Aufbau des Kundeninterview-Agenten von ElevenLabs
Aufbau des Kundeninterview-Agenten von ElevenLabs
Erfahren Sie, wie wir mit ElevenLabs Agents 230 Nutzerinterviews in 24 Stunden durchgeführt haben
Überblick
Wir haben mit ElevenLabs Agents einen KI-Interviewer entwickelt, um qualitatives Nutzerfeedback für die ElevenReader-App im großen Maßstab zu sammeln. Dieses Dokument beschreibt das Systemdesign, die Agentenkonfiguration, die Datenerfassungspipeline und das Evaluierungsframework, mit denen wir in weniger als 24 Stunden mehr als 230 Interviews durchgeführt haben.
Ziel war es, die Tiefe und Nuancen von Live-Kundeninterviews ohne die Termin-, Sprach- und operativen Einschränkungen menschlich geführter Gespräche nachzubilden.

Systemarchitektur
Der KI-Interviewer wurde vollständig auf ElevenAgents umgesetzt und besteht aus folgenden übergeordneten Komponenten:
- Sprachagent für Gespräche in Echtzeit
- Large Language Model für Dialogplanung und Schlussfolgerungen
- Strukturierte Datenextraktion für die Analyse nach dem Anruf
- Automatische Anrufbeendigung und Sitzungssteuerung
Agentendesign

Forschungsziele
Der Agent sollte vier zentrale Forschungsbereiche untersuchen:
- Funktionswünsche und Produktverbesserungen
- Zentrale Nutzungsmuster
- Wettbewerbsvergleiche
- Preiswahrnehmung und Markenwert
Diese Ziele wurden direkt in den System-Prompt eingebettet, um Konsistenz über alle Interviews hinweg sicherzustellen.
Stimmauswahl
Für den Interviewer haben wir die Stimme Hope - The podcaster ausgewählt. Diese Stimme wurde wegen ihres neutralen Sprechtempos, ihrer Wärme und ihres gesprächigen Tons gewählt. Das verringerte wahrgenommene Hürden und half Nutzern, sich auch in längeren Gesprächen natürlich einzubringen.
Modellauswahl
Reasoning-Modell: Gemini 2.5 Flash
Gemini 2.5 Flash wurde ausgewählt, um geringe Latenz mit ausreichender Reasoning-Tiefe für adaptive Rückfragen in Live-Gesprächen zu verbinden.
Struktur des System-Prompts
Der System-Prompt wies den Agenten an:
- offene Fragen im Einklang mit den Forschungszielen zu stellen
- Rückfragen zu generieren, wenn Antworten vage oder knapp waren
- suggestive oder voreingenommene Formulierungen zu vermeiden
- das Gespräch beim Thema und innerhalb eines festen Zeitfensters zu halten
Gemäß unserem Prompting-Leitfaden finden Sie hier den vollständigen verwendeten System-Prompt:
Sicherheit und Umgang mit Sonderfällen
Vor dem Produktivstart führten wir simulierte Gespräche mit den ElevenLabs-Testtools durch, um das Verhalten in folgenden Fällen zu validieren:
- Einwortantworten oder nicht aussagekräftige Antworten
- Themenfremde Eingaben
- Unangemessene Sprache
- Stille oder lange Pausen
Diese Tests führten zu zusätzlichen Leitplanken im Prompt, um die Interviewqualität zu sichern.
Steuerung der Sitzungsdauer
Jedes Interview war auf zehn Minuten begrenzt. Der Agent nutzte das Tool end_call, um:
- die Sitzung reibungslos abzuschließen
- dem Nutzer für seine Zeit zu danken
- übermäßig lange oder sich wiederholende Gespräche zu verhindern
Datenerfassung und Analyse

Transkriptverarbeitung
Alle Gespräche wurden transkribiert und über die Analysefunktion von ElevenLabs Agents verarbeitet, um strukturierte Daten aus offenen Dialogen zu extrahieren.
Wir erfassten Antworten auf Fragen wie:
- „Wie nutzen Sie ElevenReader heute hauptsächlich?“
- „Welche zwei Änderungen würden die App am stärksten verbessern?“
Strukturierte Ausgaben
Extrahierte Felder umfassten:
- Primärer Anwendungsfall
- Gewünschte Funktionen
- Gemeldete Fehler
- Sentimentindikatoren
So konnten wir qualitatives Feedback aggregieren, ohne jedes Transkript manuell prüfen zu müssen.
Einschränkungen und Erkenntnisse
- KI-Interviews erfordern sorgfältiges Prompt-Design, um oberflächliche Antworten zu vermeiden
- Zeitliche Begrenzungen sind entscheidend, um Kosten zu kontrollieren und den Fokus zu wahren
- Strukturierte Extraktion ist entscheidend – Transkripte allein lassen sich nicht skalierbar analysieren
Nächste Schritte
Wir planen, dieses System zu erweitern durch:
- Adaptive Interviewpfade basierend auf dem Nutzersegment
- Integration von Sentiment-Bewertungen in Echtzeit
- Ausbau mehrsprachiger Interviews
- Direkte Anbindung extrahierter Erkenntnisse an Produkttracking-Systeme
Erstellen Sie noch heute Ihren Agenten oder kontaktieren Sie unser Team, um mehr zu erfahren.