Sierra a publié le 22 octobre 2026 le banc d'essai τ-Entity, qui teste les agents vocaux sur leur tâche la plus élémentaire : entendre correctement un nom, un numéro de téléphone, une adresse ou un e-mail, le noter juste et le corriger s'il peut être faux. L'ensemble compte 200 tâches sur dix types d'entités, chaque appel ne capture qu'un seul champ, l'appelant est coopératif et épelle quand on le lui demande, et la plupart des appels durent moins de deux minutes. Même dans ce cadre délibérément simplifié, les agents vocaux actuels échouent souvent.
Ce banc d'essai vient d'un blocage que Sierra voyait sans cesse dans τ-Voice : une conversation peut être parfaitement fluide, mais un seul chiffre erroné fait échouer l'authentification et le service proprement dit ne commence jamais. Avant qu'un modèle vocal puisse travailler, il doit réussir la dictée, et maintenant que Voxtral 3 de Mistral réunit écoute, parole et exécution de tâches dans un seul modèle, cette fiabilité de base mérite sa propre mesure.
Même le meilleur score s'effrite quand les conditions changent
τ-Entity note en Pass³ : une tâche ne compte que si l'agent réussit dans les conditions normale, très bruyante et très parasitée par la parole à la fois. Au classement regroupant six langues, GPT Live 1 mène, avec la valeur correcte dans 60,3 % des appels normaux, mais seulement 34,0 % des tâches réussies dans les trois conditions. Gemini 3.8 Live et Grok Voice Think Fast 2.0 atteignent 43,8 % et 44,2 % en conditions normales et tombent à 19,5 % et 24,0 % sur l'ensemble. L'anglais seul fait meilleure figure, GPT Live 1 à 74,0 % en normal et 47,5 % sur les trois conditions, mais le Pass³ du coréen chute à 3,5 à 8,5 % et celui du mandarin à 12,5 à 24,5 % selon les agents ; dès que la langue change, l'écart se creuse.
Ralentir pour vérifier aide, pour une demi-minute de plus par appel
L'étude compagne τ-Elicitation de Sierra a aussi mesuré la vérification elle-même : les agents relisent-ils ou demandent-ils l'épellation en cas de doute ? Ils ne reconnaissent qu'une partie des signaux d'alerte, vérifient davantage les valeurs difficiles et inhabituelles, mais seul Grok vérifiait plus sous le bruit, et aucun ne redoublait d'effort face à la voix qu'il gérait le plus mal. Leur imposer une séquence fixe, demander, faire épeler ou relire, confirmer et corriger, puis soumettre, fait passer la réussite toutes conditions de 14 à 41 % à 37 à 54 %, soit un gain de 14 à 31 points, au prix de 21 à 28 secondes de plus par appel. Et vérifier n'est pas corriger : parmi les captures d'abord fausses puis vérifiées, seules 24 à 37 % ont fini corrigées.
Pour un service client, le calcul est simple : sur un appel à trois champs, même avec des champs encore exacts à 75 %, seuls 53 % des appels réussissent entièrement, tandis que valider chaque champ en autorisant les réessais a fait passer la réussite multi-champs de 64 % à 82 %. Avant de lancer un agent vocal, il faudrait l'examiner non sur sa ressemblance humaine, mais sur sa capacité à s'arrêter en cas de doute et sur sa chute en bruit et dans d'autres langues ; c'est exactement le devoir que des bancs d'essai comme τ-Entity commencent à faire pour le secteur.
