ElevenLabs Agents로 고객 인터뷰 프로세스를 확장한 방법

ElevenLabs Agents를 사용해 ElevenReader 앱 사용자 230명 이상을 인터뷰했습니다. 

이 글에서는 음성 에이전트를 구축한 방법과 실제 운영 테스트 결과, 그리고 제품 개선에 이 도구를 활용하는 방법을 소개합니다.

확장의 과제

고객 인터뷰는 중요하지만 규모를 확장하기는 어렵습니다. 일반적인 15분 라이브 인터뷰는 훌륭한 인사이트를 제공하지만, 하루에 몇 건 이상 일정을 잡는 일은 운영상 큰 과제입니다.

일정이 맞는 경우는 드물고, 수십 개 언어를 사용하는 전 세계 사용자 기반을 소규모 팀이 지원하는 것은 거의 불가능합니다. 24시간 내내 심층 대화를 나누는 데는 물리적인 한계가 있습니다.

설문조사는 더 쉽게 확장할 수 있지만, 정보가 손실되기 쉽습니다. 피드백을 객관식 선택지로 단순화해 1:1 대화에 담긴 감정과 미묘한 차이를 놓칩니다. 음성 AI와 LLM의 발전으로 이제 이 간극을 메울 수 있습니다. 

실제 대화를 통해 사용자 피드백을 수집하기 위해 ElevenLabs Agents로 AI 인터뷰어를 구축했습니다. 24시간이 채 안 되는 시간 동안 230건 이상의 인터뷰를 진행했고, 이 고객 인사이트를 바탕으로 이미 앱을 개선했습니다.

AI 인터뷰어 만들기

ElevenLabs Agents 플랫폼을 활용해 대화형 리서처를 만들었습니다. 목표는 ElevenReader 앱 사용자들의 인식을 다음 4가지 주요 영역에서 파악하는 것이었습니다.

• 기능 요청 및 개선 사항
• 주요 사용 사례
• 경쟁 제품 비교
• 가격 및 브랜드 가치

친근하고 대화하는 듯한 톤의 음성 “Hope - The podcaster”를 선택했습니다. 공감 능력 있는 리서처와 마주 앉아 대화하는 느낌을 주기 때문입니다. 로직에는 낮은 지연 시간과 높은 지능의 균형을 위해 Gemini 2.5 Flash를 선택했습니다.

프롬프트와 가드레일

대화의 흐름을 유지하면서 더 깊은 인사이트를 얻기 위해 후속 질문을 하도록 에이전트에 지시하는 시스템 프롬프트를 작성했습니다. 사용자가 모호하거나 한 단어로 답하면, 에이전트가 더 구체적인 피드백을 요청했습니다. 출시 전에는 ElevenLabs 시뮬레이션 테스트를 사용해 모호한 응답이나 부적절한 언어 같은 예외 상황을 에이전트가 잘 처리하는지 확인했습니다.

여기에서 사용한 시스템 프롬프트를 확인하세요.

데이터 수집

각 통화를 평가하기 위해 ElevenLabs Agents의 분석 기능을 사용했습니다. 이 도구는 트랜스크립트에서 구조화된 데이터를 추출해, 개방형 대화를 구체적인 인사이트로 전환할 수 있게 해줍니다. 예를 들어 다음 질문에 대한 응답을 자동으로 추적할 수 있었습니다.

• “현재 ElevenReader를 주로 어떻게 사용하고 계신가요?”
• “앱을 개선한다면 어떤 두 가지를 바꾸고 싶으신가요?”

에이전트는 end_call 도구를 사용해 10분 후 대화를 종료하고, 시간을 내주신 사용자에게 정중히 감사했습니다.

결과

24시간 안에 총 36시간이 넘는 대화 시간을 수집했습니다.

• 성공률: 통화의 85%가 성공적으로 진행되었으며 주제에서 벗어나지 않았습니다.
• 참여도: 통화 시간 중앙값은 허용 최대 시간인 10분이었습니다.
• 심층성: 한 대화는 87개 메시지까지 이어졌습니다. 중앙값은 25개 메시지였습니다. 
• 비용: 10분 통화 1건당 비용은 $1.00 미만이었으며, 분당 9센트였습니다. 모두 ElevenLabs Agents

데이터 분석

UX 리서치 원칙을 바탕으로 Claude Opus 4.5를 사용해 36시간 분량의 트랜스크립트에서 트렌드와 인사이트를 분석했습니다.

모델이 높은 수준의 주제를 제공했지만, 사용자 세분화, 탐색 경험에 대한 피드백, 지역별 가격 민감도 같은 세부 인사이트를 도출하기 위해 추가 프롬프트로 분석을 고도화했습니다.

이 결과를 내부에 공유하기 위해 Claude로 인터랙티브 아티팩트를 만들었습니다. 이제 팀은 특정 데이터 포인트를 클릭해 해당 트렌드의 근거가 된 정확한 사용자 인용문을 확인할 수 있습니다.

주요 발견 사항

사용자들은 AI와 대화하는 데 편안함을 느꼈습니다. 응답자 중 약 95%는 대화형 에이전트라는 사실을 언급하지 않은 채 인터뷰어와 직접 대화했습니다. 한 사용자는 이렇게 말했습니다.

“이 고객 서비스 인터뷰는 제가 경험한 AI 중 가장 놀라운 경험인 것 같아요. 모든 설문지가 이랬으면 좋겠고, 모든 디지털 고객 서비스가 이랬으면 좋겠어요.”

다음과 같은 점을 알게 되었습니다.

• 세분화된 니즈: ElevenReader의 소설 독자 중 21%가 여러 인물의 대화를 요청했으며, 이는 다른 사용자 세그먼트보다 훨씬 높은 비율이었습니다.
• 브랜드 가치: 사용자는 ElevenReader를 어디서나 어떤 책이든 가장 자연스러운 음성 품질로 들을 수 있는 자유와 연결했습니다.
• 언어 관련 니즈: 사용자들은 앱의 텍스트 음성 변환(TTS) 모델이 언어와 억양을 혼동하는 부분을 지적했습니다. 명확한 개선 영역입니다. 
• 버그 보고: 인터뷰를 통해 엔지니어링 팀이 다음 날 수정한 구체적인 문제를 발견했습니다.

향후 시사점

사용자 리서치의 미래는 대화형입니다. AI 음성 에이전트를 사용하면 전 세계 사용자의 시간에 맞춰 그들의 이야기를 듣고 대화할 수 있습니다.

이번 테스트는 AI 에이전트가 얼마나 현실적이고 안정적으로 대규모 심층 인터뷰를 진행할 수 있는지 보여주었습니다. LLM의 텍스트 분석과 결합한 이 대화들은 수백 개의 응답에서 패턴을 드러냈으며, 이는 수작업으로 발견하기 어려운 인사이트였습니다.

ElevenLabs Agents로 비슷한 AI 인터뷰어를 만들 수 있습니다. 지금 구축을 시작하거나 팀에 문의하여 자세히 알아보세요.