Jak zwiększyliśmy skalę wywiadów z klientami dzięki ElevenLabs Agents

Użyliśmy ElevenAgents, żeby przeprowadzić wywiady z ponad 230 użytkownikami naszej ElevenReader aplikacji.

W tym wpisie pokazujemy, jak zbudowaliśmy agenta głosowego, jakie były wyniki testu i jak możesz wykorzystać te narzędzia, żeby ulepszyć swój produkt.

Wyzwanie skali

Cenimy rozmowy z klientami, ale trudno je skalować. Typowy 15-minutowy wywiad daje świetne informacje, ale umówienie kilku dziennie to już wyzwanie logistyczne.

Terminy rzadko się pokrywają, a obsługa użytkowników z całego świata w wielu językach jest prawie niemożliwa dla małego zespołu – prowadzenie rozmów non stop to po prostu fizyczna bariera.

Ankiety łatwiej skalować, ale często tracą szczegóły. Sprowadzają odpowiedzi do wyboru opcji i pomijają emocje oraz niuanse rozmowy 1 na 1. Dzięki rozwojowi głosów AI i LLM-ów możemy teraz wypełnić tę lukę.

Zbudowaliśmy AI Interviewer z ElevenLabs Agents, żeby zbierać opinie użytkowników w prawdziwych rozmowach. Przeprowadziliśmy ponad 230 wywiadów w mniej niż 24 godziny i już wprowadziliśmy ulepszenia w aplikacji na podstawie tych opinii.

Tworzenie AI Interviewer

Skorzystaliśmy z platformy ElevenLabs Agents, żeby stworzyć badacza do rozmów. Chcieliśmy poznać opinie użytkowników aplikacji ElevenReader w czterech głównych obszarach:

• Propozycje funkcji i ulepszenia
• Główne zastosowania
• Porównania z konkurencją
• Cena i wartość marki

Wybraliśmy głos „Hope – podcasterka za przyjazny, rozmowny ton – rozmowa przypomina spotkanie z empatycznym badaczem. Do logiki wybraliśmy Gemini 2.5 Flash, żeby połączyć niskie opóźnienia z wysoką inteligencją.

Prompty i zabezpieczenia

Przygotowaliśmy prompt, który instruował agenta, by dopytywał o szczegóły i trzymał rozmowę w temacie. Jeśli użytkownik odpowiadał ogólnikowo lub jednym słowem, agent prosił o więcej informacji. Przed startem przetestowaliśmy agenta w symulacjach ElevenLabs, żeby sprawdzić, jak radzi sobie z nietypowymi odpowiedziami czy nieodpowiednim językiem.

Zobacz tutaj, jaki prompt zastosowaliśmy.

Zbieranie danych

Użyliśmy funkcji Analiza w ElevenLabs Agents do oceny każdej rozmowy. To narzędzie wyciąga dane ze stenogramów, dzięki czemu możemy zamienić otwarte rozmowy na konkretne wnioski. Na przykład mogliśmy automatycznie śledzić odpowiedzi na pytania:

• "Jak najczęściej korzystasz dziś z ElevenReader?"
• "Co byś poprawił w aplikacji? Podaj dwie rzeczy."

Agent używał narzędzia end_call, żeby zakończyć rozmowę po dziesięciu minutach i podziękować użytkownikowi za czas.

Wyniki

W 24 godziny zebraliśmy ponad 36 godzin rozmów.

• Skuteczność: 85% rozmów było udanych i na temat.
• Zaangażowanie: Mediana rozmowy to 10 minut (maksymalny czas).
• Głębia: Jedna rozmowa miała 87 wiadomości. Mediana to 25 wiadomości.
• Koszt: Każda 10-minutowa rozmowa kosztowała niecałego dolara, czyli 9 centów za minutę – wszystko przez ElevenAgents

Analiza danych

Do analizy 36 godzin stenogramów użyliśmy Claude Opus 4.5, żeby znaleźć trendy i wnioski zgodnie z zasadami badań UX.

Model wskazał główne tematy, a my doprecyzowaliśmy analizę dodatkowymi promptami, żeby wyciągnąć szczegóły – np. segmentację użytkowników, opinie o nawigacji czy wrażliwość na cenę w różnych regionach.

Żeby podzielić się wynikami w zespole, zbudowaliśmy interaktywny raport w Claude. Teraz każdy może kliknąć w konkretny punkt i zobaczyć cytaty użytkowników, które wpłynęły na dany trend.

Najważniejsze wnioski

Użytkownicy czuli się swobodnie w rozmowie z AI – prawie 95% rozmawiało bezpośrednio z agentem, nie zwracając uwagi, że to AI. Jeden z użytkowników powiedział:

„To chyba najlepsze doświadczenie z AI w obsłudze klienta, jakie miałem. Chciałbym, żeby wszystkie ankiety i usługi działały w ten sposób.”

Dowiedzieliśmy się:

• Zróżnicowane potrzeby: 21% czytelników fikcji w ElevenReader chciało dialogów z wieloma postaciami – to dużo więcej niż w innych grupach.
• Wartość marki: Użytkownicy kojarzą ElevenReader z wolnością słuchania dowolnej książki, gdziekolwiek, z najbardziej naturalnym głosem.
• Potrzeby językowe: Użytkownicy wskazali miejsca, gdzie model Text to Speech (TTS) myli języki i akcenty – to jasne pole do poprawy.
• Zgłoszenia błędów: Rozmowy wskazały konkretne problemy, które nasz zespół techniczny naprawił następnego dnia.

Co dalej

Przyszłość badań użytkowników to rozmowy – głosowi agenci AI pozwalają rozmawiać z użytkownikami z całego świata, kiedy im wygodnie.

Ten test pokazał, jak realistycznie i skutecznie AI może prowadzić pogłębione wywiady na dużą skalę. Połączenie rozmów z analizą tekstu przez LLM-y pozwoliło odkryć wzorce w setkach odpowiedzi – wnioski, których ręcznie trudno byłoby się doszukać.

Ty też możesz zbudować własnego AI Interviewer z ElevenLabs Agents – zacznij już dziś lub napisz do nas, żeby dowiedzieć się więcej.