Riepilogo Webinar: Crea un AI GTM Coach con Lovable & ElevenLabs

La maggior parte dei team di enablement ha organizzato programmi di simulazione di vendita. Ma è difficile crearne uno che i commerciali portino davvero a termine. Ed è ancora più difficile basarlo sulle conversazioni specifiche che il tuo team affronta davvero.

Nel Live Workshop: Crea un coach GTM IA con Lovable ed ElevenLabs, Morgan Jacobson (GTM Enablement in Lovable) e Remy Khoung (GTM Enablement in ElevenLabs) hanno spiegato come hanno risolto questo problema creando un coach GTM IA.

Hanno mostrato il dietro le quinte dell'implementazione nei team di Lovable ed ElevenLabs, oltre ad alcuni insegnamenti pratici emersi durante la creazione.

Limiti delle simulazioni di vendita

Remy e Morgan incontravano costantemente questi limiti nelle loro simulazioni di vendita:

1. I partner di esercitazione hanno livelli qualitativi diversi, quindi a volte le sessioni diventavano una semplice procedura guidata anziché una vera conversazione con un acquirente
2. Non c'era una valutazione oggettiva finché il commerciale non si trovava già davanti al cliente
3. Le sessioni dal vivo erano difficili da coordinare tra fusi orari diversi
4. Le simulazioni tra pari richiedono ai commerciali di rischiare di sembrare impreparati davanti alle persone che li valutano

Un commerciale che si preoccupa dell'impressione che fa sul proprio responsabile concentra l'attenzione sulla stanza anziché sulla competenza.

Eliminare il pubblico dall'esercizio rende possibile esercitarsi davvero in modo ripetuto.

Per risolvere alcuni di questi problemi, hanno deciso di creare un coach GTM IA sempre attivo, addestrato sulle migliori conversazioni con gli acquirenti.

Come hanno creato un coach GTM IA

ElevenAgents fungeva da agente alla base, mentre Lovable da front end.

L'agente
Il system prompt era l'elemento chiave dell'agente. Lo scenario, le regole su ciò che l'acquirente avrebbe o non avrebbe rivelato e la griglia di valutazione facevano tutti parte delle istruzioni. La scelta del modello, della lingua e della voce costituiva la configurazione aggiuntiva.

Il front end
Lovable gestiva tutto ciò con cui interagisce il commerciale: lo studio per le simulazioni, il caricamento delle trascrizioni, la scorecard in tempo reale, i percorsi di certificazione e l'assegnazione di esercitazioni con il monitoraggio del completamento.

Tre decisioni alla base della persona dell'acquirente

Tre scelte hanno definito la soluzione.

1. Rivelazione graduale. L'acquirente IA non fornisce spontaneamente informazioni, quindi il commerciale deve ottenerle con un punto di vista o una domanda mirata. In questo modo non può superare l'esercizio con tre domande generiche.
2. Valutazione strutturata. Alla fine l'agente esce dal personaggio e valuta in base a criteri definiti. Nella soluzione mostrata, si trattava di accuratezza tecnica, credibilità dell'acquirente e capacità del commerciale di adattare la proposta al livello dell'acquirente.
3. Modalità didattica. Un commerciale in difficoltà lo comunica, l'agente si ferma, insegna la competenza con un esempio concreto di domanda o una storia di un cliente, poi l'esercizio riprende. È questo che rende sicuro l'uso ripetuto, anziché farlo sentire esposto.

Demo 1: Lo studio per le simulazioni di Lovable

Scenario: Un commerciale conduce una call di discovery con un'acquirente IA di nome Sarah, il cui team fatica a mantenere una comunicazione coerente e impiega troppo tempo per formare i nuovi commerciali.

Cosa è stato mostrato:

• Il commerciale apre con un ordine del giorno, presenta un punto di vista sulle difficoltà di ramp-up e poi va oltre il problema dichiarato per arrivare all'impatto sul business, momento in cui l'acquirente rivela una trattativa persa
• Una scorecard in tempo reale che si compila durante la call e una scorecard completa alla fine, entrambe configurate in linguaggio naturale in base alla metodologia dell'azienda
• Scenari generati dando istruzioni direttamente all'agente Lovable, oppure indicando a Claude tramite MCP una libreria di call storiche e facendogli creare repliche di quelle più comuni

Perché è importante: La qualità della simulazione e quella dell'interfaccia sono due problemi distinti, e la maggior parte dei programmi riesce a risolvere solo il primo.

Demo 2: Configurazione dell'agente ElevenAgents

Scenario: Il livello dell'agente alla base dell'interfaccia, mostrato attraverso la configurazione di una soluzione ElevenAgents.

Cosa è stato mostrato:

• Il system prompt: scenario, regole di rivelazione e griglia di valutazione, tutto sotto forma di istruzioni in inglese semplice
• Un primo messaggio che definisce il tono e avvia lo scenario non appena l'agente risponde
• La selezione della lingua tra oltre 70 lingue, con un agente che ne gestisce diverse oppure un agente per ogni lingua
• La selezione della voce tra oltre 10.000 voci, alcune delle quali offrono prestazioni migliori in determinate lingue
• Una knowledge base facoltativa per documenti su ICP e persona

Perché è importante: Una simulazione funziona solo se l'agente offre buone prestazioni. Dipende dalla qualità della voce, dalla bassa latenza e dalla gestione dei turni di parola, tutti elementi riuniti in un unico stack.

Best practice per creare un coach IA per simulazioni di vendita

Scrivi la griglia di valutazione prima del prompt. Definisci i criteri che i commerciali devono soddisfare, poi crea l'agente per verificarli. Procedere al contrario produce una scorecard che i commerciali percepiscono come generica: il modo più rapido per perderli. Nell'implementazione mostrata, sono stati definiti prima cinque criteri, poi l'agente è stato creato sulla loro base.

Usa call reali per creare gli scenari. Anziché inventare scenari, indica a Claude tramite MCP una libreria di call di vendita storiche, fagli riassumere quelle più ricorrenti e crea repliche a partire da queste.

Mantieni brevi le risposte nel prompt. Da due a quattro frasi. Oltre questa lunghezza, l'agente tende più spesso a divagare.

Adatta il modello alla complessità della conversazione. Un modello leggero e veloce per simulazioni semplici, uno più capace quando la conversazione ne ha davvero bisogno, bilanciando latenza e costi.

Adatta i prompt alle obiezioni regionali.L'implementazione nelle diverse regioni è stata la parte semplice. La difficoltà è stata adattare i prompt, perché un acquirente enterprise statunitense solleva obiezioni diverse da uno in EMEA, India o Giappone. Queste convenzioni devono essere definite con i commerciali locali e inserite nei prompt.

Considera l'adozione come gestione del cambiamento. Allineamento della leadership, distribuzione guidata dai VP, una scorecard credibile ed esercitazioni competitive. La creazione richiede un pomeriggio, ma coinvolgere commerciali esperti richiede più tempo.

Guarda la sessione completa

Guarda il webinar completo qui.