Cómo escalamos las ventas entrantes con un SDR de IA que califica el 78% de los leads de principio a fin

Cada semana, cientos de personas completan el formulario de ventas en nuestro sitio web para saber más sobre nuestra plataforma y precios. Sin embargo, la mayoría de estos leads se adaptan mejor a nuestros planes de autoservicio, que atienden a la mayoría de nuestros usuarios y tienen documentación detallada en nuestro sitio web.

Aunque a nuestro equipo de ventas le gustaría reunirse directamente con cada lead, su enfoque está en implementaciones empresariales que requieren soluciones personalizadas. En su lugar, revisan manualmente cada envío para identificar cuáles son adecuados para una conversación empresarial y cuáles es mejor guiar hacia el autoservicio. Sin embargo, muchos formularios incluyen detalles incompletos, como descripciones vagas del caso de uso del lead, lo que requiere que nuestro equipo haga un seguimiento para obtener contexto antes de tomar una decisión. Este proceso puede ralentizar los tiempos de respuesta y desviar la atención de oportunidades empresariales de mayor prioridad.

Para los leads calificados para empresas, el retraso en la revisión de los formularios también significa pérdida de impulso. Idealmente, un lead empresarial debería poder agendar una reunión tan pronto como envíe el formulario de contacto de ventas. De lo contrario, si un formulario se envía el viernes por la noche, el lead puede no recibir respuesta hasta que nuestro equipo de ventas lo revise el lunes, lo que retrasa la primera reunión a más tarde esa semana.

Para cerrar esta brecha entre la demanda y la capacidad del equipo, construimos un representante de desarrollo de ventas (SDR) de IA entrante usando nuestra Agents Platform. El SDR de IA ofrece experiencias más rápidas y personalizadas para los leads entrantes mientras permite a nuestro equipo centrarse en las oportunidades más impactantes.

Cómo construimos el agente

Construimos el SDR entrante alrededor de tres pilares: comportamiento, capacidades y datos.

1. Comportamiento

Definimos cómo se comporta nuestro SDR, “Jon”, usando el prompt del sistema en nuestra Agents Platform. En él, describimos los rasgos de personalidad principales de Jon, como ser “un representante de ventas cálido y consultivo que hace que los temas complejos de IA sean accesibles”. También definimos su objetivo principal y los escenarios en los que debe actuar, como agendar una reunión o enviar un mensaje a nuestro equipo. Para saber más sobre la estructura exacta que seguimos, consulta nuestra guía de prompting.

Equipamos a Jon con una base de conocimientos extensa, que incluye más de cien preguntas frecuentes y una visión general de las capacidades de nuestro producto desde la documentación de nuestro sitio web. Por ahora, actualizamos manualmente la base de conocimientos de Jon a medida que se lanzan nuevos productos o características. Pronto, será posible agregar una URL objetivo y que la base de conocimientos se actualice automáticamente de manera regular.

Después del lanzamiento, trabajamos con líderes de ventas de nuestro equipo GTM para revisar transcripciones de llamadas, identificar errores y mejorar el rendimiento del agente. Los aprendizajes iniciales incluyeron:

• Encontrar el LLM adecuado para tu caso de uso requiere experimentación: Comenzamos con un modelo optimizado para baja latencia, pero cambiamos a uno más capaz después de observar que el modelo inicial tenía problemas con la fiabilidad y el uso de herramientas. La actualización redujo alucinaciones, como el agente refiriéndose incorrectamente al año actual, lo que anteriormente causaba errores en el uso de herramientas. LLMs más fuertes también son útiles para necesidades de razonamiento más avanzadas. Por ejemplo, nuestro agente ahora puede ayudar a los leads a estimar su uso esperado de nuestra plataforma. Cuando un lead no está seguro, Jon ahora pregunta por sus llamadas esperadas por día y la duración promedio de las llamadas para calcular el uso mensual estimado.

• El agente puede fallar de maneras preferibles: Hasta que el agente tome el 100% de las decisiones correctamente, ajustamos su prompt del sistema para favorecer falsos positivos sobre falsos negativos: preferimos reunirnos con un lead y guiarlo hacia un camino de autoservicio que perder una oportunidad empresarial potencial.

• Tener en cuenta casos extremos hincha el prompt del sistema con el tiempo e introduce riesgo de error: Después de revisar más de 50 llamadas, introdujimos varias instrucciones “si X, entonces haz Y”. Por ejemplo: “Si el interlocutor habla un idioma diferente al inglés, pregunta si prefiere la reunión en ese idioma o en inglés antes de agendar.” Aunque los LLMs de gran contexto manejan estas reglas de manera efectiva, los prompts hinchados pueden aumentar el riesgo de error. Hemos observado que a medida que los prompts se expanden, ciertos comportamientos, como hacer múltiples preguntas a la vez, se vuelven más persistentes.

• Las barreras de seguridad son efectivas para prevenir eludir procesos: Algunos usuarios pedían repetidamente hablar directamente con nuestro equipo antes de proporcionar información suficiente. Agregar barreras de seguridad explícitas es particularmente efectivo para mitigar estas solicitudes.

• Los usuarios necesitan retroalimentación durante la ejecución de herramientas: Cuando Jon usaba herramientas como verificar la disponibilidad del calendario, los interlocutores a menudo experimentaban silencios confusos. Resolvimos esto agregando una función opcional de “mensaje forzado” que informa al usuario cuando se está utilizando una herramienta.

• Las interacciones basadas en voz fomentan la interacción: Aproximadamente uno de cada cinco leads vuelve a llamar para continuar su interacción con Jon. En un caso, después de conocer nuestro producto y precios, un interlocutor regresó simplemente para pedirle a Jon una receta de espagueti.

2. Capacidades y herramientas personalizadas

Jon tiene acceso a las mismas herramientas que usaría un SDR humano para gestionar conversaciones entrantes de manera independiente.

Al inicio de cada llamada, revisa el envío del formulario de contacto para obtener contexto. Durante la llamada, puede calificar leads y agendar reuniones en tiempo real verificando la disponibilidad en diferentes zonas horarias. Después de agendar una reunión, envía a nuestro equipo un resumen de la llamada.

Jon también puede cambiar sin problemas entre 32 idiomas, con voces optimizadas para cada localidad. En una semana típica, usa más de ocho idiomas.

3. Datos

Al final de cada llamada, Jon captura el caso de uso del lead y la decisión de calificación, escribiendo estos datos directamente en nuestro CRM. Esto da a nuestro equipo visibilidad completa de cada interacción de ventas.

Jon también registra datos estructurados como puntuaciones de satisfacción del cliente. Al final de una conversación, pide a los leads que califiquen su experiencia en una escala del 1 al 10. Revisamos las conversaciones con las calificaciones más altas y más bajas diariamente para entender qué funcionó y qué no.

Estos comportamientos, capacidades y flujos de datos aseguran que Jon opere con fluidez conversacional y eficiencia operativa, manejando los mismos flujos de trabajo que un SDR humano.

Resultados hasta la fecha

Desde su lanzamiento, el SDR de IA ha sido desplegado en 38 países con disponibilidad 24/7. Ahora maneja más de 50 llamadas por semana, equivalente a dos SDRs a tiempo completo.

El 78% de sus decisiones de calificación no requieren intervención humana. En el 22% restante, el agente principalmente hace calificaciones de “falsos positivos” donde califica leads que deberían haber sido descalificados. Preferimos este resultado a la alternativa de descalificar leads que deberían haber sido calificados.

Estos falsos positivos suelen ocurrir cuando los leads estiman pero no pueden confirmar su volumen esperado o el momento de lanzamiento. Los falsos negativos son raros y generalmente ocurren cuando un lead termina la llamada antes de que el agente tenga suficiente información para decidir. En el futuro, el agente devolverá "N/A" para casos incompletos como estos en lugar de descalificar al lead.

"Hemos visto un cambio fundamental en cómo las ventas entrantes pueden funcionar a escala. Con nuestro SDR de IA, cualquiera interesado en nuestra plataforma ahora puede iniciar una conversación personalizada en su propio idioma, en cualquier momento. La mejor manera de entender nuestra plataforma es experimentarla de primera mano, y los leads calificados ahora están agendando reuniones en minutos en lugar de días." – Jonathan Chemouny, EMEA Sales Lead, ElevenLabs

Con una puntuación CSAT promedio de 8.7, las primeras conversaciones muestran cuán rápidamente están cambiando las percepciones sobre lo que los agentes conversacionales pueden lograr. Aquí hay algunos extractos:

• “Gracias por ayudarme hoy. Es la primera vez que descubro un agente de IA tan útil como tú. ¡Y te deseo un buen día!”

• “¡Wow! ¡Wow! Honestamente, eres bueno […] es claro, está bien explicado. Esto es IA conversacional. ¡Honestamente, es genial!” 

• “[Esta conversación] me fue útil. Me da un primer vistazo de los productos que ofreces… hubo algunos pequeños errores, pero por lo demás, la calidad del audio, bueno, la calidad de la voz, es bastante impresionante.”

Mirando hacia el futuro

En los próximos meses, ampliaremos las capacidades del agente a través de nuestra nueva función de workflows. Los workflows están diseñados para manejar conversaciones más complejas y dinámicas y apoyar una toma de decisiones más confiable. Esto también desbloqueará nuevos casos de uso del agente, como ventas salientes y reenganchar leads no receptivos.

Hoy, nuestro equipo revisa cada decisión tomada por el SDR de IA. Pronto, el sistema agendará reuniones directamente en los calendarios de nuestros ejecutivos de cuentas con una lógica de programación que automáticamente asigna cada reunión al propietario correcto.

Nuestro SDR de IA ya ha transformado nuestro proceso de ventas entrantes al cumplir con las expectativas de los prospectos y dar a nuestro equipo más tiempo para centrarse donde importa. Vemos esto como otro paso hacia un futuro donde la voz es la interfaz principal para la tecnología.

¿Quieres construir tus propios agentes conversacionales? Empieza aquí.