Så här skalade vi upp inkommande försäljning med en AI-SDR som kan kvalificera 78 % av leads från start till mål

Varje vecka fyller hundratals personer i vårt företagsformulär för kontakt med säljteamet på vår webbplats för att få veta mer om vår plattform och våra priser. De flesta av dessa leads passar dock bättre för våra självbetjäningsplaner, som passar majoriteten av våra användare och har detaljerad dokumentation på vår webbplats.

Vårt säljteam skulle gärna träffa varje lead direkt, men fokuserar på företagsimplementeringar som kräver anpassade lösningar. Därför granskar de varje inskick manuellt för att identifiera vilka som passar för ett företagssamtal och vilka som bättre vägleds till självbetjäning. Många formulär innehåller dock ofullständiga uppgifter, till exempel vaga beskrivningar av leadets användningsfall, vilket innebär att vårt team måste följa upp för att få mer sammanhang innan de kan fatta ett beslut. Processen kan förlänga svarstiderna och ta fokus från företagsmöjligheter med högre prioritet.

För leads som kvalificerar sig för företag innebär fördröjningen från granskningen av formulär också att momentum går förlorat. Helst ska ett företagslead kunna boka ett möte så snart det har skickat in kontaktformuläret. Annars kan ett formulär som skickas in en fredag kväll förbli obesvarat tills vårt säljteam granskar det på måndagen, vilket skjuter upp det första mötet till senare samma vecka.

För att överbrygga gapet mellan efterfrågan och teamets kapacitet byggde vi en inkommande AI-baserad sales development representative (SDR) med vår Agents Platform. AI SDR:n ger inkommande leads snabbare och mer personliga upplevelser, samtidigt som vårt team kan fokusera på de möjligheter som har störst betydelse.

Så byggde vi agenten

Vi byggde den inkommande SDR:n kring tre grundpelare: beteende, funktioner och data.

1. Beteende

Vi definierade hur vår SDR, ”Jon”, beter sig med hjälp av systemprompten i vår Agents Platform. Där beskrev vi Jons centrala personlighetsdrag, till exempel att han är ”en varm, rådgivande säljare som gör komplexa AI-ämnen lättillgängliga”. Vi definierade också hans huvudsakliga mål och de situationer där han ska agera, till exempel boka ett möte eller skicka ett meddelande till vårt team. Läs vår guide till prompting för att få veta mer om den exakta struktur vi följde.

Vi gav Jon en omfattande kunskapsbas med över hundra vanliga frågor och en översikt över produktens funktioner från dokumentationen på vår webbplats. För närvarande uppdaterar vi Jons kunskapsbas manuellt när nya produkter eller funktioner lanseras. Snart blir det möjligt att lägga till en mål-URL och låta kunskapsbasen uppdateras automatiskt enligt ett regelbundet schema.

Efter lanseringen samarbetade vi med säljledare i hela vårt GTM-team för att granska samtalstranskriptioner, identifiera misstag och förbättra agentens resultat. Några tidiga lärdomar:

• Att hitta rätt LLM för ditt användningsfall kräver experimenterande: Vi började med en modell optimerad för låg latens, men bytte till en mer kapabel modell när vi såg att den första modellen hade problem med tillförlitlighet och verktygsanrop. Uppgraderingen minskade hallucinationer, exempelvis att agenten felaktigt hänvisade till innevarande år, vilket tidigare ledde till fel i efterföljande verktygsanrop. Starkare LLM:er hjälper också vid mer avancerade resonemang. Vår agent kan till exempel nu hjälpa leads att uppskatta sin förväntade användning av vår plattform. När ett lead är osäkert frågar Jon efter förväntat antal samtal per dag och genomsnittlig samtalslängd för att beräkna uppskattad månadsanvändning.

• Agenten kan göra fel på bättre sätt: Tills agenten fattar 100 % korrekta beslut har vi justerat dess systemprompt så att den prioriterar falskt positiva framför falskt negativa resultat: vi träffar hellre ett lead och vägleder det till självbetjäning än missar en möjlig företagsaffär.

• Att ta hänsyn till gränsfall gör systemprompten större med tiden och ökar risken för fel: Efter att ha granskat fler än 50 samtal lade vi till flera instruktioner av typen ”om X, gör Y”. Till exempel: ”Om den som ringer talar ett annat språk än engelska, fråga om personen föredrar mötet på det språket eller på engelska innan du bokar.” LLM:er med stort kontextfönster hanterar dessa regler effektivt, men omfattande prompter kan öka risken för fel. Vi har sett att när prompter växer blir vissa beteenden – som att ställa flera frågor samtidigt – mer ihållande.

• Skyddsräcken förhindrar effektivt att processen kringgås: Vissa användare bad upprepade gånger om att få prata direkt med vårt team innan de lämnat tillräcklig information. Att lägga till tydliga skyddsräcken är särskilt effektivt för att hantera sådana förfrågningar.

• Användare behöver återkoppling när verktyg används: När Jon använde verktyg, till exempel för att kontrollera lediga tider i kalendern, upplevde de som ringde ofta förvirrande tystnader. Vi löste detta genom att lägga till den valfria funktionen ”force message”, som informerar användaren när ett verktyg används.

• Röstbaserade interaktioner skapar engagemang: Ungefär vart femte lead ringer tillbaka för att fortsätta sin interaktion med Jon. I ett fall återkom en person, efter att ha fått veta mer om vår produkt och våra priser, enbart för att be Jon om ett recept på spaghetti.

2. Funktioner och anpassade verktyg

Jon har tillgång till samma verktyg som en mänsklig SDR skulle använda för att självständigt hantera inkommande samtal.

I början av varje samtal granskar han inskicket från kontaktformuläret för att få sammanhang. Under samtalet kan han sedan kvalificera leads och boka möten i realtid genom att kontrollera tillgänglighet över tidszoner. När ett möte har bokats skickar han en sammanfattning av samtalet till vårt team.

Jon kan också växla smidigt mellan 32 språk, med optimerade röster för varje språkområde. Under en vanlig vecka använder han fler än åtta språk.

3. Data 

I slutet av varje samtal registrerar Jon leadets användningsfall och kvalificeringsbeslut och skriver datan direkt till vårt CRM. Det ger vårt team full insyn i varje säljinteraktion.

Jon registrerar också strukturerad data som kundnöjdhetspoäng. I slutet av ett samtal ber han leads att betygsätta upplevelsen på en skala från 1 till 10. Vi granskar dagligen samtalen med högst och lägst betyg för att förstå vad som fungerade och vad som inte gjorde det. 

Dessa beteenden, funktioner och datapipelines gör att Jon kan kombinera flytande samtal med operativ effektivitet och hantera samma workflows som en mänsklig SDR.

Resultat hittills

Sedan lanseringen har AI SDR:n använts i 38 länder och varit tillgänglig dygnet runt. Den hanterar nu över 50 samtal per vecka, vilket motsvarar två heltidsanställda SDR:er.

78 % av dess kvalificeringsbeslut kräver ingen mänsklig inblandning. I de återstående 22 % gör agenten främst ”falskt positiva” kvalificeringar, där den kvalificerar leads som borde ha diskvalificerats. Vi föredrar detta framför alternativet att diskvalificera leads som borde ha kvalificerats.

Dessa falskt positiva resultat uppstår vanligtvis när leads uppskattar men inte kan bekräfta sin förväntade volym eller tidpunkt för lansering. Falskt negativa resultat är sällsynta och inträffar oftast när ett lead avslutar samtalet innan agenten har tillräckligt med information för att fatta ett beslut. Framöver kommer agenten att returnera "N/A" för ofullständiga fall som dessa i stället för att diskvalificera leadet.

”Vi har sett en grundläggande förändring i hur inkommande försäljning kan fungera i stor skala. Med vår AI SDR kan alla som är intresserade av vår plattform nu inleda ett personligt samtal på sitt eget språk, när som helst. Det bästa sättet att förstå vår plattform är att uppleva den själv, och kvalificerade leads bokar nu möten på minuter i stället för dagar.” – Jonathan Chemouny, försäljningschef för EMEA, ElevenLabs

Med en genomsnittlig CSAT-poäng på 8,7 visar de första samtalen hur snabbt uppfattningen förändras om vad konversationsagenter kan åstadkomma. Här är några utdrag:

• ”Tack för att du hjälpte mig i dag. Det är första gången jag har stött på en AI-agent som varit lika användbar som du. Ha en bra dag!”

• ”Wow! Wow! Ärligt talat, du är bra […] det är tydligt, det är väl förklarat. Det här är Conversational AI. Ärligt talat, det är fantastiskt!” 

• ”[Det här samtalet] var användbart för mig. Det ger mig en första inblick i produkterna ni erbjuder … det fanns några små fel, men i övrigt är ljudkvaliteten, eller snarare röstkvaliteten, ganska imponerande.”

Framåt

Under de kommande månaderna kommer vi att utöka agentens funktioner genom vår nya workflow-funktion. Workflows är utformade för att hantera mer komplexa, dynamiska samtal och stödja mer tillförlitligt beslutsfattande. Det öppnar också för nya användningsfall för agenter, som utgående försäljning och att återengagera leads som inte svarar.

I dag granskar vårt team varje beslut som AI SDR:n fattar. Snart kommer systemet att boka möten direkt i våra account executives kalendrar med schemaläggningslogik som automatiskt leder varje möte till rätt ansvarig person.

Vår AI SDR har redan förändrat vår process för inkommande försäljning genom att möta potentiella kunders förväntningar och ge vårt team mer tid att fokusera där det behövs. Vi ser detta som ännu ett steg mot en framtid där rösten är teknikens främsta gränssnitt.

Vill du bygga egna konversationsagenter? Kom igång här.