Cómo usamos ElevenAgents para ahorrar 1200 horas al mes en las operaciones diarias

En ElevenLabs, nuestros agentes internos ahorran a los equipos más de 1200 horas al mes en las operaciones diarias. Responden más de 5000 preguntas al mes y también actúan: crean decenas de demos personalizadas para clientes y abrieron más de 150 tickets el último mes.

Estos agentes empezaron como una forma de consultar más fácilmente información interna en Slack, como datos de retención de usuarios, la documentación adecuada o el historial de una cuenta. Después evolucionaron para actuar: un compañero hace una pregunta, informa de un error o solicita una demo, y el agente responde o atiende la solicitud. 

Bot de FDE creando una demo para un cliente

Ventas: respuestas sobre cuentas y demos bajo demanda

Los equipos de ventas usan dos agentes: el bot de go-to-market (GTM) para preguntas sobre clientes y el bot de Forward Deployed Engineer (FDE) para preguntas sobre el producto y demos. Algunos ejemplos recientes:

• Pregunta de ventas para el bot de GTM: «¿Quiénes son nuestros principales clientes con derechos de uso de logotipo en Reino Unido, Francia y Alemania?» o «¿Cuáles son nuestros principales casos de uso de la API?»
• Pregunta sobre el producto para el bot de FDE: «Si un cliente potencial quiere crear un SDR de IA saliente que reserve reuniones en nombre de los AE, ¿qué tipo de integraciones necesita?»

Nuestro bot de FDE también crea demos completas para clientes bajo demanda: monta un agente funcional configurado para el caso de uso de un cliente potencial directamente a partir de un mensaje. 

Soporte e ingeniería: automatización de los procesos de clasificación

Nuestro bot de clasificación creó 150 tickets nuevos solo el último mes, una tarea que antes requería mucho trabajo manual tanto por parte de soporte como de ingeniería. 

Gestiona solicitudes de funcionalidades y errores, y utiliza distintos procedimientos para cada tipo de incidencia. Antes de crear un ticket, busca contexto relevante en Slack, elimina duplicados entre los tickets existentes y se asegura de que haya suficiente detalle para diagnosticar la incidencia antes de abrir un ticket en Linear con la prioridad correcta. Después lo asigna al equipo adecuado usando el documento de responsabilidades que subimos a la base de conocimientos de los agentes.

Producto y marketing de producto: análisis de datos

Los equipos de producto y marketing de producto hacen preguntas sobre datos en canales específicos de cada área y reciben el análisis en el hilo. Este es un ejemplo reciente: «¿Cómo ha cambiado en los últimos 6 meses la conversión de gratis a pago de los suscriptores de autoservicio de ElevenCreative en EE. UU.? ¿Cuáles son los principales factores?»

Los compañeros pueden debatir o hacer preguntas de seguimiento en el mismo hilo. La calidad de las respuestas depende de lo que el agente pueda ver, por eso seleccionamos los datos de cada agente (más información abajo).

Lo que hemos aprendido

Los agentes internos deben ser fiables y precisos desde el principio; de lo contrario, el equipo deja de usarlos y de confiar en ellos. En un canal compartido, los errores son más visibles, pero también los éxitos, lo que ha ayudado a su adopción.

Estas son algunas otras medidas que nos ayudaron:

• La selección del esquema supera a la ingeniería de prompts. Obtuvimos las mayores mejoras en la calidad de las respuestas de nuestros agentes de recuperación al eliminar campos, no al ajustar el prompt del sistema. Cada columna o campo de objeto adicional daba al modelo un lugar más para equivocarse, y limitar el esquema a un conjunto reducido de campos críticos mejoró la precisión más que cualquier cambio de prompt que probamos.
• Tipado de listas de selección. Los campos de Salesforce, como la fase de una oportunidad o el tipo de cuenta, son listas de selección: un conjunto fijo de valores válidos. Sin restricciones, un modelo puede generar un valor que suena plausible pero no existe en Salesforce. Ahora obtenemos los valores válidos al iniciar e los incluimos en las definiciones de tipo de la herramienta MCP, para que el modelo solo pueda elegir opciones reales.
• Simplifica los procedimientos. A medida que añades procedimientos a un agente, algunos pueden solaparse. Architect de ElevenAgents puede reestructurarlos para que quede claro cuándo iniciar cada uno y no haya lógicas en conflicto.
• Verificación de tareas. Después de crear un ticket en Linear, el agente verifica que los campos estén configurados correctamente y que el ticket se haya asignado al equipo adecuado. Esto ha reducido las alucinaciones ocasionales y las asignaciones al equipo equivocado.

Pruébalo tú mismo

Los agentes forman parte del trabajo diario en ElevenLabs. Si te interesa crear el tuyo, descubre más sobre ElevenAgents.