Cet article présente le champ de l’analyse conversationnelle multimodale, en faisant référence à la manière dont il s’est développé sur la scène internationale et dont les contributions portant sur des corpus vidéo francophones y ont contribué. Il discute aussi les défis que la multimodalité – entendue comme l’ensemble des ressources langagières et incarnées (gestes, regards, mimiques faciales, postures, mouvements du corps, y inclus des manipulations d’artefacts) mobilisées par les participants à l’interaction pour l’organiser de manière publiquement intelligible – pose pour l’analyse séquentielle de l’interaction sociale. Afin de discuter empiriquement ces aspects, l’article propose dans la dernière partie une analyse d’une collection portant sur une séquence d’actions – les requêtes visant des actions à réaliser immédiatement et leurs réponses –  pour lesquelles le formatage multimodal est fondamental.