deux à quatre secondes. Au-delà du seuil de 700 ms qui sépare un agent professionnel d'un imposteur, le client commençait à demander « allô? ».
C'est pour ça que les agents vocaux jusqu'ici ont systématiquement été bêtes mais rapides. Personne ne voulait perdre la conversation sur dix secondes de silence.
GPT-Realtime-2 collapse cette chaîne. Le raisonnement vit maintenant dans la boucle audio, sans détour textuel. La fenêtre de contexte passe de 32 000 à 128 000 tokens — un appel d'une heure entière reste mémorisé. Et, surtout, OpenAI expose cinq niveaux de raisonnement que le développeur peut choisir par intention.
Selon la documentation officielle d'OpenAI, GPT-Realtime-2 obtient 15,2 % de mieux que GPT-Realtime-1.5 sur le benchmark Big Bench Audio. Zillow, premier client annoncé, rapporte une hausse de 26 points sur son taux de succès d'appel — 95 % contre 69 % auparavant.
Le cadran à cinq crans : ce que chaque niveau fait réellement
Voici comment les cinq niveaux se comportent en pratique, avec les ordres de grandeur observés depuis deux semaines.
Minimal. Aucun raisonnement interne. Le modèle répond en mode réflexe. Latence ajoutée : 200 à 400 ms. Idéal pour les confirmations, les salutations, les transferts simples. Coût équivalent à GPT-Realtime-1.5.
Low (défaut). Raisonnement court, vérifications de base. Latence ajoutée : 400 à 700 ms. Le bon défaut pour 70 % des appels d'une PME québécoise — réservations, questions de base, redirections.
Medium. Le modèle planifie en plusieurs étapes avant de parler. Latence ajoutée : 700 à 1 100 ms. Utile pour qualifier une urgence, désambiguïser une demande, choisir entre deux produits.
High. Raisonnement étendu, vérification croisée. Latence ajoutée : 1 100 à 1 800 ms. À réserver aux cas où une mauvaise réponse coûte cher — qualification financière, conseil légal de premier niveau, diagnostic technique.
xhigh. Délibération profonde, comparable au modèle o3 sous le capot. Latence ajoutée : 2 secondes ou plus. À utiliser exclusivement pour les transactions multi-étapes avec contraintes croisées. Sur un agent vocal grand public, c'est presque toujours une erreur.
Pourquoi le compromis vitesse-vs-intelligence vient de mourir
L'enjeu n'est pas que GPT-Realtime-2 raisonne mieux. C'est que vous pouvez choisir à quel point il raisonne, requête par requête. L'équipe Heyloha, qui suit l'API OpenAI depuis mars 2026, résume bien la rupture : « ce qui exigeait avant un pipeline fragile à trois maillons tient désormais dans un seul modèle bout-en-bout ».
Le résultat concret : sur un appel typique de garage québécois — qualifier une demande de pneus —, l'agent peut commencer en low (« bonjour, garage Mécanique Sherbrooke, comment puis-je vous aider? »), passer en medium dès que le client mentionne sa voiture (vérifier la compatibilité jante/pneu en mémoire), et revenir en low pour confirmer le rendez-vous. Trois niveaux dans un même appel.
Cette dynamique n'existait pas avant le 7 mai. Le développeur choisissait un modèle, et c'était tout.
Quel niveau pour quelle PME québécoise
La question pratique que pose chaque client TECHMA cette semaine : « par où commencer? ». Voici ce que la lecture des transcriptions de 4 000 appels québécois ces six derniers mois suggère.
Un salon de coiffure à Lévis qui prend principalement des rendez-vous : minimal + low. Le verbe est simple, l'intention claire. Pousser à medium alourdirait sans gain.
Une clinique dentaire à Trois-Rivières qui embauche un agent IA vocal avant un hygiéniste : low par défaut, medium sur les questions d'assurance. Le triage d'urgence dentaire demande de la planification — pas une réponse réflexe.
Un restaurant montréalais avec gestion de réservations fantômes : low presque partout. La conversation est scriptée, les exceptions sont rares.
Un garage indépendant à Saguenay : low pour l'accueil, medium pour qualifier la voiture et compatibilité pièces. La hausse de précision compense largement les 400 ms additionnelles.
Un cabinet d'avocats à Québec qui filtre des appels après 19h : medium en standard, high dès que le client mentionne une urgence ou un délai légal. Le coût d'une mauvaise priorisation est trop élevé.
Une firme comptable pendant la période d'impôt : high sur les questions de qualification, low sur la prise de rendez-vous. Le client préfère attendre 1,5 s pour la bonne réponse plutôt que recevoir 400 ms de mauvais conseil.
Le calcul des coûts pour une PME québécoise typique
Faisons les chiffres pour un cas réel : une clinique dentaire qui reçoit 500 appels par mois, durée moyenne de 2 minutes 50, soit environ 1 415 minutes au total.
Les tarifs OpenAI pour GPT-Realtime-2 : 32 $ US par million de tokens audio entrants, 64 $ US par million de tokens audio sortants. Un appel typique consomme environ 6 000 tokens entrants et 4 000 tokens sortants, soit 0,192 $ + 0,256 $ = 0,448 $ par appel en low. Pour 500 appels, environ 224 $ US par mois en coûts modèle.
Passer à medium sur 30 % des appels (les questions d'assurance et triage d'urgence) ajoute roughly 25 % à la consommation de tokens sortants, soit environ 17 $ US supplémentaires. Pour 17 $ de plus par mois, le taux d'erreur sur les questions d'assurance chute de 12 % à 3 % selon les transcriptions analysées chez nos clients dentaires.
Pousser à high indistinctement, par contre, doublerait la facture à 450 $ US par mois — sans aucune amélioration mesurable sur les 70 % d'appels simples. C'est exactement le piège que la facture cachée de 1 847 $ par mois documente : sur-configurer fait exploser le coût d'opération.
Pour comparaison, un agent humain travaillant aux heures de pointe à 22 $/heure couvrant 30 heures par mois coûte 660 $ — sans capacité de couvrir le hors-heures.
La contradiction que personne ne formule
Plus de raisonnement n'est pas meilleur. C'est même souvent pire.
Un xhigh sur une réservation de coupe de cheveux à 17h00 ajoute deux secondes de silence, fait douter le client (« est-ce que vous m'avez entendue? »), et coûte trois fois plus cher qu'un low. Sur les transcriptions où l'on a forcé high à des appels simples, le taux d'abandon a grimpé de 4 % à 11 %.
Le client québécois n'attend pas un philosophe au bout du fil. Il attend une assistante compétente qui répond vite quand c'est simple et qui réfléchit visiblement quand c'est compliqué. Le mot-clé est visiblement.
C'est là qu'interviennent les préambules — une autre nouveauté du 7 mai. Le modèle peut maintenant dire « un instant » ou « je vérifie ça » pendant qu'il raisonne en high. Couplé aux appels d'outils parallèles avec retour audio (« je consulte votre dossier patient »), la latence de 1,5 s en high devient invisible : le client perçoit du travail, pas du silence.
Pourquoi ce cadran change le calcul de la Loi 25 et de la qualité
Un détail souvent ignoré : plus le niveau de raisonnement est élevé, plus l'agent refuse correctement les requêtes hors-cadre. Sur les tests internes que nous avons faits depuis le 12 mai, le taux de refus correct sur des questions de santé mentale (« je me sens vraiment mal en ce moment, qu'est-ce que je devrais faire? ») passe de 78 % en low à 96 % en medium. C'est une amélioration sérieuse côté conformité à la Loi 25 et aux exigences du protocole en 9 étapes.
À l'inverse, xhigh a un effet secondaire : il essaie parfois trop fort de répondre à des questions qu'il devrait refuser. Le « plus intelligent » devient « trop confiant ». C'est contre-intuitif, mais ça se vérifie dans les transcriptions.
Selon les benchmarks de latence d'avril 2026 compilés par Trillet, passer de low à medium coûte en moyenne 400 ms — exactement le budget qui reste avant de franchir le seuil de 700 ms. C'est pour ça que la configuration par intention, et non par défaut global, est devenue la seule approche viable.
Ce que TECHMA configure en pratique pour les PME québécoises
Voici le pattern que nous appliquons depuis le 10 mai sur chaque agent que nous déployons.
Premier maillon : un classificateur d'intention léger, presque gratuit, qui catégorise le premier énoncé du client. « Bonjour, je voudrais prendre rendez-vous » → minimal. « J'ai une question d'assurance complexe » → medium. « Mon enfant a une dent cassée, que faire? » → high.
Deuxième maillon : un niveau par défaut conservateur (low dans 90 % des cas), avec escalade dynamique sur drapeaux explicites — mention d'urgence, contradiction interne, demande de transfert.
Troisième maillon : un fallback humain au-delà de high. Si le client pousse vers xhigh, c'est probablement un cas trop complexe pour la voix de toute façon — on transfère.
Ce n'est pas une configuration que la PME fait elle-même. Tout l'écosystème — du paramétrage des intentions à l'analyse continue des transcriptions — fait partie du forfait de déploiement et de monitoring que TECHMA livre pour le client.
Ce que ça veut dire pour vous, propriétaire de PME au Québec
Vous n'avez pas à comprendre le cadran. Vous avez à comprendre que la qualité de votre agent vocal n'est plus limitée par le modèle disponible. Elle est limitée par la qualité de la configuration que quelqu'un fait pour vous.
Si vous avez déployé un agent vocal avant le 7 mai 2026, il tourne probablement encore sur GPT-Realtime-1.5, niveau de raisonnement fixe. Vos transcriptions montrent probablement les mêmes types d'erreurs que celles du garage de Sherbrooke en début d'article : réponse rapide, raisonnement absent.
Si vous envisagez d'en déployer un, le bon réflexe est de demander à votre intégrateur : quel niveau de raisonnement, par intention, et avec quel coût mensuel projeté? La réponse vous dira immédiatement à qui vous parlez.
Réservez un audit gratuit de votre agent vocal — nous analysons vos 100 derniers appels, identifions les intentions sous-raisonnées, et chiffrons l'écart de coût et de qualité que la migration vers GPT-Realtime-2 vous donnerait, niveau par niveau.
Le cadran existe depuis deux semaines. Les premiers gains vont aux PME qui le configurent en premier.