Sharlie, l’IA vocale et multi-agents de Sosh pour la relation client

12 millions de contacts à traiter par an

Dans un modèle sans points de vente physiques, l’incapacité à traiter ces flux par des moyens automatisés performants pèse sur la rentabilité tout en dégradant l’expérience utilisateur sur un marché très concurrentiel.

Toutefois, dans la téléphonie mobile B2C, l’automatisation rime avec volume. Avec 6,5 millions de clients, la marque d’Orange, Sosh, gère 12 millions de contacts annuels, dont 3 millions d’appels téléphoniques. Une telle échelle est donc synonyme de coûts.

Jusqu’en mars 2026, la stratégie consistait à dissuader les appels en réorientant les usagers vers le self-care, depuis le site web ou l’application.

François Burlacot, head of GenAI d’Orange, observe que malgré le positionnement « pure player », il subsiste un « vrai besoin de contact », que le digital passif ne peut satisfaire.

Pour répondre à cette attente des consommateurs, l’opérateur a décidé d’opérer une transition. Elle consiste à passer d’une logique de dissuasion à une démarche d’assistance permise par les progrès de l’IA générative.

Sharlie était officialisé en mars par Orange. Et afin de réduire drastiquement le time-to-market du service d’IA vocal, l’acteur des télécoms a fait le choix d’un partenaire technologique, Illuin Technology, et de briques sur étagère (Dialogue & Analyze).

Architecture technique : l’orchestration multiagents

Face à la complexité de l’orchestration agentique, Sosh a privilégié une stratégie de « Buy ». L’approche consiste à s’appuyer sur des « accélérateurs technologiques » pour développer une solution propriétaire adaptée aux contraintes métier des télécoms.

Ce compromis permet de bénéficier de briques logicielles avancées tout en conservant la maîtrise de l’intégration et de la personnalisation des modèles. Le partenariat avec Illuin a ainsi permis à Sosh de passer de la conception à la mise en production en quatre semaines pour une V1 de Sharlie.

Sharlie, un bot speech-to-speech activable par les clients et prospects, rompt avec les arbres de décision rigides des chatbots classiques. À la place, une architecture agentique dynamique basée sur les modèles d’OpenAI et l’API Real-Time pour minimiser la latence.

Contrairement aux bots déterministes, le système repose sur une soixantaine d’agents spécialisés par domaines (facturation, réclamation, acquisition) et conçus sous la solution « Dialogue ». Ces plus de 60 agents couvrent une quinzaine de « grands cas d’usage ».

L’orchestrateur Dialogue d’Illuin (hébergé sur Azure) assure la fluidité des transferts de contexte entre agents, permettant de gérer les digressions ou les interruptions de l’utilisateur, mais aussi d’exécuter des actions.

La capacité transactionnelle de Sharlie illustre son intégration avec le système d’information de l’opérateur. Lors d’une démo, l’agent ne se contente pas d’une réponse générique. Il accède aux données pour identifier précisément des souscriptions et expliquer l’origine d’un dépassement de forfait.

François Burlacot souligne que l’objectif de Sharlie et de son système sous-jacent multiagent est de « rendre le client autonome » via des agents qui « font des choses », comme l’activation immédiate d’un pass voyage ou le dépôt automatisé d’une réclamation en base de données.

Monitoring et gouvernance via un cockpit de pilotage

La complexité technique de Sharlie impose toutefois un monitoring rigoureux pour prévenir toute dérive comportementale. Le déploiement s’opère en outre de manière progressive et ne couvre pas l’ensemble des thématiques de contact.

La mise en production de grands modèles de langage (LLM) nécessite une gouvernance robuste et des métriques informatiques nouvelles pour garantir la fiabilité des réponses fournies aux utilisateurs.

Le monitoring doit combiner des indicateurs de performance technique et une évaluation qualitative automatisée. Pour ce faire, Sosh utilise « agent analyzer », une tour de contrôle développée sur la base du produit « Analyze » d’Illuin Technology.

Ce cockpit distingue les métriques déterministes (latence de l’inférence, taux de complétion des appels…) des métriques agentiques fondées sur le paradigme « LLM-as-a-judge ». Ce mécanisme utilise un second modèle pour auditer les conversations en temps réel, posant des questions critiques : la réponse a-t-elle réellement traité le besoin ou s’est-elle contentée d’une redirection ? Le ton employé est-il conforme à l’image de marque d’Orange ? La supervision active permet aux administrateurs de corriger les agents à chaud ou de « couper l’agent » instantanément si nécessaire.

Performances et trajectoire de passage à l’échelle

Après trois semaines en production, la viabilité du système speech-to-speech était jugée encourageante. Sharlie traitait en avril 20 % du volume de contact sur les pages spécifiques où il était déployé (facturation et réclamation).

Sur cette première phase, et avec 15 000 conversations comptabilisées, Sharlie affichait un taux de satisfaction de 95 %. La trajectoire de montée en charge cible 1,5 million de contacts en 2026, avec une extension fonctionnelle couvrant 80 % des motifs d’appel.

La roadmap prévoit une évolution vers la multimodalité et le multilingue, exploitant les capacités natives des modèles pour servir une clientèle internationale. Aujourd’hui, Sharlie ne traite que le français. La clientèle internationale est importante chez Orange et le chatbot peut les adresser grâce au multilingue natif des LLM.

Sur le plan technique, l’équipe souligne que la transition du vocal vers le texte est technologiquement plus simple que le processus inverse, déjà maîtrisé. Sharlie est appelé à devenir un assistant universel, capable de maintenir une cohérence transactionnelle totale, quel que soit le canal de communication choisi.