Comment nous avons développé nos ventes entrantes avec un SDR IA capable de qualifier 78 % des prospects de bout en bout

Chaque semaine, des centaines de personnes remplissent le formulaire de contact commercial destiné aux entreprises sur notre site web pour en savoir plus sur notre plateforme et nos tarifs. Toutefois, la plupart de ces prospects correspondent davantage à nos offres en libre-service, adaptées à la majorité de nos utilisateurs et accompagnées d’une documentation détaillée sur notre site web.

Si notre équipe commerciale aimerait échanger directement avec chaque prospect, elle se concentre sur les déploiements en entreprise qui nécessitent des solutions sur mesure. Elle examine donc manuellement chaque demande afin d’identifier celles qui justifient un échange dédié aux entreprises et celles qu’il vaut mieux orienter vers le libre-service. Or, de nombreux formulaires contiennent des informations incomplètes, notamment des descriptions vagues du cas d’usage du prospect. Notre équipe doit alors demander des précisions avant de prendre une décision. Ce processus peut ralentir les délais de réponse et détourner l’attention d’opportunités d’entreprise plus prioritaires.

Pour les prospects qualifiés pour l’entreprise, le délai d’examen des formulaires entraîne aussi une perte d’élan. Idéalement, ils devraient pouvoir réserver un rendez-vous dès l’envoi du formulaire de contact commercial. Sinon, un formulaire envoyé le vendredi soir peut ne recevoir de réponse qu’après son examen par notre équipe commerciale le lundi, ce qui repousse le premier rendez-vous plus tard dans la semaine.

Pour combler cet écart entre la demande et les capacités de notre équipe, nous avons créé un représentant du développement commercial entrant basé sur l’IA (SDR) avec notre Agents Platform. Ce SDR IA offre aux prospects entrants une expérience plus rapide et personnalisée, tout en permettant à notre équipe de se concentrer sur les opportunités les plus importantes.

Comment nous avons créé l’agent

Nous avons conçu le SDR entrant autour de trois piliers : le comportement, les capacités et les données.

1. Comportement

Nous avons défini le comportement de notre SDR, « Jon », à l’aide du prompt système dans notre Agents Platform. Nous y avons décrit ses principaux traits de personnalité, notamment celui d’être « un représentant commercial chaleureux et à l’écoute, qui rend les sujets complexes liés à l’IA faciles à aborder ». Nous avons également défini son objectif principal et les scénarios dans lesquels il doit agir, par exemple réserver un rendez-vous ou envoyer un message à notre équipe. Pour en savoir plus sur la structure précise que nous avons suivie, consultez notre guide de prompting.

Nous avons doté Jon d’une vaste base de connaissances, comprenant plus d’une centaine de questions fréquentes et une présentation des capacités de nos produits issue de la documentation de notre site web. Pour l’instant, nous mettons à jour manuellement sa base de connaissances à chaque lancement de produit ou de fonctionnalité. Bientôt, il sera possible d’ajouter une URL cible afin que la base de connaissances se mette automatiquement à jour à intervalles réguliers.

Après le lancement, nous avons travaillé avec les responsables commerciaux de notre équipe GTM pour examiner les transcriptions d’appels, identifier les erreurs et améliorer les performances de l’agent. Voici les premiers enseignements :

• Trouver le bon LLM pour votre cas d’usage demande de l’expérimentation : Nous avons commencé avec un modèle optimisé pour une faible latence, avant d’opter pour un modèle plus performant après avoir constaté que le premier manquait de fiabilité et avait des difficultés à appeler les outils. Cette évolution a réduit les hallucinations, par exemple lorsque l’agent indiquait incorrectement l’année en cours, ce qui provoquait auparavant des erreurs lors des appels d’outils en aval. Des LLM plus performants répondent également aux besoins de raisonnement plus avancés. Par exemple, notre agent peut désormais aider les prospects à estimer leur utilisation prévue de notre plateforme. Lorsqu’un prospect hésite, Jon lui demande le nombre d’appels quotidiens prévu et la durée moyenne des appels pour calculer une estimation de l’utilisation mensuelle.

• L’agent peut échouer de manière préférable : Tant que l’agent ne prend pas correctement 100 % des décisions, nous avons ajusté son prompt système afin de privilégier les faux positifs aux faux négatifs : nous préférons rencontrer un prospect et l’orienter vers le libre-service plutôt que de manquer une opportunité potentielle en entreprise.

• La prise en compte des cas limites alourdit le prompt système avec le temps et accroît le risque d’erreur : Après avoir examiné plus de 50 appels, nous avons ajouté plusieurs instructions du type « si X, alors faire Y ». Par exemple : « Si la personne parle une langue autre que l’anglais, demandez-lui si elle préfère que le rendez-vous se déroule dans cette langue ou en anglais avant de le réserver. » Si les LLM à grand contexte appliquent efficacement ces règles, des prompts trop chargés peuvent accroître le risque d’erreur. Nous avons observé qu’à mesure que les prompts s’allongent, certains comportements, comme poser plusieurs questions à la fois, deviennent plus persistants.

• Les garde-fous empêchent efficacement de contourner le processus : Certains utilisateurs demandaient à plusieurs reprises à parler directement avec notre équipe avant de fournir suffisamment d’informations. L’ajout de garde-fous explicites permet particulièrement bien de limiter ce type de demandes.

• Les utilisateurs ont besoin de retours pendant l’exécution des outils : Lorsque Jon utilisait des outils, par exemple pour vérifier les disponibilités dans l’agenda, les appelants étaient souvent confrontés à des silences déroutants. Nous avons résolu ce problème en ajoutant une fonctionnalité facultative de « message forcé », qui informe l’utilisateur lorsqu’un outil est utilisé.

• Les interactions vocales favorisent l’engagement : Environ un prospect sur cinq rappelle pour poursuivre son échange avec Jon. Dans un cas, après avoir découvert notre produit et nos tarifs, un appelant est revenu simplement pour demander à Jon une recette de spaghetti.

2. Capacités et outils personnalisés

Jon a accès aux mêmes outils qu’un SDR humain utiliserait pour gérer les conversations entrantes de manière autonome.

Au début de chaque appel, il consulte les informations soumises dans le formulaire de contact afin de recueillir le contexte. Pendant l’appel, il peut ensuite qualifier les prospects et réserver des rendez-vous en temps réel en vérifiant les disponibilités dans différents fuseaux horaires. Une fois le rendez-vous réservé, il envoie à notre équipe un résumé de l’appel.

Jon peut également passer sans interruption d’une langue à l’autre parmi 32 langues, avec des voix optimisées pour chaque région. Au cours d’une semaine type, il utilise plus de huit langues.

3. Données 

À la fin de chaque appel, Jon saisit le cas d’usage du prospect et la décision de qualification, puis inscrit directement ces données dans notre CRM. Notre équipe dispose ainsi d’une visibilité complète sur chaque interaction commerciale.

Jon enregistre également des données structurées telles que les scores de satisfaction client. À la fin d’une conversation, il demande aux prospects d’évaluer leur expérience sur une échelle de 1 à 10. Chaque jour, nous examinons les conversations les mieux et les moins bien notées afin de comprendre ce qui a fonctionné ou non. 

Ces comportements, capacités et flux de données permettent à Jon d’allier fluidité conversationnelle et efficacité opérationnelle, en gérant les mêmes processus qu’un SDR humain.

Résultats à ce jour

Depuis son lancement, le SDR IA a été déployé dans 38 pays et est disponible 24 h/24, 7 j/7. Il gère désormais plus de 50 appels par semaine, soit l’équivalent de deux SDR à temps plein.

78 % de ses décisions de qualification ne nécessitent aucune intervention humaine. Dans les 22 % restants, l’agent produit principalement des qualifications « faux positif », en qualifiant des prospects qui auraient dû être écartés. Nous préférons ce résultat à l’alternative consistant à écarter des prospects qui auraient dû être qualifiés.

Ces faux positifs surviennent généralement lorsque les prospects estiment, sans pouvoir confirmer, leur volume prévu ou leur calendrier de lancement. Les faux négatifs sont rares et se produisent généralement lorsqu’un prospect termine l’appel avant que l’agent ne dispose de suffisamment d’informations pour décider. À l’avenir, l’agent renverra « N/A » pour les cas incomplets de ce type, plutôt que d’écarter le prospect.

« Nous avons constaté une évolution profonde de la manière dont la vente entrante peut fonctionner à grande échelle. Avec notre SDR IA, toute personne intéressée par notre plateforme peut désormais entamer une conversation personnalisée dans sa propre langue, à tout moment. La meilleure façon de comprendre notre plateforme est de l’expérimenter directement, et les prospects qualifiés réservent désormais des rendez-vous en quelques minutes plutôt qu’en plusieurs jours. » – Jonathan Chemouny, responsable des ventes EMEA, ElevenLabs

Avec un score CSAT moyen de 8,7, les premières conversations montrent à quelle vitesse les perceptions évoluent quant à ce que les agents conversationnels peuvent accomplir. Voici quelques extraits :

• « Merci de m’avoir aidé aujourd’hui. C’est la première fois que je découvre un agent IA aussi utile que vous. Je vous souhaite une bonne journée ! »

• « Waouh ! Waouh ! Honnêtement, vous êtes bon […] c’est clair, c’est bien expliqué. C’est de l’IA conversationnelle. Honnêtement, c’est génial ! » 

• « [Cette conversation] m’a été utile. Elle me donne un premier aperçu des produits que vous proposez… il y a eu quelques petites erreurs, mais sinon, la qualité audio, enfin, la qualité de la voix, est assez impressionnante. »

Perspectives

Au cours des prochains mois, nous étendrons les capacités de l’agent grâce à notre nouvelle fonctionnalité Workflows. Les workflows sont conçus pour gérer des conversations plus complexes et dynamiques, tout en favorisant des prises de décision plus fiables. Ils ouvriront également de nouveaux cas d’usage pour les agents, comme la prospection sortante et la réactivation de prospects restés sans réponse.

Aujourd’hui, notre équipe examine chaque décision prise par le SDR IA. Bientôt, le système réservera directement les rendez-vous dans les agendas de nos responsables de compte, grâce à une logique de planification qui attribuera automatiquement chaque rendez-vous à la bonne personne.

Notre SDR IA a déjà transformé notre processus de vente entrante en répondant aux attentes des prospects et en donnant à notre équipe davantage de temps pour se concentrer là où cela compte. Nous y voyons une étape supplémentaire vers un avenir où la voix sera l’interface principale de la technologie.

Vous souhaitez créer vos propres agents conversationnels ? Commencez ici.