Jak skalowaliśmy proces wywiadów z klientami dzięki ElevenLabs Agents

Dzięki ElevenLabs Agents przeprowadziliśmy wywiady z ponad 230 użytkownikami naszej aplikacji ElevenReader. 

W tym artykule pokazujemy, jak stworzyliśmy agenta głosowego, jakie wyniki przyniósł ten test produkcyjny i jak wykorzystać te narzędzia, by ulepszać własny produkt.

Wyzwanie związane ze skalą

Cenimy wywiady z klientami, ale trudno je skalować. Typowy 15-minutowy wywiad na żywo daje cenne wnioski, lecz umówienie więcej niż kilku dziennie jest logistycznym wyzwaniem.

Kalendarze rzadko się zgrywają, a obsługa globalnej bazy użytkowników w dziesiątkach języków jest niemal niemożliwa dla małego zespołu — prowadzenie pogłębionych rozmów przez całą dobę ma swoje fizyczne ograniczenia.

Ankiety łatwiej skalować, ale często gubią ważne informacje. Sprowadzają opinie do odpowiedzi wielokrotnego wyboru i pomijają emocje oraz niuanse rozmowy 1:1. Postępy w głosowej AI i LLM-ach pozwalają dziś wypełnić tę lukę. 

Stworzyliśmy Ankietera AI w ElevenLabs Agents, by zbierać opinie użytkowników w prawdziwych rozmowach. Przeprowadziliśmy ponad 230 wywiadów w mniej niż 24 godziny i już wprowadziliśmy ulepszenia aplikacji na podstawie tych wniosków.

Tworzenie Ankietera AI

Wykorzystaliśmy platformę ElevenLabs Agents, by stworzyć konwersacyjnego badacza. Chcieliśmy zrozumieć, jak użytkownicy aplikacji ElevenReader postrzegają cztery główne obszary:

• Prośby o funkcje i ulepszenia
• Główne zastosowania
• Porównania z konkurencją
• Ceny i wartość marki

Wybraliśmy głos „Hope - The podcaster” ze względu na jego przyjazny, konwersacyjny ton — rozmowa brzmi, jakby siedziało się naprzeciw empatycznego badacza. Za logikę odpowiadał Gemini 2.5 Flash, który łączy niskie opóźnienia z wysoką inteligencją.

Prompt i zabezpieczenia

Przygotowaliśmy prompt systemowy, który polecał agentowi zadawać dodatkowe pytania, by uzyskać głębsze wnioski, a zarazem trzymać się tematu. Gdy użytkownik odpowiadał ogólnikowo lub jednym słowem, agent prosił o bardziej szczegółową opinię. Przed uruchomieniem użyliśmy symulowanych testów ElevenLabs, aby upewnić się, że agent radzi sobie z przypadkami brzegowymi, takimi jak niejasne odpowiedzi czy nieodpowiedni język.

Zobacz tutaj użyty przez nas prompt systemowy.

Zbieranie danych

Do oceny każdej rozmowy wykorzystaliśmy funkcję Analysis w ElevenLabs Agents. Narzędzie wyciąga uporządkowane dane z transkrypcji, dzięki czemu zamieniamy otwarte rozmowy w konkretne wnioski. Mogliśmy na przykład automatycznie śledzić odpowiedzi na pytania:

• „Jak obecnie najczęściej korzystasz z ElevenReader?”
• „Na jakie dwa sposoby ulepszył(a)byś aplikację?”

Agent używał narzędzia end_call, aby zakończyć rozmowę po dziesięciu minutach i uprzejmie podziękować użytkownikowi za jego czas.

Wyniki

W ciągu 24 godzin zebraliśmy łącznie ponad 36 godzin rozmów.

• Wskaźnik sukcesu: 85% rozmów zakończyło się sukcesem i dotyczyło tematu.
• Zaangażowanie: Mediana długości rozmowy wyniosła 10 minut, czyli maksymalny dozwolony czas.
• Głębokość: Jedna rozmowa miała 87 wiadomości. Mediana wyniosła 25 wiadomości. 
• Koszt: Każda 10-minutowa rozmowa kosztowała niecałego $1.00, czyli 9 centów za minutę, a wszystkie były obsługiwane przez ElevenLabs Agents

Analiza danych

Użyliśmy Claude Opus 4.5 do analizy 36 godzin transkrypcji pod kątem trendów i wniosków, zgodnie z zasadami badań UX.

Model wskazał główne tematy, a my doprecyzowaliśmy analizę dodatkowymi promptami, by wydobyć szczegółowe wnioski, takie jak segmentacja użytkowników, opinie o nawigacji i wrażliwość cenowa w różnych regionach.

Aby udostępnić te wyniki wewnątrz firmy, stworzyliśmy z Claude interaktywny materiał. Nasz zespół może teraz kliknąć konkretny punkt danych i zobaczyć dokładne cytaty użytkowników, na których opiera się dany trend.

Kluczowe wnioski

Użytkownicy swobodnie rozmawiali z AI — niemal 95% respondentów rozmawiało bezpośrednio z ankieterem, nie zauważając, że jest agentem konwersacyjnym. Jeden z użytkowników powiedział:

„Cóż, ten wywiad dotyczący obsługi klienta to chyba najbardziej niezwykłe doświadczenie z AI, jakie kiedykolwiek miałem. Chciałbym, żeby wszystkie ankiety wyglądały tak i żeby wszystkie cyfrowe usługi obsługi klienta były takie.”

Dowiedzieliśmy się:

• Zróżnicowane potrzeby: 21% czytelników fikcji w ElevenReader prosiło o dialogi z wieloma postaciami — znacznie częściej niż inne segmenty użytkowników.
• Wartość marki: Użytkownicy kojarzą ElevenReader ze swobodą słuchania każdej książki, gdziekolwiek są, oraz najbardziej naturalnie brzmiącymi głosami.
• Potrzeby językowe: Użytkownicy wskazali obszary, w których model Text to Speech (TTS) w aplikacji myli języki i akcenty — to jasne obszary do poprawy. 
• Zgłoszenia błędów: Wywiady ujawniły konkretne problemy, które nasz zespół inżynierów naprawił następnego dnia.

Co dalej

Przyszłość badań użytkowników to rozmowy — agenci głosowi AI pozwalają ci słuchać użytkowników i rozmawiać z nimi na całym świecie, w dogodnym dla nich czasie.

Ten test pokazał, że agenci AI mogą realistycznie i niezawodnie prowadzić pogłębione wywiady na dużą skalę. W połączeniu z analizą tekstu przez LLM-y rozmowy te ujawniły wzorce w setkach odpowiedzi — wnioski, które trudno byłoby znaleźć ręcznie.

Podobnego ankietera AI możesz stworzyć z ElevenLabs Agents — zacznij tworzyć już dziś lub skontaktuj się z naszym zespołem, aby dowiedzieć się więcej.