Cómo escalamos nuestro proceso de entrevistas con clientes con ElevenLabs Agents

Usamos ElevenLabs Agents para entrevistar a más de 230 usuarios de nuestra app ElevenReader. 

En este artículo compartimos cómo creamos el agente de voz, los resultados de esta prueba en producción y cómo puedes usar estas herramientas para mejorar tu propio producto.

El reto de escalar

Valoramos las entrevistas con clientes, pero escalarlas es difícil. Una entrevista en directo típica de 15 minutos ofrece información muy valiosa, pero programar más de unas pocas al día supone un reto logístico.

Los calendarios rara vez coinciden y atender a una base de usuarios global en decenas de idiomas es casi imposible para un equipo pequeño: mantener conversaciones en profundidad a cualquier hora tiene límites físicos.

Aunque las encuestas son más fáciles de escalar, a menudo pierden información. Reducen los comentarios a opciones de respuesta múltiple y pasan por alto la emoción y los matices de una conversación individual. Gracias a los avances en voz IA y LLM, ahora podemos cerrar esa brecha. 

Creamos un entrevistador de IA con ElevenLabs Agents para recoger opiniones de usuarios a través de conversaciones reales. Realizamos más de 230 entrevistas en menos de 24 horas y ya hemos incorporado mejoras en la app a partir de estas conclusiones de clientes.

Creación del entrevistador de IA

Usamos la plataforma ElevenLabs Agents para crear un investigador conversacional. Nuestro objetivo era comprender la percepción de usuarios de la app ElevenReader en cuatro áreas principales:

• Solicitudes de funciones y mejoras
• Casos de uso principales
• Comparaciones con competidores
• Precios y valor de marca

Elegimos la voz «Hope - The podcaster» por su tono cercano y conversacional: transmite la sensación de estar frente a un investigador empático. Para la lógica, seleccionamos Gemini 2.5 Flash para equilibrar baja latencia y alta inteligencia.

Prompting y medidas de seguridad

Diseñamos un prompt de sistema que indicaba al agente que hiciera preguntas de seguimiento para obtener conclusiones más profundas, sin perder el hilo de la conversación. Si un usuario respondía de forma vaga o con una sola palabra, el agente le pedía comentarios más detallados. Antes del lanzamiento, utilizamos las pruebas simuladas de ElevenLabs para asegurarnos de que el agente gestionaba casos límite, como respuestas vagas o lenguaje inapropiado.

Consulta aquí el prompt de sistema que utilizamos.

Recopilación de datos

Utilizamos la función Análisis de ElevenLabs Agents para evaluar cada llamada. Esta herramienta extrae datos estructurados de las transcripciones, lo que nos permite transformar conversaciones abiertas en conclusiones tangibles. Por ejemplo, podíamos hacer un seguimiento automático de las respuestas a:

• «¿Cómo usas principalmente ElevenReader actualmente?»
• «¿De qué dos maneras mejorarías la app?»

El agente utilizó la herramienta end_call para cerrar las conversaciones tras diez minutos y agradecer educadamente al usuario su tiempo.

Los resultados

En 24 horas, recopilamos más de 36 horas de conversación en total.

• Tasa de éxito: el 85 % de las llamadas fueron exitosas y se mantuvieron en el tema.
• Interacción: la duración mediana de las llamadas fue de 10 minutos (el máximo permitido).
• Profundidad: una conversación llegó a 87 mensajes. La mediana fue de 25 mensajes. 
• Coste: cada llamada de 10 minutos costó algo menos de 1,00 $, es decir, 9 céntimos por minuto, y todas se realizaron a través de ElevenLabs Agents

Análisis de los datos

Utilizamos Claude Opus 4.5 para analizar las 36 horas de transcripciones e identificar tendencias y conclusiones basadas en principios de investigación UX.

Aunque el modelo proporcionó temas generales, perfeccionamos el análisis con prompts adicionales para revelar conclusiones más específicas, como la segmentación de usuarios, comentarios sobre la navegación y sensibilidad al precio por región.

Para compartir estos resultados internamente, creamos un recurso interactivo con Claude. Ahora nuestro equipo puede hacer clic en puntos de datos concretos para ver las citas exactas de usuarios que fundamentaron cada tendencia.

Conclusiones principales

Usuarios se sintieron cómodos hablando con una IA: casi el 95 % de las personas encuestadas interactuó directamente con el entrevistador sin reconocer que era un agente conversacional. Un usuario dijo:

«Bueno, esta entrevista de atención al cliente es la experiencia con IA más extraordinaria que creo haber tenido nunca. Ojalá todos los cuestionarios fueran así y todos los servicios digitales de atención al cliente fueran así».

Aprendimos lo siguiente:

• Necesidades por segmentos: el 21 % de lectores de ficción de ElevenReader solicitó diálogos con varios personajes, una proporción mucho mayor que en otros segmentos de usuarios.
• Valor de marca: usuarios asocian ElevenReader con la libertad de escuchar cualquier libro, en cualquier lugar, con la calidad de voz más natural.
• Necesidades lingüísticas: usuarios identificaron áreas en las que el modelo de Texto a Voz (TTS) de la app confunde idiomas y acentos, áreas claras de mejora. 
• Informes de errores: las entrevistas señalaron problemas concretos que nuestro equipo de ingeniería solucionó al día siguiente.

Implicaciones futuras

El futuro de la investigación de usuarios es conversacional: los agentes de voz IA te permiten escuchar y hablar con tus usuarios de todo el mundo cuando les venga bien.

Esta prueba demostró que los agentes de IA pueden realizar entrevistas en profundidad a escala de forma realista y fiable. Junto con el análisis de texto mediante LLM, estas conversaciones revelaron patrones en cientos de respuestas: conclusiones que habría sido difícil descubrir manualmente.

Puedes crear un entrevistador de IA similar con ElevenLabs Agents: empieza a crear hoy mismo o contacta con nuestro equipo para obtener más información.