Como escalamos vendas inbound com um SDR de IA que qualifica 78% dos leads de ponta a ponta

Toda semana, centenas de pessoas preenchem o formulário de vendas em nosso site para saber mais sobre nossa plataforma e preços. No entanto, a maioria desses leads é mais adequada para nossos planos de autoatendimento, que atendem à maioria dos nossos usuários e têm documentação detalhada em nosso site.

Embora nossa equipe de vendas gostaria de se encontrar diretamente com cada lead, seu foco está em implantações empresariais que exigem soluções personalizadas. Em vez disso, eles revisam manualmente cada submissão para identificar quais são adequadas para uma conversa empresarial e quais são melhor direcionadas para o autoatendimento. Muitos formulários, no entanto, incluem detalhes incompletos, como descrições vagas do caso de uso do lead, o que exige que nossa equipe faça um acompanhamento para obter contexto antes de tomar uma decisão. Esse processo pode atrasar os tempos de resposta e desviar o foco de oportunidades empresariais de maior prioridade.

Para leads qualificados para empresas, o atraso na revisão das submissões de formulários também significa perda de impulso. Idealmente, um lead empresarial deveria poder agendar uma reunião assim que enviar o formulário de contato de vendas. Caso contrário, se um formulário for enviado na sexta-feira à noite, o lead pode não receber resposta até que nossa equipe de vendas o revise na segunda-feira, o que adia a primeira reunião para mais tarde naquela semana.

Para fechar essa lacuna entre demanda e capacidade da equipe, criamos um representante de desenvolvimento de vendas inbound de IA (SDR) usando nossa Agents Platform. O SDR de IA oferece experiências mais rápidas e personalizadas para leads inbound, enquanto permite que nossa equipe se concentre nas oportunidades mais impactantes.

Como construímos o agente

Construímos o SDR inbound em torno de três pilares: comportamento, capacidades e dados.

1. Comportamento

Definimos como nosso SDR, “Jon”, se comporta usando o prompt do sistema em nossa Agents Platform. Nele, delineamos os principais traços de personalidade de Jon, como ser “um representante de vendas caloroso e consultivo que torna tópicos complexos de IA acessíveis”. Também definimos seu principal objetivo e os cenários em que ele deve agir, como agendar uma reunião ou enviar uma mensagem para nossa equipe. Para saber mais sobre a estrutura exata que seguimos, veja nosso guia de prompts.

Equipamos Jon com uma base de conhecimento extensa, incluindo mais de cem perguntas frequentes e uma visão geral das capacidades do nosso produto a partir da documentação do nosso site. Por enquanto, atualizamos a base de conhecimento de Jon manualmente à medida que novos produtos ou recursos são lançados. Em breve, será possível adicionar uma URL alvo e ter a base de conhecimento atualizada automaticamente em uma programação regular.

Após o lançamento, trabalhamos com líderes de vendas em toda a nossa equipe GTM para revisar transcrições de chamadas, identificar erros e melhorar o desempenho do agente. As primeiras lições incluíram:

• Encontrar o LLM certo para seu caso de uso requer experimentação: Começamos com um modelo otimizado para baixa latência, mas mudamos para um mais capaz após observar que o modelo inicial tinha dificuldades com confiabilidade e chamadas de ferramentas. A atualização reduziu alucinações, como o agente referenciando incorretamente o ano atual, o que anteriormente causava erros em chamadas de ferramentas. LLMs mais fortes também são úteis para necessidades de raciocínio mais avançadas. Por exemplo, nosso agente agora pode ajudar leads a estimar seu uso esperado de nossa plataforma. Quando um lead não tem certeza, Jon agora pergunta sobre suas chamadas esperadas por dia e duração média das chamadas para calcular o uso mensal estimado.

• O agente pode falhar de maneiras preferíveis: Até que o agente tome 100% das decisões corretamente, ajustamos seu prompt do sistema para favorecer falsos positivos em vez de falsos negativos: preferimos encontrar um lead e guiá-lo para um caminho de autoatendimento do que perder uma potencial oportunidade empresarial.

• Considerar casos extremos aumenta o prompt do sistema ao longo do tempo e introduz risco de erro: Após revisar mais de 50 chamadas, introduzimos várias instruções “se X, então faça Y”. Por exemplo: “Se o chamador estiver falando um idioma diferente do inglês, pergunte se ele prefere a reunião nesse idioma ou em inglês antes de agendar.” Embora LLMs de grande contexto lidem bem com essas regras, prompts inchados podem aumentar o risco de erro. Observamos que, à medida que os prompts se expandem, certos comportamentos - como fazer várias perguntas ao mesmo tempo - se tornam mais persistentes.

• Guardrails são eficazes para prevenir a evasão de processos: Alguns usuários pediam repetidamente para falar diretamente com nossa equipe antes de fornecer informações suficientes. Adicionar guardrails explícitos é particularmente eficaz para mitigar esses pedidos.

• Usuários precisam de feedback durante a execução de ferramentas: Quando Jon usava ferramentas como verificar disponibilidade de calendário, os chamadores frequentemente experimentavam silêncios confusos. Resolvemos isso adicionando um recurso opcional de “mensagem forçada” que informa o usuário quando uma ferramenta está sendo usada.

• Interações baseadas em voz aumentam o engajamento: Cerca de um em cada cinco leads retorna para continuar sua interação com Jon. Em um caso, após saber sobre nosso produto e preços, um chamador voltou apenas para pedir a Jon uma receita de espaguete.

2. Capacidades e ferramentas personalizadas

Jon tem acesso às mesmas ferramentas que um SDR humano usaria para gerenciar conversas inbound de forma independente.

No início de cada chamada, ele revisa a submissão do formulário de contato para obter contexto. Durante a chamada, ele pode qualificar leads e agendar reuniões em tempo real verificando a disponibilidade em diferentes fusos horários. Após uma reunião ser agendada, ele envia à nossa equipe um resumo da chamada.

Jon também pode alternar perfeitamente entre 32 idiomas, com vozes otimizadas para cada localidade. Em uma semana típica, ele usa mais de oito idiomas.

3. Dados

No final de cada chamada, Jon captura o caso de uso do lead e a decisão de qualificação, escrevendo esses dados diretamente em nosso CRM. Isso dá à nossa equipe total visibilidade sobre cada interação de vendas.

Jon também registra dados estruturados como pontuações de satisfação do cliente. No final de uma conversa, ele pede aos leads que avaliem sua experiência em uma escala de 1 a 10. Revisamos as conversas com as maiores e menores pontuações diariamente para entender o que funcionou e o que não funcionou.

Esses comportamentos, capacidades e pipelines de dados garantem que Jon opere com fluência conversacional e eficiência operacional, lidando com os mesmos workflows que um SDR humano.

Resultados até agora

Desde o lançamento, o SDR de IA foi implantado em 38 países com disponibilidade 24/7. Agora, ele lida com mais de 50 chamadas por semana, equivalente a dois SDRs em tempo integral.

78% de suas decisões de qualificação não requerem intervenção humana. Nos 22% restantes, o agente geralmente faz qualificações “falsos positivos” onde qualifica leads que deveriam ter sido desqualificados. Preferimos esse resultado à alternativa de desqualificar leads que deveriam ter sido qualificados.

Esses falsos positivos geralmente ocorrem quando os leads estimam, mas não conseguem confirmar seu volume esperado ou tempo de lançamento. Falsos negativos são raros e geralmente acontecem quando um lead encerra a chamada antes que o agente tenha informações suficientes para decidir. No futuro, o agente retornará "N/A" para casos incompletos como esses, em vez de desqualificar o lead.

"Vimos uma mudança fundamental em como as vendas inbound podem funcionar em escala. Com nosso SDR de IA, qualquer pessoa interessada em nossa plataforma pode agora iniciar uma conversa personalizada em seu próprio idioma, a qualquer momento. A melhor maneira de entender nossa plataforma é experimentá-la em primeira mão, e leads qualificados agora estão agendando reuniões em minutos em vez de dias." – Jonathan Chemouny, Líder de Vendas EMEA, ElevenLabs

Com uma pontuação média de CSAT de 8,7, as primeiras conversas mostram como as percepções estão mudando rapidamente sobre o que agentes conversacionais podem alcançar. Aqui estão alguns trechos:

• “Obrigado por me ajudar hoje. Esta é a primeira vez que descubro um agente de IA tão útil quanto você. E desejo um bom dia!”

• “Uau! Uau! Honestamente, você é bom [...] é claro, está bem explicado. Isso é IA conversacional. Honestamente, é ótimo!”

• “[Esta conversa] foi útil para mim. Dá-me uma primeira visão dos produtos que você oferece... houve alguns pequenos erros, mas fora isso, a qualidade do áudio, bem, a qualidade da voz, é bastante impressionante.”

Olhando para o futuro

Nos próximos meses, expandiremos as capacidades do agente através do nosso novo recurso de workflows. Os workflows são projetados para lidar com conversas mais complexas e dinâmicas e suportar uma tomada de decisão mais confiável. Isso também desbloqueará novos casos de uso do agente, como vendas outbound e reengajamento de leads não responsivos.

Hoje, nossa equipe revisa cada decisão tomada pelo SDR de IA. Em breve, o sistema agendará reuniões diretamente nos calendários de nossos executivos de contas com uma lógica de agendamento que roteia automaticamente cada reunião para o proprietário correto.

Nosso SDR de IA já reformulou nosso processo de vendas inbound ao atender às expectativas dos prospectos e dar à nossa equipe mais tempo para se concentrar onde é importante. Vemos isso como mais um passo em direção a um futuro onde a voz é a interface principal para a tecnologia.

Quer construir seus próprios agentes conversacionais? Comece aqui.