Come usiamo ElevenAgents per risparmiare 1.200 ore al mese nelle operazioni quotidiane

In ElevenLabs, i nostri agenti interni fanno risparmiare ai team più di 1.200 ore al mese nelle operazioni quotidiane. Rispondono a oltre 5.000 domande al mese e intervengono anche direttamente: creano decine di demo personalizzate per i clienti e hanno aperto più di 150 ticket nell'ultimo mese.

Questi agenti sono nati per recuperare più facilmente informazioni interne in Slack, come i dati sulla fidelizzazione degli utenti, la documentazione corretta o la cronologia di un account. Da lì si sono evoluti in agenti che agiscono: un membro del team fa una domanda, segnala un bug o richiede una demo, e l'agente risponde o gestisce la richiesta. 

Bot FDE che crea una demo per un cliente

Vendite: risposte sugli account e demo su richiesta

I team commerciali usano due agenti: il bot go-to-market (GTM) per le domande sui clienti e il bot Forward Deployed Engineer (FDE) per le domande sui prodotti e le demo. Ecco alcuni esempi recenti:

• Domanda commerciale per il bot GTM: "Quali sono i nostri principali clienti con diritti di utilizzo del logo nel Regno Unito, in Francia e in Germania?" oppure “Quali sono i nostri principali casi d'uso delle API?”
• Domanda sul prodotto per il bot FDE: “Se un potenziale cliente vuole creare un SDR IA outbound che fissi incontri per conto degli AE, di quali integrazioni ha bisogno?”

Il nostro bot FDE crea inoltre demo complete per i clienti su richiesta, assemblando direttamente da un messaggio un agente funzionante configurato per il caso d'uso di un potenziale cliente. 

Supporto e sviluppo: automazione dei processi di triage

Il nostro bot di triage ha creato 150 nuovi ticket nel solo ultimo mese, un lavoro che prima richiedeva molti interventi manuali da parte sia del supporto sia dello sviluppo. 

Gestisce richieste di funzionalità e bug, usando diverse Procedure per ogni tipo di problema. Prima di creare un ticket, cerca in Slack il contesto pertinente, elimina i duplicati rispetto ai ticket esistenti e verifica che ci siano abbastanza dettagli per diagnosticare il problema prima di aprire un ticket Linear con la priorità corretta. Poi lo indirizza al team giusto, sfruttando il documento sulle responsabilità che abbiamo caricato nella knowledge base degli agenti.

Prodotto e product marketing: analisi dei dati

I team di prodotto e product marketing pongono domande sui dati in canali specifici per dominio e ricevono l'analisi nella conversazione. Ecco un esempio recente: "Come è cambiata negli ultimi 6 mesi negli Stati Uniti la conversione da gratuito a pagamento degli abbonati self-service a ElevenCreative? Quali sono i principali fattori?"

I membri del team possono discutere o fare domande di approfondimento nella stessa conversazione. La qualità delle risposte dipende da ciò che l'agente può vedere, ed è per questo che selezioniamo con cura i dati di ciascun agente (maggiori dettagli sotto).

Cosa abbiamo imparato

Gli agenti interni devono essere affidabili e precisi fin dall'inizio, altrimenti il team smette di usarli e di fidarsi di loro. In un canale condiviso gli errori sono più visibili, ma lo sono anche i successi, e questo ha favorito l'adozione.

Ecco alcuni altri aspetti che ci hanno aiutato:

• La cura dello schema supera il prompt engineering. I maggiori miglioramenti nella qualità delle risposte dei nostri agenti di retrieval sono arrivati dalla rimozione di campi, non dall'ottimizzazione del system prompt. Ogni colonna o campo oggetto aggiuntivo offriva al modello un'ulteriore possibilità di fare supposizioni errate, e limitare lo schema a un insieme ristretto di campi critici ha migliorato l'accuratezza più di qualsiasi modifica al prompt che abbiamo provato.
• Tipizzazione delle picklist. I campi Salesforce come la fase della trattativa o il tipo di account sono picklist: un insieme fisso di valori validi. Se lasciato libero, un modello può generare un valore plausibile ma inesistente in Salesforce. Ora recuperiamo i valori validi all'avvio e li inseriamo nelle definizioni dei tipi dello strumento MCP, così il modello può scegliere esclusivamente opzioni reali.
• Elimina le procedure superflue. Man mano che aggiungi procedure a un agente, alcune possono sovrapporsi. Architect di ElevenAgents può ristrutturarle, così è chiaro quando avviare ciascuna procedura e non ci sono logiche in conflitto.
• Verifica delle attività. Dopo aver creato un ticket Linear, l'agente verifica che i campi siano impostati correttamente e che il ticket sia stato assegnato al team giusto. Questo ha ridotto le occasionali allucinazioni o assegnazioni al team sbagliato.

Provalo tu

Gli agenti fanno parte del lavoro quotidiano in ElevenLabs. Se ti interessa crearne uno tuo, scopri di più su ElevenAgents.