Comment nous avons déployé nos entretiens clients à grande échelle avec ElevenLabs Agents

Nous avons utilisé ElevenLabs Agents pour interroger plus de 230 utilisateurs de notre application ElevenReader. 

Dans cet article, nous expliquons comment nous avons conçu l’agent vocal, les résultats de ce test en production et comment vous pouvez utiliser ces outils pour améliorer votre propre produit.

Le défi du passage à l’échelle

Les entretiens clients sont précieux, mais difficiles à déployer à grande échelle. Un entretien en direct de 15 minutes apporte des enseignements importants, mais en planifier plus de quelques-uns par jour représente un défi logistique.

Les agendas coïncident rarement, et pour une petite équipe, accompagner une base d’utilisateurs mondiale dans des dizaines de langues est presque impossible : mener des conversations approfondies 24 h/24 se heurte à des limites physiques.

Les enquêtes sont plus faciles à déployer à grande échelle, mais elles entraînent souvent une perte d’information. Elles réduisent les retours à des choix multiples et passent à côté de l’émotion et des nuances d’une conversation individuelle. Les progrès de l’IA vocale et des LLM permettent désormais de combler cet écart. 

Nous avons créé un enquêteur IA avec ElevenLabs Agents afin de recueillir les retours des utilisateurs au moyen de conversations réelles. Nous avons mené plus de 230 entretiens en moins de 24 heures et avons déjà apporté des améliorations à l’application grâce à ces retours clients.

Créer l’enquêteur IA

Nous avons utilisé la plateforme ElevenLabs Agents pour créer un chercheur conversationnel. Notre objectif était de comprendre la perception des utilisateurs de l’application ElevenReader sur quatre domaines principaux :

• Demandes de fonctionnalités et améliorations
• Principaux cas d’usage
• Comparaisons avec d’autres solutions
• Tarification et valeur de la marque

Nous avons choisi la voix « Hope - The podcaster » pour son ton chaleureux et conversationnel : on a l’impression d’être face à un chercheur empathique. Pour la logique, nous avons sélectionné Gemini 2.5 Flash afin d’équilibrer faible latence et haut niveau d’intelligence.

Prompt et garde-fous

Nous avons élaboré un prompt système demandant à l’agent de poser des questions de suivi afin d’obtenir des informations plus approfondies, tout en maintenant la conversation sur le bon sujet. Lorsqu’un utilisateur répondait de manière vague ou en un mot, l’agent l’invitait à fournir un retour plus détaillé. Avant le lancement, nous avons utilisé les tests simulés d’ElevenLabs pour vérifier que l’agent gérait les cas limites, comme les réponses vagues ou les propos inappropriés.

Consultez ici le prompt système que nous avons utilisé.

Collecte des données

Nous avons utilisé la fonctionnalité Analysis d’ElevenLabs Agents pour évaluer chaque appel. Cet outil extrait des données structurées des transcriptions, ce qui nous permet de transformer des conversations ouvertes en informations exploitables. Par exemple, nous pouvions suivre automatiquement les réponses aux questions suivantes :

• « Comment utilisez-vous principalement ElevenReader aujourd’hui ? »
• « De quelles deux manières amélioreriez-vous l’application ? »

L’agent a utilisé l’outil end_call pour clore les conversations après dix minutes et remercier poliment l’utilisateur pour son temps.

Les résultats

En 24 heures, nous avons recueilli plus de 36 heures de conversations au total.

• Taux de réussite : 85 % des appels ont abouti et sont restés dans le sujet.
• Engagement : La durée médiane des appels était de 10 minutes, soit le maximum autorisé.
• Profondeur : Une conversation a atteint 87 messages. La médiane était de 25 messages. 
• Coût : Chaque appel de 10 minutes a coûté un peu moins de 1,00 $, soit 9 cents par minute, le tout hébergé par ElevenLabs Agents

Analyser les données

Nous avons utilisé Claude Opus 4.5 pour analyser les 36 heures de transcriptions et identifier des tendances et des enseignements selon les principes de la recherche UX.

Si le modèle a fait ressortir des thèmes généraux, nous avons affiné l’analyse avec des prompts supplémentaires pour dégager des informations précises, comme la segmentation des utilisateurs, les retours sur la navigation et la sensibilité au prix selon les régions.

Pour partager ces résultats en interne, nous avons créé un support interactif avec Claude. Notre équipe peut désormais cliquer sur des points de données précis pour consulter les citations exactes des utilisateurs à l’origine de chaque tendance.

Principaux enseignements

Les utilisateurs étaient à l’aise pour parler avec une IA : près de 95 % des répondants ont échangé directement avec l’enquêteur sans relever qu’il s’agissait d’un agent conversationnel. Un utilisateur a déclaré :

« Franchement, cet entretien avec le service client est l’expérience IA la plus remarquable que j’aie jamais vécue. J’aimerais que tous les questionnaires soient comme celui-ci et que tous les services clients numériques soient comme celui-ci. »

Nous avons constaté que :

• Besoins segmentés : 21 % des lecteurs de fiction d’ElevenReader ont demandé des dialogues à plusieurs personnages, un taux bien plus élevé que dans les autres segments d’utilisateurs.
• Valeur de la marque : Les utilisateurs associent ElevenReader à la liberté d’écouter n’importe quel livre, où qu’ils soient, avec une qualité vocale naturelle.
• Besoins liés aux langues : Les utilisateurs ont identifié des situations dans lesquelles le modèle Text to Speech (TTS) de l’application confond les langues et les accents : des axes d’amélioration clairs. 
• Signalements de bugs : Les entretiens ont mis en évidence des problèmes précis que notre équipe d’ingénierie a corrigés dès le lendemain.

Perspectives

L’avenir de la recherche utilisateur est conversationnel : les agents vocaux IA vous permettent d’écouter vos utilisateurs et d’échanger avec eux à l’échelle mondiale, au moment qui leur convient.

Ce test a montré avec quel réalisme et quelle fiabilité les agents IA peuvent mener des entretiens approfondis à grande échelle. Associées à l’analyse de texte par des LLM, ces conversations ont révélé des tendances parmi des centaines de réponses, des enseignements qui auraient été difficiles à dégager manuellement.

Vous pouvez créer un enquêteur IA similaire avec ElevenLabs Agents : commencez à développer dès aujourd’hui ou contactez notre équipe pour en savoir plus.