Comment nous utilisons ElevenAgents pour économiser 1 200 heures par mois dans nos opérations quotidiennes

Chez ElevenLabs, nos agents internes font économiser aux équipes plus de 1 200 heures par mois dans leurs opérations quotidiennes. Ils répondent à plus de 5 000 questions chaque mois, mais ils passent aussi à l’action : ils conçoivent des dizaines de démos personnalisées pour les clients et ont ouvert plus de 150 tickets le mois dernier.

Ces agents ont d’abord permis d’accéder plus facilement aux informations internes dans Slack, telles que les données de fidélisation des utilisateurs, la documentation pertinente ou l’historique d’un compte. Ils ont ensuite évolué pour passer à l’action : un collègue pose une question, signale un bug ou demande une démo, et l’agent répond ou traite la demande. 

Bot FDE créant une démo client

Ventes : réponses sur les comptes et démos à la demande

Les équipes commerciales utilisent deux agents : le bot go-to-market (GTM) pour les questions clients, et le bot Forward Deployed Engineer (FDE) pour les questions produit et les démos. Voici quelques exemples récents :

• Question commerciale pour le bot GTM : « Quels sont nos principaux clients disposant de droits d’utilisation du logo au Royaume-Uni, en France et en Allemagne ? » ou « Quels sont nos principaux cas d’usage de l’API ? »
• Question produit pour le bot FDE : « Si un prospect souhaite concevoir un agent commercial IA de prospection qui prend des rendez-vous pour le compte de responsables commerciaux, de quelles intégrations a-t-il besoin ? »

Notre bot FDE conçoit également des démos client complètes à la demande, en assemblant directement depuis un message un agent fonctionnel configuré pour le cas d’usage d’un prospect. 

Support et ingénierie : automatiser les processus de triage

Notre bot de triage a créé 150 nouveaux tickets le mois dernier seulement, une tâche auparavant très manuelle pour les équipes de support comme d’ingénierie. 

Il traite les demandes de fonctionnalités comme les bugs, en utilisant différentes Procédures pour chaque type de problème. Avant de créer un ticket, il recherche le contexte pertinent dans Slack, élimine les doublons parmi les tickets existants et vérifie que les détails sont suffisants pour diagnostiquer le problème avant d’ouvrir un ticket Linear avec la bonne priorité. Il le dirige ensuite vers l’équipe appropriée en s’appuyant sur le document de responsabilités que nous avons ajouté à la base de connaissances des agents.

Produit et marketing produit : analyse des données

Les équipes produit et marketing produit posent des questions sur les données dans des canaux dédiés à leur domaine et reçoivent l’analyse dans le fil de discussion. Voici un exemple récent : « Comment le taux de conversion du gratuit au payant a-t-il évolué ces six derniers mois aux États-Unis pour les abonnés ElevenCreative en libre-service ? Quels en sont les principaux moteurs ? »

Les collègues peuvent échanger ou poser des questions complémentaires dans le même fil. La qualité des réponses dépend de ce que l’agent peut consulter, c’est pourquoi nous sélectionnons soigneusement les données de chaque agent (voir plus bas).

Ce que nous avons appris

Les agents internes doivent être fiables et précis dès le départ, faute de quoi l’équipe cesse de les utiliser et de leur faire confiance. Dans un canal partagé, les erreurs sont plus visibles, mais les réussites le sont aussi, ce qui a favorisé leur adoption.

Voici quelques autres éléments qui ont fait la différence :

• La sélection du schéma est plus efficace que l’ingénierie des prompts. Nous avons obtenu les améliorations les plus importantes de la qualité des réponses de nos agents de recherche en supprimant des champs, plutôt qu’en ajustant le prompt système. Chaque colonne ou champ d’objet supplémentaire donnait au modèle une occasion de se tromper, et limiter le schéma à un ensemble restreint de champs critiques a davantage amélioré la précision que toutes les modifications de prompts que nous avons testées.
• Typage des listes de sélection. Les champs Salesforce, comme l’étape d’une opportunité ou le type de compte, sont des listes de sélection : un ensemble fixe de valeurs valides. Sans contrainte, un modèle peut générer une valeur plausible qui n’existe pas dans Salesforce. Nous récupérons désormais les valeurs valides au démarrage et les injectons dans les définitions de types de l’outil MCP, afin que le modèle ne puisse choisir que parmi les options réelles.
• Élaguer les procédures. À mesure que vous ajoutez des procédures à un agent, certaines peuvent se chevaucher. Architect d’ElevenAgents peut les restructurer afin d’indiquer clairement quand lancer chacune d’elles et d’éviter toute logique contradictoire.
• Vérification des tâches. Après avoir créé un ticket Linear, l’agent vérifie que les champs sont correctement renseignés et que le ticket a été attribué à la bonne équipe. Cela a limité les hallucinations occasionnelles et les erreurs de sélection d’équipe.

Essayez par vous-même

Les agents font partie du travail quotidien chez ElevenLabs. Si vous souhaitez concevoir le vôtre, retrouvez plus d’informations sur ElevenAgents.