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

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

In questo articolo spieghiamo 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

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

Gli orari raramente coincidono e per un piccolo team supportare una base di utenti globale in decine di lingue è quasi impossibile: avere conversazioni approfondite a qualsiasi ora del giorno e della notte è un limite fisico.

Anche se è più facile scalare i sondaggi, spesso comportano una perdita di informazioni. Riducono il feedback a opzioni a scelta multipla e non colgono l'emozione e le sfumature di una conversazione uno a uno. Grazie ai progressi della voce IA e degli LLM, ora possiamo colmare questa lacuna. 

Abbiamo creato un intervistatore IA con ElevenLabs Agents per raccogliere feedback dagli utenti attraverso conversazioni reali. Abbiamo condotto oltre 230 interviste in meno di 24 ore e abbiamo già rilasciato miglioramenti dell'app basati su questi dati dei clienti.

Creare l'intervistatore IA

Abbiamo usato la piattaforma ElevenLabs Agents per creare un ricercatore conversazionale. Il nostro obiettivo era capire la percezione degli utenti dell'app ElevenReader in quattro aree principali:

• Richieste di funzionalità e miglioramenti
• Principali casi d'uso
• Confronti con i concorrenti
• Prezzi e valore del brand

Abbiamo scelto la voce “Hope - The podcaster” per il suo tono amichevole e conversazionale: è come trovarsi di fronte a un ricercatore empatico. Per la logica, abbiamo scelto Gemini 2.5 Flash per bilanciare bassa latenza e alta intelligenza.

Prompt e guardrail

Abbiamo creato un system prompt che istruiva l'agente a porre domande di approfondimento per ottenere più informazioni, mantenendo al contempo la conversazione sul tema. Se un utente rispondeva in modo vago o con una sola parola, l'agente gli chiedeva un feedback più dettagliato. 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.

Vedi qui il system prompt che abbiamo usato.

Raccolta dati

Abbiamo usato la funzionalità Analysis di ElevenLabs Agents per valutare ogni chiamata. Questo strumento estrae dati strutturati dalle trascrizioni, permettendoci di trasformare conversazioni aperte in informazioni concrete. Ad esempio, potevamo monitorare automaticamente le risposte a:

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

L'agente ha usato lo strumento end_call per concludere le conversazioni dopo dieci minuti e ringraziare cortesemente l'utente per il suo tempo.

I risultati

In 24 ore, abbiamo raccolto oltre 36 ore complessive di conversazioni.

• Tasso di successo: l'85% delle chiamate ha avuto successo ed è rimasto in tema.
• Coinvolgimento: la durata mediana delle chiamate è stata di 10 minuti, il massimo consentito.
• Profondità: una conversazione è durata 87 messaggi. La mediana è stata di 25 messaggi. 
• Costo: ogni chiamata di 10 minuti è costata poco meno di 1,00 $, ovvero 9 centesimi al minuto, e tutte sono state fornite tramite ElevenLabs Agents

Analizzare i dati

Abbiamo usato Claude Opus 4.5 per analizzare le 36 ore di trascrizioni, individuando tendenze e informazioni basate sui principi della ricerca UX.

Sebbene il modello abbia fornito temi di alto livello, abbiamo perfezionato l'analisi con prompt aggiuntivi per far emergere informazioni granulari, come la segmentazione degli utenti, il feedback sulla navigazione e la sensibilità al prezzo per area geografica.

Per condividere internamente questi risultati, abbiamo creato un report interattivo con Claude. Ora il nostro team può fare clic su punti dati specifici per vedere le citazioni esatte degli utenti che hanno contribuito alla tendenza.

Risultati principali

Gli utenti si sentivano a proprio agio a parlare con un'IA: quasi il 95% dei partecipanti ha interagito direttamente con l'intervistatore senza riconoscere che si trattava di un agente conversazionale. Un utente ha detto:

“Beh, questa intervista con il servizio clienti è l'esperienza con l'IA più straordinaria che credo di aver mai avuto. Vorrei che tutti i questionari fossero così e che tutti i servizi digitali di assistenza clienti fossero così.”

Abbiamo scoperto che:

• Esigenze segmentate: il 21% dei lettori di narrativa di ElevenReader ha richiesto dialoghi con 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 si trovino, con la qualità vocale più naturale.
• Esigenze linguistiche: gli utenti hanno individuato aree in cui il modello Text to Speech (TTS) dell'app confonde lingue e accenti: aree chiare di miglioramento. 
• Segnalazioni di bug: le interviste hanno evidenziato problemi specifici che il nostro team di sviluppo ha risolto il giorno successivo.

Implicazioni future

Il futuro della ricerca sugli 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 su larga scala in modo realistico e affidabile. Abbinate all'analisi testuale degli LLM, queste conversazioni hanno rivelato schemi ricorrenti in centinaia di risposte: informazioni che sarebbe stato difficile individuare manualmente.

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