Resumen del webinar: Crea un coach de GTM con IA usando Lovable y ElevenLabs

La mayoría de los equipos de capacitación comercial han llevado a cabo algún programa de simulaciones de ventas. Pero es difícil implementar uno que representantes comerciales lleguen a completar. Y aún más difícil diseñarlo en torno a las conversaciones únicas que realmente tiene tu equipo. 

En Taller en directo: Crea un coach de GTM con IA con Lovable y ElevenLabs, Morgan Jacobson (Capacitación de GTM en Lovable) y Remy Khoung (Capacitación de GTM en ElevenLabs) explicaron cómo resolvieron este problema creando un coach de GTM con IA.

Compartieron los entresijos de cómo los implementaron en sus equipos de Lovable y ElevenLabs, además de algunos aprendizajes prácticos del desarrollo. 

Limitaciones de las simulaciones de ventas 

Remy y Morgan se encontraban constantemente con estas limitaciones en sus simulaciones de ventas: 

1. La calidad de los compañeros de práctica varía, así que las sesiones a veces se convertían en un repaso en lugar de una conversación real con un comprador
2. No había una medición objetiva hasta que el representante ya estaba frente a un cliente
3. Era difícil coordinar sesiones en directo entre distintos husos horarios
4. Las simulaciones entre compañeros obligan a representantes a arriesgarse a parecer poco preparados ante quienes los evalúan

Un representante de ventas pendiente de cómo lo percibe su responsable centra su atención en la sala en vez de en la habilidad.

Eliminar al público del ejercicio es lo que hace posible repetir de verdad.

Para resolver algunos de estos problemas, decidieron crear un coach de GTM con IA siempre disponible, entrenado con las mejores conversaciones con compradores. 

Cómo crearon un coach de GTM con IA 

ElevenAgents actuó como agente subyacente y Lovable como front end. 

El agente
El prompt de sistema era la pieza clave del agente. El escenario, las reglas sobre qué información revelará o no el comprador y la rúbrica de evaluación formaban parte de las instrucciones. La elección del modelo, el idioma y la voz constituían la configuración adicional.

El front end
Lovable gestionaba todo lo que toca el representante: el estudio de simulaciones, la carga de transcripciones, la tarjeta de evaluación en directo, los itinerarios de certificación y la asignación de ejercicios con seguimiento de finalización.

Tres decisiones detrás de la persona compradora

Tres elecciones dieron forma al desarrollo.

1. Revelación escalonada. El comprador con IA no revela información de forma espontánea, así que el representante tiene que ganársela con un punto de vista o una pregunta precisa. También evita que un representante supere el ejercicio con tres preguntas genéricas.
2. Evaluación estructurada. Al final, el agente sale de su papel y evalúa según criterios definidos. En el desarrollo mostrado, eran la precisión técnica, la credibilidad ante el comprador y si el representante adaptaba su propuesta al nivel del comprador.
3. Modo de enseñanza. Si un representante se bloquea, lo dice; el agente pausa, enseña la habilidad con una pregunta de ejemplo concreta o la historia de un cliente, y el ejercicio continúa. Esto hace que el uso repetido resulte seguro en lugar de intimidante.

Demo 1: El estudio de simulaciones de Lovable

Escenario: Un representante realiza una llamada de descubrimiento con una compradora de IA llamada Sarah, cuyo equipo tiene dificultades para mantener mensajes coherentes y tarda demasiado en formar a nuevos representantes. 

Qué se mostró:

• El representante abre con una agenda, presenta un punto de vista sobre la dificultad de incorporación y va más allá del problema declarado hasta llegar al impacto en el negocio, momento en que la compradora revela una oportunidad perdida
• Una tarjeta de evaluación que se completa en directo durante la llamada y una tarjeta completa al final, ambas configuradas en lenguaje natural según la metodología de la propia empresa
• Escenarios generados al dar instrucciones directamente al agente de Lovable, o al dirigir Claude mediante MCP a una biblioteca de llamadas históricas para que cree réplicas de las más habituales

Por qué importa: La calidad de la simulación y la calidad de la interfaz son dos problemas distintos, y la mayoría de programas solo consigue resolver el primero.

Demo 2: Configuración del agente de ElevenAgents 

Escenario: La capa de agente bajo la interfaz, mostrada a través de la configuración de una implementación de ElevenAgents.

Qué se mostró:

• El prompt de sistema: escenario, reglas de revelación y rúbrica de evaluación, todo como instrucciones en lenguaje claro
• Un primer mensaje que marca el tono y abre el escenario en cuanto el agente responde
• Selección de idioma entre más de 70 idiomas: un agente puede gestionar varios o puede haber uno por idioma
• Selección entre más de 10.000 voces, algunas de las cuales funcionan mejor en determinados idiomas
• Una base de conocimientos opcional para documentos de ICP y de personas

Por qué importa: Una simulación solo funciona si el agente responde bien. Eso depende de la calidad de voz, la baja latencia y los turnos de conversación, todo integrado en una misma plataforma. 

Buenas prácticas para crear un coach de simulaciones con IA

Escribe la rúbrica antes que el prompt. Define los criterios que representantes deben cumplir y crea después el agente para ponerlos a prueba. Hacerlo al revés genera una tarjeta de evaluación que representantes perciben como genérica, la forma más rápida de perderlos. En el despliegue mostrado, primero se definieron cinco criterios y el agente se creó en torno a ellos.

Extrae los escenarios de llamadas reales. En lugar de inventar escenarios, dirige Claude mediante MCP a una biblioteca de llamadas de ventas históricas, pídele que resuma las que más se repiten y crea réplicas de estas. 

Mantén las respuestas cortas en el prompt. Entre dos y cuatro frases. Con más, el agente tiende a desviarse con mayor frecuencia. 

Adapta el modelo a la complejidad de la conversación. Un modelo ligero y rápido para simulaciones sencillas; uno más potente cuando la conversación realmente lo necesite, equilibrando latencia y coste. 

Ajusta los prompts a las objeciones regionales.El despliegue en distintas regiones fue la parte fácil. El problema fue ajustar los prompts, porque un comprador empresarial de Estados Unidos plantea objeciones de forma distinta a uno de EMEA, India o Japón. Estas convenciones deben definirse con representantes locales e incluirse por escrito.

Aborda la adopción como gestión del cambio. Alineación del liderazgo, distribución liderada por vicepresidencias, una tarjeta de evaluación fiable y ejercicios competitivos. El desarrollo lleva una tarde, pero sumar a representantes con experiencia requiere más tiempo. 

Ve la sesión completa

Ve el webinar completo aquí.