Hoe we inbound sales hebben opgeschaald met een AI-SDR die 78% van de leads volledig kan kwalificeren

Elke week vullen honderden mensen het enterprise-salesformulier op onze website in om meer te weten te komen over ons platform en onze prijzen. De meeste van deze leads passen echter beter bij onze self-serve-abonnementen, die geschikt zijn voor het merendeel van onze gebruikers en waarvoor uitgebreide documentatie op onze website staat.

Ons salesteam zou graag elke lead rechtstreeks spreken, maar richt zich op enterprise-implementaties waarvoor maatwerkoplossingen nodig zijn. Daarom beoordelen ze elke inzending handmatig om vast te stellen welke geschikt zijn voor een enterprisegesprek en welke beter naar self-serve kunnen worden geleid. Veel formulieren bevatten echter onvolledige gegevens, zoals vage omschrijvingen van de use case van de lead. Daardoor moet ons team eerst om meer context vragen voordat het een beslissing kan nemen. Dit proces kan de reactietijd vertragen en de aandacht afleiden van enterprisekansen met hogere prioriteit.

Voor leads die voor enterprise zijn gekwalificeerd, betekent de vertraging door het beoordelen van formulierinzendingen ook verlies van momentum. Idealiter kan een enterpriselead direct na het indienen van het contactformulier voor sales een afspraak inplannen. Anders hoort een lead die het formulier op vrijdagavond indient mogelijk pas iets terug wanneer ons salesteam het op maandag beoordeelt, waardoor de eerste afspraak naar later die week verschuift.

Om deze kloof tussen vraag en teamcapaciteit te dichten, hebben we met ons Agents Platform een inbound AI-sales development representative (SDR) gebouwd. De AI-SDR biedt inbound leads snellere, persoonlijkere ervaringen en stelt ons team tegelijk in staat zich te richten op de kansen met de meeste impact.

Hoe we de agent hebben gebouwd

We hebben de inbound SDR opgebouwd rond drie pijlers: gedrag, mogelijkheden en data.

1. Gedrag

We hebben met de system prompt in ons Agents Platform gedefinieerd hoe onze SDR, ‘Jon’, zich gedraagt. Daarin hebben we Jons belangrijkste persoonlijkheidskenmerken beschreven, zoals dat hij ‘een warme, adviserende salesmedewerker is die complexe AI-onderwerpen toegankelijk maakt’. Ook hebben we zijn hoofddoel en de scenario's gedefinieerd waarin hij actie moet ondernemen, zoals het inplannen van een afspraak of het sturen van een bericht aan ons team. Lees onze prompting guide.

We hebben Jon uitgerust met een uitgebreide kennisbank, met meer dan honderd veelgestelde vragen en een overzicht van de mogelijkheden van onze producten uit de documentatie op onze website. Voorlopig werken we Jons kennisbank handmatig bij wanneer nieuwe producten of functies worden uitgebracht. Binnenkort kun je een doel-URL toevoegen en de kennisbank automatisch volgens een vast schema laten bijwerken.

Na de lancering hebben we samengewerkt met salesleiders binnen ons GTM-team om gesprekstranscripten te beoordelen, fouten te identificeren en de prestaties van de agent te verbeteren. Onze eerste inzichten waren:

• Het vinden van de juiste LLM voor je use case vraagt om experimenteren: We begonnen met een model dat was geoptimaliseerd voor lage latentie, maar stapten over op een krachtiger model nadat we zagen dat het eerste model moeite had met betrouwbaarheid en tool calling. De upgrade verminderde hallucinaties, zoals wanneer de agent ten onrechte naar het huidige jaar verwees, wat eerder fouten bij latere tool calls veroorzaakte. Sterkere LLM's zijn ook nuttig voor geavanceerdere redeneertaken. Onze agent kan leads nu bijvoorbeeld helpen hun verwachte gebruik van ons platform in te schatten. Als een lead twijfelt, vraagt Jon nu naar het verwachte aantal gesprekken per dag en de gemiddelde gespreksduur om het geschatte maandelijkse gebruik te berekenen.

• De agent kan op de voorkeur genietende manier fouten maken: Zolang de agent niet 100% van de beslissingen correct neemt, hebben we zijn system prompt zo afgestemd dat false positives de voorkeur krijgen boven false negatives: we spreken liever een lead en begeleiden die naar self-serve dan dat we een mogelijke enterprisekans missen.

• Rekening houden met edge cases maakt de system prompt na verloop van tijd te uitgebreid en vergroot het risico op fouten: Na het beoordelen van meer dan 50 gesprekken hebben we verschillende instructies volgens ‘als X, doe dan Y’ toegevoegd. Bijvoorbeeld: ‘Als de beller een andere taal dan Engels spreekt, vraag dan vóór het inplannen of die de afspraak in die taal of in het Engels wil.’ Hoewel LLM's met een grote context deze regels effectief verwerken, kunnen te uitgebreide prompts het risico op fouten vergroten. We hebben gezien dat bepaalde gedragingen — zoals meerdere vragen tegelijk stellen — hardnekkiger worden naarmate prompts uitgebreider worden.

• Guardrails voorkomen effectief dat processen worden omzeild: Sommige gebruikers vroegen herhaaldelijk om rechtstreeks met ons team te spreken voordat ze voldoende informatie hadden gegeven. Het toevoegen van expliciete guardrails helpt deze verzoeken bijzonder goed te beperken.

• Gebruikers hebben feedback nodig tijdens het uitvoeren van tools: Wanneer Jon tools gebruikte, zoals het controleren van beschikbare momenten in de agenda, viel er voor bellers vaak een verwarrende stilte. We hebben dit opgelost door een optionele functie voor ‘force message’ toe te voegen, die de gebruiker laat weten wanneer een tool wordt gebruikt.

• Interacties via spraak vergroten de betrokkenheid: Ongeveer een op de vijf leads belt terug om de interactie met Jon voort te zetten. In één geval belde iemand, nadat die over ons product en onze prijzen had gehoord, terug om Jon simpelweg om een recept voor spaghetti te vragen.

2. Mogelijkheden en aangepaste tools

Jon heeft toegang tot dezelfde tools die een menselijke SDR zou gebruiken om inbound gesprekken zelfstandig te beheren.

Aan het begin van elk gesprek bekijkt hij de inzending van het contactformulier om context te verzamelen. Tijdens het gesprek kan hij leads vervolgens kwalificeren en in realtime afspraken inplannen door beschikbaarheid in verschillende tijdzones te controleren. Nadat een afspraak is ingepland, stuurt hij ons team een samenvatting van het gesprek.

Jon kan ook naadloos tussen 32 talen wisselen, met voor elke landinstelling geoptimaliseerde stemmen. In een gemiddelde week gebruikt hij meer dan acht talen.

3. Data 

Aan het einde van elk gesprek registreert Jon de use case van de lead en de kwalificatiebeslissing, en schrijft hij deze data rechtstreeks naar onze CRM. Daardoor heeft ons team volledig inzicht in elke salesinteractie.

Jon registreert ook gestructureerde data zoals klanttevredenheidsscores. Aan het einde van een gesprek vraagt hij leads hun ervaring te beoordelen op een schaal van 1 tot 10. We beoordelen dagelijks de gesprekken met de hoogste en laagste scores om te begrijpen wat wel en niet werkte. 

Deze gedragingen, mogelijkheden en datapijplijnen zorgen ervoor dat Jon zowel vlot communiceert als operationeel efficiënt werkt, en dezelfde workflows afhandelt als een menselijke SDR.

Resultaten tot nu toe

Sinds de lancering is de AI-SDR ingezet in 38 landen en 24/7 beschikbaar. De agent verwerkt nu meer dan 50 gesprekken per week, het equivalent van twee fulltime SDR's.

Voor 78% van de kwalificatiebeslissingen is geen menselijke tussenkomst nodig. In de resterende 22% maakt de agent meestal ‘false positive’-kwalificaties, waarbij leads worden gekwalificeerd die eigenlijk hadden moeten worden gediskwalificeerd. We hebben liever deze uitkomst dan dat leads worden gediskwalificeerd die hadden moeten worden gekwalificeerd.

Deze false positives komen meestal voor wanneer leads hun verwachte volume of startmoment schatten, maar niet kunnen bevestigen. False negatives zijn zeldzaam en ontstaan meestal wanneer een lead het gesprek beëindigt voordat de agent genoeg informatie heeft om een beslissing te nemen. Voortaan geeft de agent voor onvolledige gevallen als deze ‘N/A’ terug in plaats van de lead te diskwalificeren.

‘We zien een fundamentele verschuiving in hoe inbound sales op schaal kan werken. Met onze AI-SDR kan iedereen die geïnteresseerd is in ons platform nu op elk moment een persoonlijk gesprek starten in de eigen taal. De beste manier om ons platform te begrijpen, is het zelf ervaren, en gekwalificeerde leads plannen nu afspraken in minuten in plaats van dagen.’ – Jonathan Chemouny, EMEA Sales Lead, ElevenLabs

Met een gemiddelde CSAT-score van 8,7 laten de eerste gesprekken zien hoe snel de opvattingen veranderen over wat conversationele agents kunnen bereiken. Hier zijn enkele fragmenten:

• ‘Bedankt dat je me vandaag hebt geholpen. Dit is de eerste keer dat ik een AI-agent heb ontdekt die net zo nuttig was als jij. Ik wens je een fijne dag!’

• ‘Wauw! Wauw! Eerlijk gezegd, je bent goed […] het is helder, het wordt goed uitgelegd. Dit is conversationele AI. Eerlijk gezegd is het geweldig!’ 

• ‘[Dit gesprek] was nuttig voor mij. Het geeft me een eerste indruk van de producten die jullie aanbieden … er waren een paar kleine fouten, maar verder is de audiokwaliteit, of beter gezegd de stemkwaliteit, behoorlijk indrukwekkend.’

Vooruitblik

De komende maanden breiden we de mogelijkheden van de agent uit met onze nieuwe workflowfunctie. Workflows zijn ontworpen om complexere, dynamische gesprekken af te handelen en betrouwbaardere besluitvorming te ondersteunen. Dit maakt ook nieuwe use cases voor agents mogelijk, zoals outbound sales en het opnieuw benaderen van leads die niet reageren.

Vandaag beoordeelt ons team elke beslissing van de AI-SDR. Binnenkort plant het systeem afspraken rechtstreeks in de agenda's van onze account executives, met planningslogica die elke afspraak automatisch naar de juiste eigenaar stuurt.

Onze AI-SDR heeft ons inbound-salesproces al veranderd door aan de verwachtingen van prospects te voldoen en ons team meer tijd te geven om zich te richten op wat belangrijk is. We zien dit als een volgende stap naar een toekomst waarin spraak de belangrijkste interface voor technologie is.

Wil je je eigen conversationele agents bouwen? Ga hier aan de slag.