Så byggde vi ElevenLabs agent för kundintervjuer
Lär dig hur vi genomförde 230 användarintervjuer på 24 timmar med ElevenLabs Agents
Översikt
Vi byggde en AI-intervjuare med ElevenLabs Agents för att samla in kvalitativ användarfeedback för ElevenReader-appen i stor skala. Det här dokumentet förklarar systemdesignen, agentkonfigurationen, pipelinen för datainsamling och utvärderingsramverket som vi använde för att genomföra över 230 intervjuer på mindre än 24 timmar.
Målet var att återskapa djupet och nyanserna i direkta kundintervjuer utan de begränsningar kring schemaläggning, språk och drift som mänskligt ledda sessioner innebär.

Systemarkitektur
AI-intervjuaren implementerades helt i ElevenAgents med följande övergripande komponenter:
- Röstagent för samtal i realtid
- Stor språkmodell för dialogplanering och resonemang
- Strukturerad dataextrahering för analys efter samtalet
- Automatisk avslutning av samtal och sessionsstyrning
Agentdesign

Forskningsmål
Agenten instruerades att undersöka fyra primära forskningsområden:
- Funktionsönskemål och produktförbättringar
- Primära användningsmönster
- Jämförelser med konkurrenter
- Prisuppfattning och varumärkesvärde
Dessa mål byggdes direkt in i systemprompten för att säkerställa konsekvens mellan intervjuerna.
Röstval
Vi valde rösten Hope - The podcaster för intervjuaren. Rösten valdes för sitt neutrala tempo, sin värme och samtalston, vilket minskade den upplevda tröskeln och hjälpte användare att delta naturligt under längre sessioner.
Modellval
Resonemangsmodell: Gemini 3.5 Flash
Gemini 3.5 Flash valdes för att balansera låg latens med tillräckligt djupa resonemang för anpassade följdfrågor under direkta samtal.
Systempromptens struktur
Systemprompten instruerade agenten att:
- Ställa öppna frågor som stämmer överens med forskningsmålen
- Skapa följdfrågor när svaren var vaga eller kortfattade
- Undvika ledande eller vinklade formuleringar
- Hålla samtalet till ämnet och inom en fastställd tidsram
I enlighet med vår guide för promptning är här den fullständiga systemprompten vi använde:
Säkerhet och hantering av specialfall
Före produktionslanseringen körde vi simulerade samtal med ElevenLabs testverktyg för att validera beteendet vid:
- Enstaviga eller informationsfattiga svar
- Inmatning utanför ämnet
- Olämpligt språk
- Tystnad eller långa pauser
Dessa tester låg till grund för ytterligare skyddsåtgärder i prompten för att upprätthålla intervjuernas kvalitet.
Kontroll av sessionslängd
Varje intervju begränsades till tio minuter. Agenten använde verktyget end_call för att:
- Avsluta sessionen på ett smidigt sätt
- Tacka användaren för deras tid
- Förhindra alltför långa eller upprepande samtal
Datainsamling och analys

Transkriptbearbetning
Alla samtal transkriberades och bearbetades med analysfunktionen i ElevenLabs Agents för att extrahera strukturerad data från öppna dialoger.
Vi följde svar på frågor som:
- “Hur använder du främst ElevenReader i dag?”
- “Vilka två förändringar skulle förbättra appen mest?”
Strukturerade utdata
Extraherade fält omfattade:
- Primärt användningsfall
- Önskade funktioner
- Rapporterade buggar
- Indikatorer för känsla
Det gjorde det möjligt för oss att sammanställa kvalitativ feedback utan att manuellt granska varje transkription.
Begränsningar och lärdomar
- AI-intervjuer kräver omsorgsfull promptdesign för att undvika ytliga svar
- Tidsbegränsning är avgörande för att kontrollera kostnader och behålla fokus
- Strukturerad extrahering är avgörande – enbart transkriptioner skalar inte för analys
Framtida arbete
Vi planerar att utöka systemet genom att:
- Lägga till anpassade intervjuspår baserat på användarsegment
- Integrera känsloanalys i realtid
- Utöka täckningen för flerspråkiga intervjuer
- Koppla extraherade insikter direkt till system för produktuppföljning
Börja bygga din agent i dag eller kontakta vårt team för att få veta mer.