Créer l’agent d’interview client d’ElevenLabs
Créer l’agent d’interview client d’ElevenLabs
Découvrez comment nous avons mené 230 entretiens utilisateurs en 24 heures avec ElevenLabs Agents
Vue d’ensemble
Nous avons créé un agent d’interview IA avec ElevenLabs Agents afin de recueillir à grande échelle les retours qualitatifs des utilisateurs de l’application ElevenReader. Ce document explique la conception du système, la configuration de l’agent, le pipeline de collecte de données et le cadre d’évaluation que nous avons utilisés pour mener plus de 230 entretiens en moins de 24 heures.
L’objectif était de reproduire la profondeur et les nuances d’entretiens clients en direct, sans les contraintes de planification, de langue et d’exploitation propres aux sessions menées par des humains.

Architecture du système
L’intervieweur IA a été entièrement mis en œuvre dans ElevenAgents, avec les composants principaux suivants :
- Agent vocal conversationnel pour des entretiens en temps réel
- Grand modèle de langage pour la planification du dialogue et le raisonnement
- Extraction de données structurées pour l’analyse après appel
- Fin d’appel automatisée et contrôle des sessions
Conception de l’agent

Objectifs de recherche
L’agent avait pour instruction d’explorer quatre axes de recherche principaux :
- Demandes de fonctionnalités et améliorations du produit
- Principaux usages
- Comparaisons avec les concurrents
- Perception des tarifs et valeur de la marque
Ces objectifs ont été intégrés directement au prompt système afin de garantir la cohérence entre les entretiens.
Sélection de la voix
Nous avons sélectionné la voix Hope - The podcaster pour l’intervieweur. Cette voix a été choisie pour son rythme neutre, sa chaleur et son ton conversationnel, qui réduisent la friction perçue et aident les utilisateurs à échanger naturellement lors de sessions prolongées.
Sélection du modèle
Modèle de raisonnement : Gemini 2.5 Flash
Gemini 2.5 Flash a été sélectionné afin d’équilibrer faible latence et profondeur de raisonnement suffisante pour des questions de suivi adaptatives durant les conversations en direct.
Structure du prompt système
Le prompt système demandait à l’agent de :
- Poser des questions ouvertes alignées sur les objectifs de recherche
- Générer des questions de suivi lorsque les réponses étaient vagues ou limitées
- Éviter les formulations orientées ou biaisées
- Maintenir la conversation sur le sujet et dans un créneau horaire fixe
Conformément à notre guide de prompting, voici le prompt système complet que nous avons utilisé :
Sécurité et gestion des cas limites
Avant le déploiement en production, nous avons exécuté des conversations simulées avec les outils de test d’ElevenLabs afin de valider le comportement dans les cas suivants :
- Réponses d’un mot ou non informatives
- Entrées hors sujet
- Langage inapproprié
- Silence ou longues pauses
Ces tests ont permis d’ajouter des garde-fous supplémentaires au prompt afin de préserver la qualité des entretiens.
Contrôle de la durée des sessions
Chaque entretien était limité à dix minutes. L’agent utilisait l’outil end_call pour :
- Conclure la session avec fluidité
- Remercier l’utilisateur pour son temps
- Éviter les conversations excessivement longues ou en boucle
Collecte et analyse des données

Traitement des transcriptions
Toutes les conversations ont été transcrites et analysées avec la fonctionnalité d’analyse d’ElevenLabs Agents afin d’extraire des données structurées à partir de dialogues ouverts.
Nous avons suivi les réponses à des questions telles que :
- « Comment utilisez-vous principalement ElevenReader aujourd’hui ? »
- « Quels sont les deux changements qui amélioreraient le plus l’application ? »
Résultats structurés
Les champs extraits comprenaient :
- Cas d’utilisation principal
- Fonctionnalités demandées
- Bugs signalés
- Indicateurs de sentiment
Cela nous a permis d’agréger les retours qualitatifs sans examiner manuellement chaque transcription.
Limites et enseignements
- Les entretiens IA exigent une conception rigoureuse des prompts pour éviter les réponses superficielles
- Limiter la durée est essentiel pour maîtriser les coûts et rester concentré
- L’extraction structurée est déterminante : les transcriptions seules ne permettent pas d’analyser à grande échelle
Travaux futurs
Nous prévoyons d’étendre ce système en :
- Ajoutant des parcours d’entretien adaptatifs selon le segment d’utilisateurs
- Intégrant une évaluation des sentiments en temps réel
- Étendant la couverture des entretiens multilingues
- Connectant directement les informations extraites aux systèmes de suivi produit
Commencez à créer votre agent dès aujourd’hui ou contactez notre équipe pour en savoir plus.