"Las interfaces multimodales admiten la entrada y el procesamiento por parte del usuario de más de una modalidad con un sistema que incorpora dos o más modos combinados de entrada del usuario, como el habla, los gestos manuales y el tacto, de forma coordinada con sistemas multimedia. Las interfaces multimodales prometen permitir a los usuarios introducir información y peticiones a través de distintos modos de entrada, como el ratón y el teclado, el habla o la escritura manual. Coordinan modalidades de entrada naturales con modalidades de salida multimedia como vídeo, audio, visualizaciones de información, gráficos 3D, etc.
Las interfaces multimodales ayudan a automatizar los pasos del proceso de automatización mediante la configuración in situ utilizando el control de Windows, la configuración basada en imágenes y el control web sin acoplar la aplicación. Cada paso capturado mediante la configuración multimodal es trazable".