« Que faites-vous ? » : Effets du retour d'information intermédiaire des assistants vocaux agentiques à base de LLM durant le traitement en plusieurs étapes
"What Are You Doing?": Effects of Intermediate Feedback from Agentic LLM In-Car Assistants During Multi-Step Processing
February 17, 2026
papers.authors: Johannes Kirmayr, Raphael Wennmacher, Khanh Huynh, Lukas Stappen, Elisabeth André, Florian Alt
cs.AI
papers.abstract
Les assistants IA agentiques qui exécutent de manière autonome des tâches à plusieurs étapes soulèvent des questions ouvertes en matière d'expérience utilisateur : comment ces systèmes doivent-ils communiquer leur progression et leur raisonnement pendant des opérations prolongées, en particulier dans des contextes critiques pour l'attention comme la conduite automobile ? Nous étudions le moment et la verbosité des retours d'information d'assistants vocaux agentiques basés sur des LLM intégrés à un véhicule, au moyen d'une étude contrôlée à méthodes mixtes (N=45) comparant un retour sur les étapes planifiées et les résultats intermédiaires à un fonctionnement silencieux ne fournissant qu'une réponse finale. En utilisant un paradigme de double tâche avec un assistant vocal embarqué, nous avons constaté qu'un retour d'information intermédiaire améliorait significativement la perception de la vitesse, la confiance et l'expérience utilisateur, tout en réduisant la charge cognitive – des effets qui se sont maintenus quelle que soit la complexité de la tâche ou le contexte d'interaction. Les entretiens ont en outre révélé une préférence des utilisateurs pour une approche adaptative : une transparence initiale élevée pour établir la confiance, suivie d'une réduction progressive de la verbosité à mesure que le système fait preuve de fiabilité, avec des ajustements basés sur l'enjeu de la tâche et le contexte situationnel. Nous traduisons nos résultats empiriques en implications pour la conception du moment et de la verbosité des retours dans les assistants agentiques, afin d'équilibrer transparence et efficacité.
English
Agentic AI assistants that autonomously perform multi-step tasks raise open questions for user experience: how should such systems communicate progress and reasoning during extended operations, especially in attention-critical contexts such as driving? We investigate feedback timing and verbosity from agentic LLM-based in-car assistants through a controlled, mixed-methods study (N=45) comparing planned steps and intermediate results feedback against silent operation with final-only response. Using a dual-task paradigm with an in-car voice assistant, we found that intermediate feedback significantly improved perceived speed, trust, and user experience while reducing task load - effects that held across varying task complexities and interaction contexts. Interviews further revealed user preferences for an adaptive approach: high initial transparency to establish trust, followed by progressively reducing verbosity as systems prove reliable, with adjustments based on task stakes and situational context. We translate our empirical findings into design implications for feedback timing and verbosity in agentic assistants, balancing transparency and efficiency.