Como usamos o ElevenAgents para economizar 1.200 horas por mês nas operações diárias

Na ElevenLabs, nossos agentes internos economizam mais de 1.200 horas por mês das equipes nas operações diárias. Eles respondem a mais de 5.000 perguntas por mês e também executam ações: criam dezenas de demos personalizadas para clientes e abriram mais de 150 tickets no último mês.

Esses agentes começaram como uma forma de acessar informações internas com mais facilidade no Slack, como dados de retenção de usuários, a documentação certa ou o histórico de uma conta. Depois, evoluíram para agentes que executam ações: um colega faz uma pergunta, relata um bug ou solicita uma demo, e o agente responde ou atende à solicitação. 

Bot FDE criando uma demo para cliente

Vendas: respostas sobre contas e demos sob demanda

As equipes de vendas usam dois agentes: o bot de go-to-market (GTM) para perguntas sobre clientes e o bot de Forward Deployed Engineer (FDE) para perguntas sobre produtos e demos. Alguns exemplos recentes:

• Pergunta de vendas para o bot GTM: "Quem são nossos principais clientes com direitos de uso de logo no Reino Unido, França e Alemanha?" ou “Quais são nossos principais casos de uso da API?”
• Pergunta sobre produto para o bot FDE: “Se um potencial cliente quiser criar um SDR de IA outbound que agenda reuniões em nome dos executivos de contas, de quais integrações ele precisa?”

Nosso bot FDE também cria demos completas para clientes sob demanda, montando um agente funcional configurado para o caso de uso de um potencial cliente diretamente a partir de uma mensagem. 

Suporte e engenharia: automatizando fluxos de triagem

Nosso bot de triagem criou 150 novos tickets apenas no último mês, uma tarefa que antes era muito manual tanto para o suporte quanto para a engenharia. 

Ele trabalha com solicitações de recursos e bugs, usando diferentes Procedimentos para cada tipo de problema. Antes de criar um ticket, ele pesquisa no Slack por contexto relevante, elimina duplicatas entre os tickets existentes e garante que haja detalhes suficientes para diagnosticar o problema antes de abrir um ticket no Linear com a prioridade correta. Em seguida, encaminha o ticket para a equipe certa usando o documento de responsáveis que enviamos à base de conhecimento dos agentes.

Produto e marketing de produto: análise de dados

As equipes de produto e marketing de produto fazem perguntas sobre dados em canais específicos de cada área e recebem a análise na própria conversa. Veja um exemplo recente: "Como a conversão de gratuito para pago dos assinantes self-service do ElevenCreative mudou nos últimos seis meses nos EUA? Quais são os principais fatores?"

Os colegas podem discutir ou fazer perguntas de acompanhamento na mesma conversa. A qualidade das respostas depende do que o agente consegue acessar, por isso selecionamos cuidadosamente os dados de cada agente (mais sobre isso abaixo).

O que aprendemos

Os agentes internos precisam ser confiáveis e precisos desde o início; caso contrário, a equipe deixa de usá-los e de confiar neles. Em um canal compartilhado, os erros ficam mais visíveis — mas os acertos também, o que ajudou na adoção.

Veja outros pontos que ajudaram:

• A curadoria do esquema supera a engenharia de prompts. Os maiores ganhos na qualidade das respostas dos nossos agentes de recuperação vieram da remoção de campos, não do ajuste do prompt de sistema. Cada coluna ou campo extra de objeto dava ao modelo mais uma chance de errar, e reduzir o esquema a um conjunto limitado de campos essenciais melhorou a precisão mais do que qualquer alteração de prompt que testamos.
• Tipagem de listas de opções. Campos do Salesforce, como etapa do negócio ou tipo de conta, são listas de opções: um conjunto fixo de valores válidos. Sozinho, um modelo pode gerar um valor aparentemente plausível que não existe no Salesforce. Agora, buscamos os valores válidos na inicialização e os inserimos nas definições de tipo da ferramenta MCP, para que o modelo só possa escolher opções reais.
• Elimine procedimentos redundantes. Conforme você adiciona procedimentos a um agente ao longo do tempo, alguns podem se sobrepor. O Architect do ElevenAgents pode reestruturá-los para deixar claro quando iniciar cada um e evitar lógicas conflitantes.
• Verificação de tarefas. Depois de criar um ticket no Linear, o agente verifica se os campos foram preenchidos corretamente e se o ticket foi para a equipe certa. Isso reduziu alucinações ocasionais ou a seleção da equipe errada.

Experimente você mesmo

Os agentes fazem parte do trabalho diário na ElevenLabs. Se você tem interesse em criar o seu, saiba mais sobre ElevenAgents.