Hoe we ons proces voor klantinterviews hebben opgeschaald met ElevenLabs Agents

We gebruikten ElevenLabs Agents om meer dan 230 gebruikers van onze ElevenReader-app te interviewen. 

In dit artikel delen we hoe we de stemagent hebben gebouwd, wat de resultaten van deze productietest zijn en hoe je deze tools kunt gebruiken om je eigen product te verbeteren.

De uitdaging van schaalvergroting

We hechten veel waarde aan klantinterviews, maar ze opschalen is lastig. Een typisch live-interview van 15 minuten levert waardevolle inzichten op, maar meer dan een paar interviews per dag inplannen is logistiek uitdagend.

Agenda's sluiten zelden op elkaar aan en voor een klein team is het vrijwel onmogelijk om een wereldwijde gebruikersgroep in tientallen talen te ondersteunen - diepgaande gesprekken voeren, dag en nacht, kent fysieke grenzen.

Enquêtes zijn weliswaar eenvoudiger op te schalen, maar daarbij gaat vaak informatie verloren. Ze reduceren feedback tot meerkeuzeopties en missen de emotie en nuance van een één-op-één-gesprek. Dankzij vooruitgang in voice AI en LLM's kunnen we die kloof nu overbruggen. 

We bouwden een AI-interviewer met ElevenLabs Agents om via echte gesprekken feedback van gebruikers te verzamelen. In minder dan 24 uur voerden we meer dan 230 interviews en met deze klantinzichten hebben we al verbeteringen aan de app doorgevoerd.

De AI-interviewer maken

We gebruikten het ElevenLabs Agents-platform om een conversationele onderzoeker te maken. Ons doel was om te begrijpen hoe gebruikers van de ElevenReader-app vier belangrijke onderwerpen ervaren:

• Featureverzoeken en verbeteringen
• Belangrijkste use cases
• Vergelijkingen met concurrenten
• Prijzen en merkwaarde

We kozen de stem “Hope - The podcaster” vanwege de vriendelijke, conversationele toon  - het voelt alsof je tegenover een empathische onderzoeker zit. Voor de logica kozen we Gemini 2.5 Flash om een balans te vinden tussen lage latentie en hoge intelligentie.

Prompts en waarborgen

We stelden een system prompt op die de agent opdroeg vervolgvragen te stellen voor diepere inzichten, terwijl het gesprek op koers bleef. Als een gebruiker vaag of met één woord antwoordde, vroeg de agent om uitgebreidere feedback. Voor de lancering gebruikten we gesimuleerde tests van ElevenLabs om te controleren of de agent randgevallen goed afhandelde, zoals vage antwoorden of ongepast taalgebruik.

Bekijk hier de system prompt die we gebruikten.

Gegevens verzamelen

We gebruikten de functie Analysis in ElevenLabs Agents om elk gesprek te evalueren. Deze tool haalt gestructureerde gegevens uit transcripts, zodat we open gesprekken kunnen omzetten in concrete inzichten. Zo konden we automatisch de antwoorden bijhouden op:

• "Hoe gebruik je ElevenReader vandaag voornamelijk?"
• "Op welke twee manieren zou je de app verbeteren?"

De agent gebruikte de tool end_call om gesprekken na tien minuten af te ronden en de gebruiker beleefd te bedanken voor de tijd.

De resultaten

Binnen 24 uur verzamelden we in totaal meer dan 36 uur aan gesprekstijd.

• Succespercentage: 85% van de gesprekken verliep succesvol en bleef bij het onderwerp.
• Betrokkenheid: Het mediane gesprek duurde 10 minuten (het toegestane maximum).
• Diepgang: Eén gesprek telde 87 berichten. De mediaan was 25 berichten. 
• Kosten: Elk gesprek van 10 minuten kostte iets minder dan $1,00, oftewel 9 cent per minuut, volledig gehost via ElevenLabs Agents

De gegevens analyseren

We gebruikten Claude Opus 4.5 om de 36 uur aan transcripts te analyseren op trends en inzichten op basis van UX-onderzoeksprincipes.

Hoewel het model overkoepelende thema's opleverde, verfijnden we de analyse met aanvullende prompts om gedetailleerde inzichten naar voren te halen, zoals gebruikerssegmentatie, feedback over navigatie en prijsgevoeligheid per regio.

Om deze resultaten intern te delen, bouwden we met Claude een interactief artifact. Ons team kan nu op specifieke datapunten klikken om de exacte citaten van gebruikers te zien die de trend onderbouwen.

Belangrijkste bevindingen

Gebruikers voelden zich op hun gemak om met een AI te praten -  bijna 95% van de respondenten ging direct met de interviewer in gesprek zonder te benoemen dat het een conversationele agent was. Een gebruiker zei:

“Nou, dit klantenservice-interview is denk ik de meest bijzondere AI-ervaring die ik ooit heb gehad. Ik wou dat alle vragenlijsten zo waren en dat alle digitale klantenservices zo waren.”

We leerden het volgende:

• Verschillende behoeften per segment: 21% van de fictielezers van ElevenReader vroeg om dialogen met meerdere personages, een veel hoger percentage dan bij andere gebruikerssegmenten.
• Merkwaarde: Gebruikers associëren ElevenReader met de vrijheid om overal naar elk boek te luisteren, met de meest natuurlijk klinkende stemkwaliteit.
• Taalbehoeften: Gebruikers wezen gebieden aan waarin het Text to Speech-model (TTS) van de app talen en accenten verwart  - duidelijke verbeterpunten. 
• Bugmeldingen: De interviews brachten specifieke problemen aan het licht die ons engineeringteam de volgende dag heeft opgelost.

Implicaties voor de toekomst

De toekomst van gebruikersonderzoek is conversationeel - AI-stemagenten laten je wereldwijd op het moment dat gebruikers uitkomt naar hen luisteren en met hen praten.

Deze test liet zien hoe realistisch en betrouwbaar AI-agenten diepgaande interviews op schaal kunnen afnemen. In combinatie met tekstanalyse door LLM's brachten deze gesprekken patronen naar voren in honderden antwoorden - inzichten die handmatig moeilijk te ontdekken waren geweest.

Je kunt een vergelijkbare AI-interviewer bouwen met ElevenLabs Agents - begin vandaag nog met bouwen of neem contact op met ons team voor meer informatie.