Workshop-sammanfattning: Bygg en AI-SDR på 45 minuter

De flesta säljteam jobbar reaktivt. Mycket inkommande, långsamma svarstider och för få personer för att jobba utåt.

Det här inlägget sammanfattar vår live-workshopBygg en AI-SDR på 45 minuter — där vi visar hur du bygger och lanserar en AI-SDR-agent.

Varför AI-SDR-agenter är viktiga

De utmaningar ElevenLabs hade innan vi byggde en AI-SDR-agent är inte unika.

Några av utmaningarna var:

1. Teamet växte inte i takt med efterfrågan
2. Högt inflöde begränsade möjligheten att jobba utåt
3. Svarstiden till leads var för långsam
4. Leads som kom in utanför kontorstid fick långsamt svar (Exempel: ett lead kom in fredag kväll, fick svar först på måndag och fick sedan vänta på ett möte som kanske blev på onsdag)
5. Språket blev en barriär
   

Det blev snabbt tydligt att det var värt att automatisera detta.

AI-SDR-agenten jobbar dygnet runt, hanterar över 70 språk, kvalificerar leads enligt uppsatta kriterier och bokar möten direkt i kalendern under samtalet. Ingen väntetid. Inga problem med tidszoner.

Resultaten idag:

1. Agenten levererar samma output som två heltids-SDR:er
2. Kvalificeringsnoggrannheten är 88 %
3. Kundnöjdheten ligger i snitt på 8,7 av 10

Demo 1: AI-SDR-agenten i praktiken

Scenario: En potentiell kund kontaktar ElevenLabs efter att ha fyllt i ett kontaktformulär. Agenten, som heter Jon, tar samtalet och kvalificerar innan han bokar ett möte.

Det som visades:

• Jon identifierade kundens användningsområde: att bygga en röstagent för orderstatus som hanterar tusentals kundsamtal varje vecka
• Agenten svarade på en säkerhetsfråga om dataskydd och nämnde SOC 2 Type 2, HIPAA, GDPR, EU-data och möjligheten att skriva BAAs — utan att tveka
• Jon ställde kvalificeringsfrågor en i taget: nuvarande plan, förväntad samtalsvolym och tidsram
• När kunden klarade alla kriterier gick agenten vidare till bokningen
• Jon frågade efter kundens tidszon (London), använde ett verktyg för att hämta kalender-tider och föreslog specifika tider
• Kunden valde tisdag kl 15:15. Mötet bokades direkt i kalendern, under samtalet
• I slutet bad Jon om ett betyg. Kunden gav tio av tio. Agenten tog emot och loggade betyget automatiskt

Varför det är viktigt: Det här är en komplett kvalificering och bokning utan att en mänsklig SDR är med på samtalet. Agenten hanterade invändningar om regelefterlevnad, gick igenom flera kvalificeringssteg, använde kalenderintegration och samlade in strukturerad data till CRM — allt i ett samtal. Samtalslogg, verktygsanrop, kvalificeringsbeslut och CSAT-poäng fanns direkt tillgängliga i plattformen efteråt.

Viktiga delar i en AI-SDR

Systemprompt
Bestämmer agentens mål, personlighet, miljö och ramar. För en SDR-agent innebär det att tydligt ange kvalificeringskriterier, vad agenten ska och inte ska prata om, och beskriva sammanhanget den jobbar i. En tidig lärdom: håll systemprompten kort och flytta logik till Workflows för färre fel och mer förutsägbar agent.

Arbetsflöden
Låter dig dela upp agenten i noder, där varje nod har sitt eget mål och överlämningsvillkor. Använd en orkestreringsnod för att välja rätt väg, en kvalificeringsnod för att ställa rätt frågor i rätt ordning, en supportnod för samtal som inte gäller försäljning, och en bokningsnod där verktygen finns. Varje nod kan ha sin egen LLM, kunskapsbas och egna ramar.

Kunskapsbas
Ger agenten det den behöver för att svara korrekt. Ladda in produktinformation och över 100 vanliga frågor från ditt SDR-team.

Verktyg
Kopplar agenten till riktiga system. Bokningsagenten kan använda kalenderintegration (cal.com) för att kolla tillgänglighet och boka möten. Samma ramverk stödjer CRM-uppdateringar, Slack-notiser och databasuppslag.

Analys och datainsamling
Sätts upp innan lansering. Definiera binära framgångsmått, strukturerade datapunkter (användningsområde, volym, tidsram, kvalificeringsbeslut) och CSAT-poäng som hämtas automatiskt i slutet av samtalet. Alla variabler syns i samtalsloggen efteråt.

Bästa tipsen

1. Definiera vad som är framgång innan du bygger. Skriv ner vad "kvalificerad" betyder för just ditt användningsområde. Var tydlig. Kriterierna i din agent ska vara lika tydliga som de du skulle ge en ny SDR första dagen.
2. Börja med ett workflow och förbättra efterhand. Första versionen av ElevenLabs-agenten hade all logik i systemprompten. När vi flyttade till Workflows blev agenten mer träffsäker och lättare att underhålla.
3. Matcha din LLM till uppgiften. Använd en lätt modell för enkel logik. Använd en mer avancerad modell för noder som kräver verktyg eller mer resonemang. Det ger lägre fördröjning.
4. Välj röster som är klonade för varje språk. För flerspråkiga lösningar ger en röst som är klonad för det aktuella språket mycket bättre kvalitet än att använda samma röst för alla språk.
5. Sätt ramar tidigt och bygg på dem över tid. En kund bad agenten om ett spaghetti-recept. Du kan inte förutse alla specialfall från början. Ha en process för att följa upp och uppdatera ramarna efterhand.
6. Använd dynamiska variabler för att göra samtalet personligt. Om du skickar in namn, företag eller nuvarande plan till agenten i början av samtalet känns dialogen mer relevant och det blir färre förtydligande frågor.
7. Lägg till ljudeffekter vid verktygsanrop. När agenten kollar kalendern eller skriver till ett CRM gör ett tangentbordsljud eller en kort ljudsignal att samtalet känns naturligt istället för tyst och stelt.
   

Se hela sessionen

Se hela sessionenhär.