Come abbiamo scalato il nostro processo di interviste ai clienti con ElevenLabs Agents

Abbiamo usato ElevenLabs Agents per intervistare oltre 230 utenti della nostra app ElevenReader. 

In questo articolo ti raccontiamo come abbiamo creato l’agente vocale, i risultati di questo test in produzione e come puoi usare questi strumenti per migliorare il tuo prodotto.

La sfida della scalabilità

Per noi le interviste ai clienti sono preziose, ma scalarle è difficile. Una tipica intervista dal vivo di 15 minuti offre ottimi spunti, ma organizzarne più di alcune al giorno è una sfida logistica.

I calendari raramente coincidono e supportare una base utenti globale in decine di lingue è quasi impossibile per un piccolo team: avere conversazioni approfondite 24 ore su 24 è un limite fisico.

I sondaggi sono più facili da scalare, ma spesso fanno perdere informazioni: riducono il feedback a risposte a scelta multipla e non colgono emozioni e sfumature di una conversazione uno a uno. Con i progressi della voce IA e dei LLM, ora possiamo colmare questa distanza.

Abbiamo creato un Intervistatore IA con ElevenLabs Agents per raccogliere feedback dagli utenti tramite vere conversazioni. In meno di 24 ore abbiamo gestito oltre 230 interviste e abbiamo già migliorato l’app grazie a questi spunti.

Creare l’Intervistatore IA

Abbiamo usato la piattaforma ElevenLabs Agents per creare un ricercatore conversazionale. Il nostro obiettivo era capire le percezioni degli utenti di ElevenReader su quattro aree principali:

• Richieste di funzionalità e miglioramenti
• Principali casi d’uso
• Confronti con la concorrenza
• Prezzo e valore del brand

Abbiamo scelto la voce “Hope – La podcaster per il suo tono amichevole e naturale: sembra davvero di parlare con una ricercatrice empatica. Per la logica, abbiamo selezionato Gemini 2.5 Flash per bilanciare bassa latenza e alta intelligenza.

Prompt e regole di sicurezza

Abbiamo creato un prompt di sistema che istruiva l’agente a fare domande di approfondimento per ottenere spunti più dettagliati, mantenendo la conversazione focalizzata. Se un utente rispondeva in modo vago o con una sola parola, l’agente lo invitava a fornire un feedback più completo. Prima del lancio, abbiamo usato i test simulati di ElevenLabs per assicurarci che l’agente gestisse i casi limite, come risposte vaghe o linguaggio inappropriato.

Guarda qui il prompt di sistema che abbiamo usato.

Raccolta dati

Abbiamo usato la funzione Analisi di ElevenLabs Agents per valutare ogni chiamata. Questo strumento estrae dati strutturati dalle trascrizioni, permettendoci di trasformare conversazioni aperte in spunti concreti. Ad esempio, potevamo tracciare automaticamente le risposte a:

• "Come usi principalmente ElevenReader oggi?"
• "In quali due modi miglioreresti l’app?"

L’agente usava lo strumento end_call per chiudere la conversazione dopo dieci minuti e ringraziare l’utente per il tempo dedicato.

I risultati

In 24 ore abbiamo raccolto oltre 36 ore totali di conversazione.

• Tasso di successo: L’85% delle chiamate è andato a buon fine e ha rispettato il tema.
• Coinvolgimento: La durata mediana delle chiamate è stata di 10 minuti (il massimo consentito).
• Profondità: Una conversazione è durata 87 messaggi. La mediana era di 25 messaggi.
• Costo: Ogni chiamata di 10 minuti è costata poco meno di $1, ovvero 9 centesimi al minuto, tutto fornito tramite ElevenLabs Agents

Analisi dei dati

Abbiamo usato Claude Opus 4.5 per analizzare le 36 ore di trascrizioni e individuare tendenze e spunti secondo i principi della ricerca UX.

Il modello ha fornito temi generali, ma abbiamo raffinato l’analisi con prompt aggiuntivi per ottenere spunti più dettagliati, come segmentazione utenti, feedback sulla navigazione e sensibilità al prezzo per regione.

Per condividere questi risultati internamente, abbiamo creato un artefatto interattivo con Claude. Ora il nostro team può cliccare sui dati specifici e vedere le citazioni esatte degli utenti che hanno generato la tendenza.

Principali risultati

Gli utenti si sono sentiti a proprio agio a parlare con una IA: quasi il 95% degli intervistati ha interagito direttamente con l’intervistatore senza notare che fosse un agente conversazionale. Un utente ha detto:

“Beh, questa intervista di assistenza clienti è l’esperienza IA più notevole che abbia mai avuto. Vorrei che tutti i questionari fossero così e che tutti i servizi digitali di assistenza clienti funzionassero in questo modo.”

Abbiamo scoperto che:

• Esigenze segmentate: Il 21% dei lettori di narrativa di ElevenReader ha richiesto dialoghi tra più personaggi, una percentuale molto più alta rispetto agli altri segmenti di utenti.
• Valore del brand: Gli utenti associano ElevenReader alla libertà di ascoltare qualsiasi libro, ovunque, con la voce più naturale possibile.
• Esigenze linguistiche: Gli utenti hanno individuato aree in cui il modello Text to Speech (TTS) dell’app confonde lingue e accenti: sono punti chiari su cui migliorare.
• Segnalazioni di bug: Le interviste hanno evidenziato problemi specifici che il nostro team di ingegneri ha risolto il giorno successivo.

Implicazioni future

Il futuro della ricerca utenti è conversazionale: gli agenti vocali IA ti permettono di ascoltare e parlare con i tuoi utenti in tutto il mondo, quando preferiscono.

Questo test ha dimostrato quanto gli agenti IA possano condurre interviste approfondite in modo realistico e affidabile su larga scala. Insieme all’analisi testuale dei LLM, queste conversazioni hanno fatto emergere schemi tra centinaia di risposte: spunti che sarebbe stato difficile individuare manualmente.

Puoi creare anche tu un intervistatore IA simile con ElevenLabs Agents: inizia a creare oggi stesso oppure contatta il nostro team per saperne di più.