Come abbiamo aumentato le vendite inbound con un SDR IA che qualifica il 78% dei lead dall’inizio alla fine

Ogni settimana, centinaia di persone compilano il modulo enterprise per le vendite sul nostro sito per saperne di più sulla nostra piattaforma e sui prezzi. Tuttavia, la maggior parte di questi lead è più adatta ai nostri piani self-serve, pensati per la maggior parte degli utenti e accompagnati da una documentazione dettagliata sul sito.

Anche se il nostro team vendite vorrebbe incontrare ogni lead direttamente, il suo focus sono le implementazioni enterprise che richiedono soluzioni personalizzate. Per questo, esamina manualmente ogni richiesta per capire quali siano adatte a una conversazione enterprise e quali invece vadano indirizzate verso il self-serve. Molti moduli, però, contengono dettagli incompleti o descrizioni vaghe dell’utilizzo previsto, il che richiede un follow-up per avere più contesto prima di decidere. Questo processo può rallentare i tempi di risposta e distogliere l’attenzione dalle opportunità enterprise più importanti.

Per i lead qualificati enterprise, il ritardo nella revisione dei moduli significa anche perdere slancio. L’ideale sarebbe che un lead enterprise potesse fissare un appuntamento subito dopo aver inviato il modulo di contatto. Altrimenti, se il modulo viene inviato il venerdì sera, il lead potrebbe ricevere risposta solo quando il team vendite lo esamina il lunedì, spostando il primo incontro più avanti nella settimana.

Per colmare questo divario tra domanda e capacità del team, abbiamo creato un SDR inbound IA utilizzando la nostra Piattaforma Agents. L’SDR IA offre esperienze più rapide e personalizzate ai lead inbound, permettendo al nostro team di concentrarsi sulle opportunità più rilevanti.

Come abbiamo costruito l'agente

Abbiamo sviluppato l’SDR inbound su tre pilastri: comportamento, capacità e dati.

1. Comportamento

Abbiamo definito come si comporta il nostro SDR, “Jon”, usando il system prompt nella nostra Agents Platform. Qui abbiamo descritto i tratti principali della sua personalità, come essere “un rappresentante vendite accogliente e consulenziale che rende accessibili anche i temi IA più complessi”. Abbiamo anche stabilito il suo obiettivo principale e le situazioni in cui deve agire, ad esempio fissare un appuntamento o inviare un messaggio al nostro team. Per scoprire la struttura esatta che abbiamo seguito, consulta la nostra guida ai prompt.

Abbiamo fornito a Jon una knowledge base ampia, con oltre cento domande frequenti e una panoramica delle funzionalità del prodotto tratta dalla documentazione sul sito. Al momento aggiorniamo la knowledge base di Jon manualmente quando vengono rilasciati nuovi prodotti o funzionalità. Presto sarà possibile aggiungere un URL di riferimento e aggiornare la knowledge base automaticamente a intervalli regolari.

Dopo il lancio, abbiamo collaborato con i responsabili vendite del nostro team GTM per rivedere le trascrizioni delle chiamate, individuare errori e migliorare le prestazioni dell’agente. Le prime lezioni apprese includono:

• Trovare il LLM giusto per il tuo caso d’uso richiede sperimentazione: Abbiamo iniziato con un modello ottimizzato per la bassa latenza, ma siamo passati a uno più avanzato dopo aver notato che il modello iniziale aveva difficoltà con l’affidabilità e l’uso degli strumenti. L’aggiornamento ha ridotto le allucinazioni, come riferimenti errati all’anno corrente, che prima causavano errori nell’uso degli strumenti. LLM più potenti sono utili anche per ragionamenti più complessi. Ad esempio, ora il nostro agente può aiutare i lead a stimare l’utilizzo previsto della piattaforma. Se un lead non è sicuro, Jon chiede il numero di chiamate giornaliere e la durata media per calcolare una stima mensile.

• L’agente può sbagliare in modi preferibili: Finché l’agente non prende il 100% delle decisioni corrette, abbiamo impostato il system prompt per privilegiare i falsi positivi rispetto ai falsi negativi: preferiamo incontrare un lead e indirizzarlo verso il self-serve piuttosto che perdere una potenziale opportunità enterprise.

• Gestire i casi limite fa crescere il system prompt e aumenta il rischio di errore: Dopo aver rivisto oltre 50 chiamate, abbiamo aggiunto diverse istruzioni “se X, allora Y”. Ad esempio: “Se chi chiama parla una lingua diversa dall’inglese, chiedi se preferisce l’incontro in quella lingua o in inglese prima di fissare l’appuntamento.” Anche se i LLM con ampio contesto gestiscono bene queste regole, prompt troppo lunghi possono aumentare il rischio di errore. Abbiamo notato che, man mano che i prompt si espandono, certi comportamenti – come fare più domande contemporaneamente – diventano più frequenti.

• Le guardrail sono efficaci per evitare che il processo venga aggirato: Alcuni utenti chiedevano ripetutamente di parlare direttamente con il nostro team prima di fornire informazioni sufficienti. L’aggiunta di guardrail esplicite è risultata particolarmente efficace per gestire queste richieste.

• Gli utenti hanno bisogno di feedback durante l’uso degli strumenti: Quando Jon utilizzava strumenti come la verifica della disponibilità in calendario, chi chiamava spesso percepiva silenzi confusi. Abbiamo risolto aggiungendo una funzione opzionale di “force message” che informa l’utente quando uno strumento è in uso.

• Le interazioni vocali aumentano il coinvolgimento: Circa un lead su cinque richiama per continuare l’interazione con Jon. In un caso, dopo aver scoperto il nostro prodotto e i prezzi, un utente è tornato semplicemente per chiedere a Jon una ricetta per gli spaghetti.

2. Capacità e strumenti personalizzati

Jon ha accesso agli stessi strumenti che userebbe un SDR umano per gestire in autonomia le conversazioni inbound.

All’inizio di ogni chiamata, esamina il modulo di contatto per raccogliere il contesto. Durante la chiamata, può qualificare i lead e fissare appuntamenti in tempo reale verificando la disponibilità nei vari fusi orari. Dopo aver fissato un appuntamento, invia al nostro team un riepilogo della chiamata.

Jon può anche passare senza interruzioni tra 32 lingue, con voci ottimizzate per ogni area geografica. In una settimana tipica, usa più di otto lingue.

3. Dati

Al termine di ogni chiamata, Jon registra il caso d’uso del lead e la decisione di qualificazione, scrivendo questi dati direttamente nel nostro CRM. Questo offre al team piena visibilità su ogni interazione di vendita.

Jon registra anche dati strutturati come i punteggi di soddisfazione del cliente. Alla fine della conversazione, chiede ai lead di valutare l’esperienza da 1 a 10. Ogni giorno rivediamo le conversazioni con i punteggi più alti e più bassi per capire cosa ha funzionato e cosa no.

Questi comportamenti, capacità e flussi di dati permettono a Jon di operare con naturalezza e efficienza, gestendo gli stessi workflow di un SDR umano.

Risultati finora

Dal lancio, l’SDR IA è stato attivato in 38 paesi con disponibilità 24/7. Ora gestisce oltre 50 chiamate a settimana, l’equivalente di due SDR a tempo pieno.

Il 78% delle sue decisioni di qualificazione non richiede intervento umano. Nel restante 22%, l’agente commette per lo più “falsi positivi”, cioè qualifica lead che avrebbero dovuto essere scartati. Preferiamo questo risultato rispetto all’alternativa di scartare lead che invece avrebbero dovuto essere qualificati.

Questi falsi positivi si verificano di solito quando i lead fanno una stima ma non possono confermare il volume previsto o la data di lancio. I falsi negativi sono rari e di solito accadono quando un lead termina la chiamata prima che l’agente abbia abbastanza informazioni per decidere. In futuro, l’agente restituirà "N/A" per questi casi incompleti invece di scartare il lead.

"Abbiamo visto un cambiamento radicale nel modo in cui le vendite inbound possono funzionare su larga scala. Con il nostro SDR IA, chiunque sia interessato alla nostra piattaforma può ora iniziare una conversazione personalizzata nella propria lingua, in qualsiasi momento. Il modo migliore per capire la nostra piattaforma è provarla in prima persona, e ora i lead qualificati fissano appuntamenti in pochi minuti invece che in giorni." – Jonathan Chemouny, EMEA Sales Lead, ElevenLabs

Con un punteggio CSAT medio di 8,7, le prime conversazioni mostrano quanto stia cambiando rapidamente la percezione di ciò che gli agenti conversazionali possono fare. Ecco alcuni estratti:

• “Grazie per l’aiuto di oggi. È la prima volta che incontro un agente IA utile come te. Ti auguro una buona giornata!”

• “Wow! Wow! Davvero, sei bravo […] è tutto chiaro, ben spiegato. Questa è IA conversazionale. Davvero, complimenti!” 

• “[Questa conversazione] mi è stata utile. Mi dà una prima panoramica dei prodotti che offrite… ci sono stati alcuni piccoli errori, ma la qualità dell’audio, anzi, della voce, è davvero notevole.”

Prospettive future

Nei prossimi mesi amplieremo le capacità dell’agente grazie alla nuova funzione workflows. I workflow sono pensati per gestire conversazioni più complesse e dinamiche e supportare decisioni più affidabili. Questo permetterà anche nuovi casi d’uso come le vendite outbound e il re-engagement dei lead non reattivi.

Oggi il nostro team rivede ogni decisione presa dall’SDR IA. Presto il sistema fisserà appuntamenti direttamente nei calendari dei nostri account executive, con una logica di pianificazione che assegna automaticamente ogni incontro al referente corretto.

Il nostro SDR IA ha già rivoluzionato il processo di vendita inbound, soddisfacendo le aspettative dei prospect e dando al team più tempo per concentrarsi su ciò che conta davvero. Vediamo questo come un altro passo verso un futuro in cui la voce sarà l’interfaccia principale con la tecnologia.

Vuoi creare i tuoi agenti conversazionali?Inizia qui.