वेबिनार रिकैप: Lovable और ElevenLabs के साथ AI GTM कोच बनाएं

ज़्यादातर एनेबलमेंट टीम्स ने रोल प्ले प्रोग्राम चलाए हैं। लेकिन ऐसा प्रोग्राम चलाना मुश्किल है जिसे रिप्स सच में पूरा करें। और इसे आपकी टीम की वास्तविक, खास बातचीतों के आधार पर बनाना उससे भी मुश्किल है। 

लाइव वर्कशॉप: Lovable और ElevenLabs के साथ AI GTM कोच बनाएं में, Morgan Jacobson (Lovable में GTM एनेबलमेंट) और Remy Khoung (ElevenLabs में GTM एनेबलमेंट) ने बताया कि उन्होंने AI GTM कोच बनाकर इस समस्या को कैसे हल किया।

उन्होंने Lovable और ElevenLabs में अपनी टीम्स के लिए इसे लॉन्च करने के पीछे की प्रक्रिया और इसे बनाने से मिले कुछ व्यावहारिक सबक भी साझा किए। 

सेल्स रोल प्ले की सीमाएं 

Remy और Morgan को अपने सेल्स रोल प्ले में लगातार इन सीमाओं का सामना करना पड़ रहा था: 

1. प्रैक्टिस पार्टनर्स की गुणवत्ता अलग-अलग होती है, इसलिए सेशन कभी-कभी असली खरीदार से बातचीत के बजाय सिर्फ वॉकथ्रू बन जाते हैं
2. रिप के ग्राहक के सामने जाने से पहले कोई वस्तुनिष्ठ आकलन नहीं होता था
3. अलग-अलग टाइम ज़ोन में लाइव सेशंस को समन्वित करना मुश्किल था
4. पीयर रोल प्ले में रिप्स को उन लोगों के सामने तैयारी अधूरी दिखने का जोखिम उठाना पड़ता है जो उनका आकलन करते हैं

जो सेल्स रिप अपने मैनेजर के सामने अपनी छवि संभालने में लगा है, उसका ध्यान कौशल के बजाय कमरे में मौजूद लोगों पर रहता है।

अभ्यास से दर्शकों को हटाने पर ही असली दोहराव संभव होता है।

इनमें से कुछ समस्याओं को हल करने के लिए उन्होंने सबसे अच्छी खरीदार बातचीतों पर प्रशिक्षित, हमेशा उपलब्ध AI GTM कोच बनाने का फैसला किया। 

उन्होंने AI GTM कोच कैसे बनाया 

ElevenAgents ने आधारभूत एजेंट की भूमिका निभाई, जबकि Lovable फ्रंट एंड था। 

एजेंट
सिस्टम प्रॉम्प्ट एजेंट का अहम हिस्सा था। परिदृश्य, खरीदार कौन-सी जानकारी देगा और कौन-सी नहीं देगा के नियम, और स्कोरिंग रूब्रिक—ये सभी निर्देशों का हिस्सा थे। मॉडल का चुनाव, भाषा और वॉइस इसके ऊपर की कॉन्फ़िगरेशन थे।

फ्रंट एंड
Lovable ने उन सभी चीज़ों को संभाला जिन्हें रिप इस्तेमाल करता है—रोल प्ले स्टूडियो, ट्रांसक्रिप्ट अपलोड, लाइव स्कोरकार्ड, सर्टिफिकेशन पाथ और कंप्लीशन ट्रैकिंग के साथ ड्रिल असाइनमेंट।

खरीदार पर्सोना के पीछे के तीन फैसले

तीन विकल्पों ने इस निर्माण को आकार दिया।

1. स्तरबद्ध जानकारी साझा करना। AI खरीदार खुद से जानकारी नहीं देता, इसलिए रिप को उसे अपने दृष्टिकोण या सटीक सवाल से हासिल करना होता है। यही रिप को तीन सामान्य सवाल पूछकर अभ्यास पूरा करने से भी रोकता है।
2. संरचित स्कोरिंग। आखिर में एजेंट भूमिका से बाहर आकर तय मानदंडों के आधार पर स्कोर करता है। दिखाए गए निर्माण में ये थे तकनीकी सटीकता, खरीदार के लिए विश्वसनीयता और क्या रिप ने खरीदार के स्तर के अनुरूप पिच की।
3. टीचिंग मोड। जब रिप अटकता है, तो वह बताता है; एजेंट रुकता है, किसी ठोस उदाहरण वाले सवाल या ग्राहक की कहानी से कौशल सिखाता है, और अभ्यास फिर शुरू हो जाता है। यही बार-बार इस्तेमाल को असहज महसूस कराने के बजाय सुरक्षित बनाता है।

डेमो 1: Lovable रोल प्ले स्टूडियो

परिदृश्य: एक रिप Sarah नाम की AI खरीदार के साथ डिस्कवरी कॉल करता है, जिसकी टीम को संदेशों में एकरूपता बनाए रखने में दिक्कत होती है और नए रिप्स को प्रशिक्षित करने में बहुत समय लगता है। 

क्या दिखाया गया:

• रिप ने एजेंडा से शुरुआत की, रैंप-अप की मुश्किल पर अपना दृष्टिकोण रखा, फिर बताई गई समस्या से आगे बढ़कर व्यावसायिक प्रभाव पर बात की, जिसके बाद खरीदार ने एक खोया हुआ सौदा बताया
• कॉल के दौरान भरता लाइव स्कोरकार्ड और अंत में पूरा स्कोरकार्ड—दोनों कंपनी की अपनी पद्धति के आधार पर सामान्य भाषा में कॉन्फ़िगर किए गए थे
• Lovable एजेंट को सीधे प्रॉम्प्ट देकर, या MCP के ज़रिए Claude को पुरानी कॉल्स की लाइब्रेरी से जोड़कर और उससे सबसे आम कॉल्स की प्रतिकृतियां बनवाकर तैयार किए गए परिदृश्य

यह क्यों मायने रखता है: रोल प्ले की गुणवत्ता और इंटरफ़ेस की गुणवत्ता दो अलग समस्याएं हैं, और ज़्यादातर प्रोग्राम सिर्फ पहली को ही हल कर पाते हैं।

डेमो 2: ElevenAgents एजेंट को कॉन्फ़िगर करना 

परिदृश्य: इंटरफ़ेस के नीचे मौजूद एजेंट लेयर, जिसे ElevenAgents निर्माण की कॉन्फ़िगरेशन के ज़रिए दिखाया गया।

क्या दिखाया गया:

• सिस्टम प्रॉम्प्ट: परिदृश्य, जानकारी साझा करने के नियम और स्कोरिंग रूब्रिक—सब सामान्य अंग्रेज़ी निर्देशों में
• पहला संदेश, जो एजेंट के कॉल उठाते ही माहौल तय करता है और परिदृश्य शुरू करता है
• 70 से अधिक भाषाओं में भाषा चयन—या तो एक एजेंट कई भाषाएं संभाले, या हर भाषा के लिए एक एजेंट हो
• 10,000 से अधिक वॉइसेज़ में से वॉइस चुनना, जिनमें से कुछ खास भाषाओं में बेहतर प्रदर्शन करती हैं
• ICP और पर्सोना दस्तावेज़ों के लिए वैकल्पिक नॉलेज बेस

यह क्यों मायने रखता है: रोल प्ले तभी काम करता है जब एजेंट अच्छा प्रदर्शन करे। इसके लिए वॉइस क्वालिटी, कम लेटेंसी और बारी-बारी से बोलने की क्षमता चाहिए—जो एक ही स्टैक में मौजूद हैं। 

AI रोल प्ले कोच बनाने के लिए बेहतरीन तरीके

प्रॉम्प्ट से पहले रूब्रिक लिखें। उन मानदंडों को तय करें जिन्हें रिप्स को पूरा करना है, फिर एजेंट को उनके लिए टेस्ट करने लायक बनाएं। उलटे तरीके से काम करने पर ऐसा स्कोरकार्ड बनता है जो रिप्स को सामान्य लगता है, और उन्हें खोने का यह सबसे तेज़ तरीका है। दिखाए गए लॉन्च में पहले पांच मानदंड तय किए गए और एजेंट उन्हीं के आधार पर बनाया गया।

परिदृश्यों के लिए असली कॉल्स का इस्तेमाल करें। परिदृश्य गढ़ने के बजाय, MCP के ज़रिए Claude को पुरानी सेल्स कॉल्स की लाइब्रेरी से जोड़ें, उससे सबसे अधिक आने वाली कॉल्स का सारांश बनवाएं और उनकी प्रतिकृतियां तैयार करें। 

प्रॉम्प्ट में जवाब छोटे रखें। दो से चार वाक्य। इससे ज़्यादा होने पर एजेंट के डगमगाने की संभावना बढ़ जाती है। 

मॉडल को बातचीत की जटिलता के अनुरूप चुनें। सीधी-सादी रोल प्ले के लिए हल्का, तेज़ मॉडल; जहां बातचीत को सच में ज़रूरत हो वहां अधिक सक्षम मॉडल—लेटेंसी और लागत के संतुलन के साथ। 

क्षेत्रीय आपत्तियों के लिए प्रॉम्प्ट ट्यून करें।अलग-अलग क्षेत्रों में डिप्लॉयमेंट आसान था। मुश्किल प्रॉम्प्ट ट्यूनिंग थी, क्योंकि अमेरिकी एंटरप्राइज़ खरीदार की आपत्तियां EMEA, भारत या जापान के खरीदार से अलग होती हैं। इन तौर-तरीकों को स्थानीय रिप्स के साथ तय करके लिखना होगा।

अपनाने की प्रक्रिया को बदलाव प्रबंधन की तरह लें। नेतृत्व का समर्थन, VP द्वारा वितरण, विश्वसनीय स्कोरकार्ड और प्रतिस्पर्धी ड्रिल्स। इसे बनाने में एक दोपहर लगती है, लेकिन अनुभवी रिप्स को साथ लाने में अधिक समय लगता है। 

पूरा सेशन देखें

पूरा वेबिनार यहां देखें।