Le 11 novembre 2026, Decagon a présenté Alto, un nouveau modèle issu de Decagon Labs destiné à piloter la couche conversationnelle de son agent vocal duplex. Contrairement aux architectures classiques où chaque tour de parole suit la chaîne transcription → raisonnement → génération, Alto fonctionne en parallèle avec un Modèle de raisonnementModèle d'intelligence artificielle optimisé pour résoudre des problèmes nécessitant plusieurs étapes de raisonnement. plus lourd. Le petit modèle conversationnel écoute et répond, pendant que le modèle de raisonnement élabore les réponses complexes en arrière‑plan.
Le dilemme « répondre ou attendre »
Cette parallélisation crée un choix à chaque interaction : interrompre le raisonnement pour répondre rapidement, ou patienter afin de garantir l’exactitude. Répondre trop tôt risque d’annoncer une action non confirmée – par exemple, indiquer à un client que sa réservation a changé alors que le système n’a pas encore validé la modification. Attendre, en revanche, peut rompre le flux naturel de la conversation.
Alto résout ce problème en suivant en temps réel ce que le client a dit et ce que fait le reste de l’agent. Il ne prononce une confirmation qu’après avoir reçu la validation du modèle de raisonnement. Lors d’un appel de recherche d’information ou d’un appel à un outil externe, il peut demander le prochain renseignement ou simplement vérifier l’état d’avancement, évitant ainsi les remplissages génériques.
Entraînement sur des appels ambigus
Pour garder les réponses rapides, Decagon a d’abord utilisé un petit modèle à poids ouvert, puis l’a affiné avec des appels simulés tirés de l’expérience en production. En Reinforcement LearningMéthode d'apprentissage dans laquelle un agent améliore ses décisions en fonction des récompenses reçues lors de ses interactions., Alto génère plusieurs réponses possibles à chaque point de la conversation ; le processus de scoring privilégie d’abord la bonne décision « répondre ou attendre », puis la conformité aux politiques commerciales et la présence d’informations confirmées.
Les équipes ont concentré l’TrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances. sur les scénarios ambigus, après avoir constaté qu’Alto gérait déjà correctement la plupart des situations. Elles ont également varié les politiques et les outils dans les simulations afin d’apprendre un jugement transférable d’une entreprise à l’autre, plutôt qu’un script figé.
Validation à grande échelle
Avant d’être mis en ligne, Alto a été testé sur plus de 90 millions d’appels simulés. Ensuite, il a fonctionné en mode « shadow » aux côtés du trafic réel, ses réponses étant évaluées sans être diffusées aux appelants. Decagon affirme que cette phase a permis de mesurer une hausse de plus de cinq points de pourcentage du taux de résolution des appels en direct, tout en conservant un LatenceDélai entre l'envoi d'une requête à un système et l'obtention d'une réponse ou du début de celle-ci. moyen d’environ 700 ms.
Les chiffres restent toutefois sans détail sur la taille de l’échantillon, les taux de référence ou la période de mesure. Le reste de la logique de l’agent serait resté identique, ce qui suggère que l’amélioration provient principalement de la meilleure gestion du dialogue.
Deux modèles spécialisés
Alto s’inscrit dans la suite de modèles vocaux annoncés le 1 octobre 2026 – Voice 3 et Chord. Voice 3 combine la synthèse de Chord avec l’architecture duplex et supporte plus de 70 langues. Chord façonne le timbre de la voix, tandis qu’Alto orchestre la conduite de la conversation. Decagon avait déjà attribué à Chord une hausse indépendante du taux de résolution pouvant atteindre sept points de pourcentage.
En séparant les objectifs d’entraînement – naturalité de la parole pour Chord et jugement conversationnel pour Alto – l’entreprise vise à optimiser chaque aspect de l’interaction vocale. Le défi principal reste le compromis entre vitesse du modèle léger et fiabilité des actions annoncées.
Perspectives
Si les premiers chiffres d’Alto se confirment, les agents vocaux pourraient gagner en fluidité sans sacrifier la précision, un pas de plus vers des assistants téléphoniques capables de gérer des requêtes complexes en temps réel. Decagon prévoit de déployer le modèle chez plusieurs partenaires, mais n’a pas encore précisé les secteurs d’application prioritaires. Le suivi des performances en conditions réelles sera décisif pour mesurer l’impact réel sur la satisfaction client.


