Construire ou acheter un agent vocal IA : le vrai cadre de décision 2026 (avec la troisième option cachée)

Construire ou acheter un agent vocal IA : le vrai cadre de décision 2026 (avec la troisième option cachée)

La plupart des guides « construire ou acheter » vous présentent deux choix. La vraie réponse en 2026, c'est une matrice à trois voies — et l'option dont personne ne parle (faire appel à une agence pour créer des flux personnalisés sur une plateforme existante) est gagnante pour environ un quart des équipes que nous auditons.

Construire un agent vocal IA de zéro en 2026 coûte 250 000 $–2 M$ la première année et prend 4 à 9 mois. Acheter un SaaS (Vapi, Retell, Bland) coûte 5 000 $–100 000 $ et permet d'être en production en 5 à 14 jours. La troisième voie — faire appel à une agence pour créer des flux personnalisés sur une plateforme — coûte 30 000 $–150 000 $ et livre en 4 à 10 semaines.

Réponse rapide (le verdict honnête à 3 options) :

• Acheter du SaaS (Vapi/Retell/Bland) gagne pour ~65 % des équipes. An 1 : 5 K$–100 K$, en production en 5–14 jours.
• Agence sur plateforme gagne pour ~25 %. An 1 : 30 K$–150 K$, livré en 4–10 semaines, flux entièrement personnalisés.
• Construction pure gagne pour ~5 %. An 1 : 250 K$–2 M$, livré en 4–9 mois, pertinente uniquement au-delà de 500 K min/mois.
• Hybride (plateforme achetée + couche personnalisée en interne) couvre les ~5 % restants, généralement grands groupes et secteurs réglementés.

Construire, acheter ou combiner ? Les trois voies côte à côte

Tous les guides existants sur la question construire ou acheter un agent vocal IA présentent deux options. Dans les déploiements réels, trois voies dominent : acheter une plateforme hébergée, construire de zéro avec vos propres ingénieurs, ou combiner les deux en faisant appel à une agence pour livrer des flux personnalisés sur Vapi, Retell ou Bland. Ces voies ont des courbes de coût, des délais et des profils de risque radicalement différents — et le choix n'est généralement pas difficile une fois que vous le chiffrez honnêtement.

Deux précisions sur ce tableau. Premièrement, le « coût an 1 » pour l'achat suppose 50 K–200 K minutes par mois ; en dessous, vous êtes dans la fourchette basse, au-dessus vous approchez du palier agence. Deuxièmement, la ligne agence montre la dépense totale incluant le pass-through plateforme, pas uniquement les honoraires d'agence. Vous verrez le calcul détaillé dans la section 5.

Le cadrage des équipes achats — « faire ou acheter » — rate complètement la troisième voie. McKinsey l'appelle « construire, acheter ou combiner » pour une bonne raison. Quand nous avons mesuré Retell vs Vapi vs Bland sur une charge de travail réelle, chaque déploiement réussi que nous avons livré en 2025 tombait dans la case combinaison, pas dans le binaire. (Voir la comparaison Retell vs Vapi vs Bland pour les chiffres côté plateforme ; le bilan du coût réel des agents vocaux IA par Master of Code ancre les fourchettes de coût du tableau ci-dessus.)

La plupart des guides vous présentent deux choix. La vraie réponse en 2026, c'est une matrice à trois voies.

Quel est le vrai coût d'achat d'un agent vocal IA ?

Le coût réel d'achat d'un SaaS vocal IA est de 0,15 $–0,33 $ par minute, soit 2 à 4 fois le tarif affiché une fois que l'ASR (reconnaissance vocale automatique), la TTS (synthèse vocale), le LLM, la téléphonie et les frais de plateforme s'accumulent. Le coût an 1 pour 100 K minutes/mois tourne autour de 20 000 $–50 000 $ selon le fournisseur et le choix de voix. Le prix affiché est honnête ; ce n'est juste pas ce que vous paierez réellement.

Voici le calcul vérifiée de mai 2026 quand vous allez acheter un agent vocal IA sur étagère.

Pourquoi cet écart existe : le chiffre affiché est la part de la plateforme. Par-dessus, vous payez le fournisseur STT (Deepgram est courant, ~0,0043 $/min), le LLM (GPT-4o-mini à 0,15 $/0,60 $ par million de tokens, ou Claude Haiku à des tarifs similaires), le moteur TTS (ElevenLabs Turbo à ~0,06 $/min pour les voix premium, ou bundlé chez le fournisseur en qualité inférieure), le trunk SIP (~0,014 $/min via Twilio) et la location de numéro (1 $–5 $/mois chacun). Ajoutez l'analyse post-appel, le stockage de base de connaissances et un niveau de support dédié, et vous atterrissez là où le tableau l'indique.

Exemples travaillés an 1 aux paliers coût d'agent vocal IA que la plupart des équipes atteignent :

• 10 K min/mois (pilote précoce) : environ 2 000 $–4 000 $ de dépenses totales. Le SaaS gagne par une marge absurde face à n'importe quel build.
• 100 K min/mois (déploiement marché intermédiaire) : 20 K$–50 K$ tout inclus. Encore du territoire SaaS, sauf si vous avez un cas d'usage vraiment unique.
• 500 K min/mois (à l'échelle d'un centre d'appels) : 90 K$–180 K$. Là vous commencez à voir pourquoi les équipes sortent le tableur de construction.

Pour la décomposition détaillée par fournisseur et fonctionnalité, voir notre analyse tarifaire détaillée des agents vocaux.

Le tarif affiché à 0,05 $/min est réel. Tout comme la facture à 0,28 $/min en fin de mois.

Quel est le vrai coût de construction d'un agent vocal IA de zéro ?

Construire un agent vocal IA en production de zéro coûte 250 000 $–2 M$ la première année, prend 4 à 9 mois, et nécessite une équipe de 3 à 5 ingénieurs seniors avec de l'expérience en ASR, LLM et téléphonie. Le TCO (coût total de possession) se décompose approximativement en 60 % salaires d'ingénieurs, 15 % infrastructure et APIs, 10 % conformité, 15 % coût d'opportunité — et presque chaque build interne double son estimation initiale.

Les ingénieurs adorent dire « on peut construire ça en 8 semaines pour 80 K$ ». Voici le TCO détaillé que chaque blog de fournisseur cache, ligne par ligne, avec des salaires US chargés (on montrera l'ajustement Inde/UE ensuite).

La « règle du ×2 » est réelle : chaque build voice-AI interne que nous avons audité est arrivé à environ deux fois l'estimation initiale, presque toujours parce que l'équipe avait sous-budgeté la plomberie de conformité et les cas limites de gestion du tour de parole. Master of Code a documenté le même multiplicateur dans son analyse, et le modèle de TCO de Caller.Digital atterrit dans la même fourchette. Prévoyez-le, ou abandonnez le build tôt.

N'oubliez pas la couche d'orchestration LLM : le framework qui relie STT, récupération, appels d'outils et TTS en une boucle de gestion du tour de parole. Vous évaluerez LangGraph, l'OpenAI Agents SDK, ou une machine à états finis personnalisée. (On benchmarke les meilleurs dans les frameworks d'agents IA pour les développeurs, et le déploiement dans la plateforme de déploiement d'IA agentique.) Ce n'est pas de la fusée, mais chaque couche est un test d'intégration supplémentaire, un mode de défaillance intermittent de plus, une alerte astreinte à 2h du matin de plus.

La gestion d'état mérite sa propre ligne. Des agents qui oublient le nom de l'appelant deux tours plus tard paraissent cassés aux utilisateurs. On a couvert les compromis dans la mémoire pour les agents IA ; version courte : vous vous appuierez soit sur Redis avec une sérialisation personnalisée, soit sur une couche de mémoire managée à 200 $–2 000 $/mois.

Voici la courbe de coût cumulatif sur trois ans comparant les trois voies :

Hypothèses : charge de travail de 100 K minutes/mois, salaires US chargés, tarifs fournisseurs selon récupération mai 2026. Le croisement entre construction pure et agence sur plateforme se produit vers le Mois 32 uniquement quand le volume d'appels dépasse 500 K min/mois (voir section 6).

Chaque build voice-AI interne arrive à deux fois l'estimation initiale. Prévoyez-le ou abandonnez tôt.

La troisième voie cachée : l'agence sur plateforme

Voici l'option que tous les blogs de fournisseurs passent sous silence : faire appel à une agence pour construire vos flux d'agent vocal IA personnalisé sur une plateforme existante (Vapi, Retell ou Bland). Vous évitez le piège du recrutement d'ingénieurs, vous livrez en 4 à 10 semaines, et vous possédez la même logique métier que dans un build personnalisé — sans avoir à entretenir une équipe de cinq personnes spécialisées en ASR-LLM-TTS.

Définition : une équipe d'ingénierie externe écrit vos flux, prompts, intégrations, évals et hooks CRM sur une plateforme vocale hébergée. Vous payez des honoraires de projet pour le build, puis un pass-through par minute pour le runtime. L'agence possède le code ; vous possédez l'agent.

Le calcul financier :

• Honoraires de projet : 30 K$–80 K$ selon la complexité des flux (nombre d'intégrations, périmètre réglementaire, rigueur des évals)
• Pass-through plateforme : 0,15 $–0,30 $/min aux tarifs tout inclus de la section 3
• Résultat an 1 : 50 K$–150 K$ total, environ 4 à 10 semaines jusqu'au premier appel en production

À qui ça convient (les ~25 %) :

• Marché intermédiaire avec des workflows spécifiques qui ne rentrent pas dans un template Vapi
• Secteurs réglementés (santé, finance, droit) nécessitant des évals prêtes à l'audit + documentation de conformité
• Équipes sans ingénieurs voice-AI en interne et sans envie de recruter une équipe spécialisée pour un projet unique
• Agences multi-verticales et franchiseurs qui ont besoin de 5+ flux distincts livrés en parallèle

À qui ça ne convient PAS (la porte de l'honnêteté — lisez ça si vous y pensez) :

• Fondateur solo qui construit un MVP : allez en DIY sur Vapi ou Retell directement. Les honoraires d'agence ne s'amortissent pas au volume MVP. (Combinez avec n8n pour les workflows d'agents sans code si vous voulez de l'orchestration sans coder.)
• Grande entreprise avec 50 ingénieurs voice-AI : construisez. Vous avez l'équipe, le volume et la justification IP.
• Exigence de latence <300ms : seul un build co-localisé personnalisé y arrive. Aucune plateforme n'y parvient, peu importe qui écrit les flux.
• Cas d'usage nécessitant la pleine propriété du modèle (vous entraînez un LLM propriétaire sur des transcriptions d'appels) : vous avez besoin du chemin construction pour l'accès ML. Les plateformes abstraient cette couche.

Si votre équipe se situe dans la case agence sur plateforme, vous pouvez discuter avec un partenaire de développement d'agents vocaux personnalisés du cadrage. Sans urgence, sans pitch forcé. La plupart des équipes qui nous contactent passent 2 à 4 semaines à cartographier leurs flux d'appels avant toute conversation contractuelle — et c'est le bon rythme.

La plupart des équipes de marché intermédiaire veulent un agent vocal personnalisé. Peu veulent recruter une équipe de cinq personnes ASR-LLM-TTS pour le construire.

Quand la construction gagne-t-elle vraiment ? Le calcul du seuil de rentabilité

Construire un agent vocal IA personnalisé n'est rentable que quand le volume mensuel d'appels dépasse environ 500 000 minutes ET que le cas d'usage nécessite moins de 5 intégrations ET que la voice IA est un différenciateur produit cœur, pas une fonctionnalité banale. En dessous de ce seuil, acheter un SaaS ou faire appel à une agence sur plateforme bat la construction de 2 à 4× sur le TCO à trois ans. La formule est plus tranchée que la plupart des équipes ne l'admettent.

En clair :

La construction gagne quand les minutes mensuelles > 500 000 ET le cas d'usage nécessite <5 intégrations ET la voice IA est un différenciateur cœur (pas une commodité).

Exemple travaillé n°1 : réseau de cliniques PME à 50 K min/mois. L'achat gagne de ~4× sur trois ans. Achat SaaS : ~15 K$ An 1, ~45 K$ cumulatif An 3. Construction pure : ~650 K$ An 1, ~1,25 M$ cumulatif An 3. Le réseau de cliniques n'a pas d'ingénieurs voice-AI, pas le volume d'appels, pas de cas limite réglementaire que les plateformes ne peuvent pas gérer. Le SaaS n'est pas juste moins cher. C'est la seule réponse sensée. (Voir les agents vocaux pour les restaurants pour le calcul équivalent dans le secteur alimentaire, qui arrive au même endroit.)

Exemple travaillé n°2 : centre de contact entreprise à 2 M min/mois. La construction atteint le seuil de rentabilité avec l'agence sur plateforme vers le Mois 28 et gagne de ~1,6× à An 3, uniquement si le cas d'usage est reproductible à travers les verticales du centre de contact. Construction pure : ~650 K$ An 1, ~3,5 M$ An 3 cumulatif (majoritairement ingénierie continue). Achat SaaS à 0,20 $/min en moyenne : ~4,8 M$ An 3. La construction gagne mathématiquement ici, mais seulement parce que le volume amortit l'équipe d'ingénierie.

Le cas limite hybride couvre les ~5 % restants : grandes entreprises faisant >5 M min/mois, secteurs réglementés avec des couches ML propriétaires, ou équipes dont le différenciateur est réellement le modèle lui-même. Ils achètent la plateforme pour les couches commodité téléphonie + STT + TTS et construisent le LLM et le ML post-appel en interne. C'est ce que Caller.Digital identifie comme le seuil « au-dessus de 500 K min/mois et en dessous de 5 intégrations », où la reproductibilité est tout.

En dessous de 500 K minutes, vous payez des ingénieurs pour reconstruire ce que Vapi a déjà livré.

La construction est rentable mathématiquement à 500 000 minutes par mois. En dessous, vous payez des ingénieurs pour reconstruire ce que Vapi a déjà livré.

Quel travail d'intégration caché va faire exploser votre estimation de build ?

Le travail d'intégration caché dans un build d'agent vocal personnalisé inclut l'enregistrement A2P 10DLC (application à personne via numéro long 10 chiffres), l'attestation STIR/SHAKEN, la capture du consentement TCPA (Telephone Consumer Protection Act), la logique de divulgation d'enregistrement par juridiction, l'authentification des webhooks CRM et la pseudonymisation des données personnelles. Des plateformes comme Vapi, Retell et Bland résolvent chaque ligne de cela dès le premier jour. Votre estimation de 8 semaines a oublié 6 semaines de plomberie de conformité téléphonique.

Voici le scaffolding d'agent téléphonique IA que personne ne met sur la spec initiale :

1. Enregistrement A2P 10DLC : 2 à 6 semaines, 50 $–1 000 $ de frais, obligatoire pour tout flux US adjacent aux SMS (rappels de rendez-vous, confirmations de rappel). Voir la documentation A2P 10DLC de Twilio pour la matrice d'enregistrement.
2. Attestation STIR/SHAKEN : signature de l'identité de l'appelant côté opérateur. Sans ça, vos appels sortants sont signalés « Spam probable » dans 30 à 60 % des cas mobiles. Maintenance continue, pas ponctuelle.
3. Capture du consentement TCPA : divulgation d'enregistrement, intégration de la liste ne-pas-appeler, stockage du consentement écrit. La décision FCC de 2024 sur les robocalls IA a étendu le TCPA à la voice IA ; la non-conformité coûte 500 $–1 500 $ par appel.
4. Divulgation d'enregistrement état par état : 12 États américains exigent le consentement bipartite (Californie, Floride, Illinois, etc.), plus le RGPD pour tout appelant depuis l'UE. Votre agent doit savoir où se trouve l'appelant avant la deuxième phrase.
5. Auth webhook CRM + logique de reprise : rafraîchissement OAuth, backoff exponentiel, dead-letter queues. Ça semble trivial ; ça ne l'est pas.
6. Pseudonymisation des données personnelles + stockage des résumés post-appel : numéros de carte bancaire, numéros de sécurité sociale, données médicales effacées avant stockage. HIPAA l'exige ; les auditeurs SOC 2 aussi.

Additionnez tout ça et vous avez ajouté 4 à 8 semaines de travail qui n'apparaissent pas dans l'estimation originale « on peut construire ça en 8 semaines ». Les plateformes livrent chaque ligne précâblée.

Votre estimation de build de 8 semaines a oublié 6 semaines de plomberie de conformité téléphonique.

Pourquoi les builds vocaux personnalisés semblent-ils plus lents que les plateformes ?

Le budget de latence total pour une voice IA naturelle est sous 700ms de bout en bout : STT (150–250ms) + LLM premier token (200–400ms) + TTS premier octet (100–200ms) + réseau/gigue (100–250ms). Les plateformes atteignent cette médiane ; les builds personnalisés atterrissent fréquemment à 1,2–2,0s parce que les équipes sous-estiment la latence réseau et les démarrages à froid. Les appelants commencent à parler par-dessus l'agent à 400ms de silence — la différence est audible.

L'arithmétique que la plupart des estimations de build ignorent :

Pourquoi les plateformes atteignent 700–900ms de médiane : optimisation de pipeline (streaming STT/LLM entrelacé), adjacence réseau avec les opérateurs téléphoniques, et pools de modèles chauds qui ne démarrent jamais à froid. Pourquoi les builds maison atterrissent régulièrement à 1,2–2,0s : les équipes ne budgétisent pas la tranche réseau/gigue, les appels LLM à démarrage froid ajoutent 400ms au premier tour de chaque appel, et la plupart des implémentations TTS maison ne streamant pas l'audio du premier octet avant que la réponse complète soit prête. Les données de Close sur le seuil de chevauchement de parole à 0,4s sont le chiffre le plus cité en voice IA pour une raison. C'est la limite où la gestion naturelle du tour de parole se casse. Les benchmarks de latence de Deepgram confirment que le plancher STT du premier chunk est proche de 150ms.

Vapi atteint 700ms parce qu'ils possèdent l'adjacence réseau. Votre build sur région AWS n'y arrivera pas.

Peut-on vraiment construire un agent vocal en 15 lignes de code ?

Les plateformes vocales modernes comme Vapi et Retell exposent des appels SDK de 10 à 20 lignes qui créent un agent vocal prêt pour la production. La même fonctionnalité depuis zéro (STT, orchestration LLM, TTS, téléphonie, gestion du tour de parole) prend typiquement 4 à 9 mois de travail d'ingénierie. Paradoxalement, montrer le code renforce le choix achat, pas l'inverse.

Voici un agent vocal Vapi Web SDK fonctionnel en 15 lignes (vérifié contre docs.vapi.ai/quickstart/web, récupéré le 2026-05-17) :

import Vapi from "@vapi-ai/web";

const vapi = new Vapi(process.env.VAPI_PUBLIC_KEY);

await vapi.start({
  model: {
    provider: "openai",
    model: "gpt-4o-mini",
    systemPrompt: "You are a friendly clinic receptionist. Book appointments, answer FAQs, escalate emergencies.",
  },
  voice: { provider: "11labs", voiceId: "rachel" },
  transcriber: { provider: "deepgram", model: "nova-2" },
  firstMessage: "Hi, this is the clinic. How can I help today?",
});

vapi.on("call-end", (data) => console.log("Call ended:", data.summary));

Chaque ligne de ce snippet remplace des mois de travail interne. Le champ transcriber est votre intégration STT. Le champ voice est toute votre pipeline TTS, y compris la gestion du streaming du premier octet. systemPrompt est toute la couche de gestion du tour de parole et d'appel d'outils (Vapi gère la détection d'interruption, l'endpoint et le routage des outils en coulisses). call-end vous donne le résumé post-appel que vous auriez sinon construit avec une pipeline Whisper + GPT-4.

C'est ce que votre build personnalisé va reproduire pendant 4 à 9 mois. Plus vous lisez le SDK attentivement, plus il devient difficile de justifier le build.

Paradoxalement, plus vous comprenez le code, plus le choix achat paraît solide.

Quand la construction d'un agent vocal est-elle la mauvaise réponse ?

Construire un agent vocal est la mauvaise réponse quand votre équipe n'a aucune expérience de livraison en voice-AI, que votre estimation est sous 150 K$ An 1, que votre délai est sous 8 semaines, que votre cas d'usage correspond proprement à un template de plateforme existant, ou que votre volume d'appels est sous 500 K minutes/mois. Cochez deux de ces critères et le chemin construction est de la malpractice, pas de l'ingénierie.

Votre équipe d'ingénierie va pitcher la construction. Ils ne mentent pas. Ils peuvent le construire. La question est de savoir s'ils devraient. Surveillez ces cinq signaux d'anti-patterns :

1. « On peut juste câbler Whisper et GPT-4. » Personne qui a livré de la voice en production ne dit ça. Les parties difficiles sont la gestion du tour de parole, la détection d'interruption et le streaming TTS — aucune de ces choses ne figure dans cette phrase.
2. Estimation An 1 sous 150 K$. Soit l'équipe ne comprend pas le périmètre de conformité, n'a pas tarifé la couche téléphonique, ou a supposé qu'elle n'aurait pas besoin d'observabilité. Les trois sont des signaux d'alerte.
3. Aucun ingénieur de l'équipe n'a livré de voice auparavant. Les modes de défaillance de la voice IA sont différents du chat. Annulation d'écho, buffering de gigue, détection d'interruption : ce ne sont pas des problèmes de développement web.
4. Délai sous 8 semaines. Même les plateformes qui livrent des primitives pré-construites ont besoin de 2 à 4 semaines pour câbler les intégrations + CRM + évals. De zéro en 8 semaines signifie couper la conformité, les évals, ou les deux.
5. « On va construire le TTS en interne. » Non, vous ne le ferez pas. ElevenLabs et Cartesia ont chacun des centaines d'ingénieurs et des chercheurs dédiés aux modèles audio. Achetez ce qui a commodifié.

Pourquoi les ingénieurs pitchent la construction quand même : capital carrière, biais NIH (« pas inventé ici »), justification de headcount, la vraie joie de l'ingénierie sur terrain vierge. Ce ne sont pas de mauvaises raisons de vouloir construire. Ce sont juste de mauvaises raisons de construire réellement.

Reformulez la décision : construisez ce qui vous différencie, achetez ce qui a commodifié. Les couches LLM, ASR et TTS ont commodifié en 2025–2026. Votre différenciation réside dans les flux, les prompts, les évals et l'intégration CRM. Ne reconstruisez pas les couches que Vapi, Retell, OpenAI et Deepgram ont déjà livrées.

Construisez ce qui vous différencie. Achetez ce qui a commodifié en 2025.

La matrice de décision honnête

Après avoir construit des solutions voice IA pour centres de contact dans les deux sens, notre répartition raisonnée est : ~65 % des équipes devraient acheter du SaaS (Vapi, Retell, Bland), ~25 % devraient faire appel à une agence pour construire sur une plateforme, ~5 % ont besoin d'un hybride (plateforme + couche personnalisée en interne), et ~5 % devraient construire de zéro. Le build personnalisé pur n'est rentable qu'au-dessus de 500 K minutes/mois avec une équipe voice-AI dédiée. Ce sont nos recommandations après avoir audité le calcul sur 4 décisions clients en 2025–2026, pas des statistiques sectorielles.

L'arbre de décision à quatre nœuds que nous parcourons avec les clients :

1. Traitez-vous >500 K minutes/mois ? Non → acheter ou agence sur plateforme. Oui → continuez.
2. La voice IA est-elle un différenciateur produit cœur (pas une fonctionnalité) ? Non → acheter ou agence sur plateforme. Oui → continuez.
3. Avez-vous une équipe d'ingénierie voice-AI en interne (3+ produits voice livrés) ? Non → agence sur plateforme ou hybride. Oui → continuez.
4. Avez-vous besoin d'une latence totale <300ms ou d'un entraînement de modèle propriétaire ? Non → hybride. Oui → construction pure.

La plupart des équipes s'arrêtent au nœud 1 ou 2, ce qui explique pourquoi 90 % de la matrice atterrit dans acheter ou agence sur plateforme.

Si vous faites partie des 25 %, voici comment nous construisons sur Retell ou Vapi pour les clients. Commencez par vos flux d'appels, pas par un contrat.

Construisez ce qui vous différencie. Achetez ce qui a commodifié. Pour la plupart des équipes en 2026, ça signifie acheter la couche plateforme et personnaliser les flux.

Le verdict

• Trois voies existent, pas deux. Acheter du SaaS pour ~65 % des équipes. Agence sur plateforme pour ~25 %. Construction pure uniquement au-dessus de 500 K min/mois avec une vraie équipe.
• La formule du seuil de rentabilité est simple : minutes mensuelles > 500 K ET <5 intégrations ET voice IA est cœur de produit. Manquez un seul des trois et le calcul de construction ne tient pas.
• Règle de décision : construisez ce qui vous différencie, achetez ce qui a commodifié. En 2026, ça signifie acheter la couche plateforme presque à chaque fois.

Si vous faites partie des 25 % pour lesquels l'agence sur plateforme a du sens, commencez par cartographier vos flux d'appels sur un tableau blanc, puis parlez à un partenaire qui a livré sur Retell ou Vapi. Sans urgence. La bonne décision, c'est de cadrer avant de signer.

FAQ

Vaut-il mieux construire ou acheter un agent vocal IA ?

Pour environ 65 % des équipes, acheter une plateforme SaaS vocale (Vapi, Retell, Bland) est préférable. C'est 5 à 14 jours pour être en production à 5 K$–100 K$ An 1, contre 4 à 9 mois et 250 K$–2 M$ pour un build personnalisé. La construction ne gagne qu'au-dessus de 500 K minutes/mois quand la voice IA est un différenciateur produit cœur et que vous disposez d'une équipe voice-AI d'au moins 3 ingénieurs en interne.

Quel est le coût de construction d'un agent vocal IA de zéro ?

Construire de zéro coûte 250 K$–2 M$ la première année pour des équipes avec salaires US. La décomposition est approximativement 540 K$ d'ingénierie (3 ingénieurs seniors), 24 K$ d'infrastructure, 30 K$–120 K$ de pass-through API ASR et TTS, 0,014 $/min de téléphonie, et 20 K$–80 K$ pour les audits de conformité HIPAA/SOC 2. La plupart des builds arrivent à 2× l'estimation initiale en raison du travail de conformité et des cas limites sous-budgétés.

Combien de temps faut-il pour construire un agent vocal IA en production ?

Construire de zéro prend 4 à 9 mois pour un agent prêt pour la production avec une conformité, des évals et une observabilité appropriées. Acheter une plateforme SaaS comme Vapi ou Retell prend 5 à 14 jours. La troisième voie cachée (faire appel à une agence pour construire des flux personnalisés sur une plateforme existante) prend 4 à 10 semaines. L'écart vient principalement du scaffolding téléphonique et de conformité (A2P 10DLC, STIR/SHAKEN, TCPA) que les plateformes résolvent dès le premier jour.

Puis-je construire un agent vocal sur Vapi ou Retell plutôt que de zéro ?

Oui, c'est la voie agence sur plateforme. Vous (ou une agence externe) construisez des flux personnalisés, des prompts, des intégrations et des évals sur le runtime hébergé de Vapi, Retell ou Bland. Le coût an 1 est de 30 K$–150 K$ total (30 K$–80 K$ d'honoraires de projet plus 0,15 $–0,30 $/min de pass-through), et vous livrez en 4 à 10 semaines au lieu de 4 à 9 mois. Vous possédez la logique métier ; la plateforme gère STT, TTS, téléphonie et gestion du tour de parole.

Quel est le volume d'appels seuil pour que la construction de la voice IA soit rentable ?

Le seuil de rentabilité est autour de 500 000 minutes par mois, et uniquement si le cas d'usage nécessite moins de 5 intégrations et que la voice IA est un différenciateur produit cœur. En dessous de 500 K min/mois, le SaaS ou l'agence sur plateforme bat la construction de 2 à 4× sur le TCO à trois ans. Au-dessus de 500 K min/mois avec la bonne équipe et le bon cas d'usage, un build pur atteint le seuil de rentabilité avec l'agence sur plateforme vers le Mois 28 et gagne à An 3.

Est-il moins cher d'utiliser une plateforme SaaS vocale ou de construire la sienne ?

Pour presque toutes les équipes sous 500 K minutes/mois, le SaaS est moins cher par une large marge — généralement 4 à 10 fois moins cher sur le TCO à trois ans. Le tarif réel du SaaS est de 0,15 $–0,33 $ par minute (2 à 4 fois le chiffre affiché une fois que ASR, TTS, LLM et téléphonie s'accumulent), mais ça bat toujours les 650 K$–1,25 M$ de coûts d'ingénierie, d'infrastructure et de conformité que vous porteriez en le construisant vous-même.

Quelles compétences d'ingénierie faut-il pour construire un agent vocal ?

Il vous faut au moins 3 ingénieurs seniors avec une expérience combinée en streaming audio temps réel, intégration ASR (Deepgram ou Whisper), orchestration LLM (LangGraph, OpenAI Agents SDK ou machines à états personnalisées), streaming TTS (ElevenLabs ou Cartesia), téléphonie SIP (Twilio Programmable Voice ou Telnyx), gestion du tour de parole et de l'interruption, et travail de conformité (TCPA, HIPAA, SOC 2). Si votre équipe n'a pas livré de voice en production, la courbe d'apprentissage ajoute 2 à 4 mois au délai.

En quoi la latence diffère-t-elle entre builds personnalisés et plateformes ?

Les plateformes atteignent 700–900ms de bout en bout en médiane (Vapi, Retell, Bland). Les builds maison atterrissent régulièrement à 1,2–2,0 secondes parce que les équipes ne budgétisent pas les tranches réseau et gigue et que les appels LLM à démarrage froid ajoutent 400ms à chaque premier tour. Au-dessus de 1,2 seconde, les appelants commencent à parler par-dessus l'agent et la gestion du tour de parole se casse. Le plafond de 700ms compte parce que les plateformes possèdent l'adjacence réseau avec les opérateurs téléphoniques. Votre build sur région AWS n'y arrivera pas.

Quand la construction de la voice IA est-elle financièrement judicieuse ?

La construction est financièrement judicieuse quand le volume mensuel d'appels dépasse 500 000 minutes, que le cas d'usage nécessite moins de 5 intégrations, que la voice IA est un différenciateur produit cœur (pas une fonctionnalité), et que vous disposez d'une équipe voice-AI en interne d'au moins 3 ingénieurs. Manquez un seul de ces critères et le calcul de construction ne tient pas. C'est environ 5 % des équipes que nous auditons, généralement des centres de contact de grandes entreprises ou des sociétés natives en IA où la voice est le produit.

Quel est le coût caché de la construction de la voice IA en interne ?

Les coûts cachés sont l'enregistrement A2P 10DLC (2 à 6 semaines, 50 $–1 000 $), l'attestation STIR/SHAKEN, la capture du consentement TCPA, la logique de divulgation d'enregistrement état par état, l'authentification des webhooks CRM, la pseudonymisation des données personnelles, le stockage des résumés post-appel, l'infrastructure d'observabilité et d'astreinte, et 6 mois de coût d'opportunité sur votre roadmap produit sacrifiée. Les plateformes résolvent chaque ligne dès le premier jour. La règle du ×2 existe parce que les équipes oublient ces postes.