Hur vi skalerade inkommande försäljning med en AI SDR som kvalificerar 78% av leads från början till slut

Varje vecka fyller hundratals personer i företagsformuläret försäljningsformulär på vår webbplats för att lära sig mer om vår plattform och prissättning. Men de flesta av dessa leads passar bättre för våra självbetjäningsplaner, som tillgodoser majoriteten av våra användare och har detaljerad dokumentation på vår webbplats.

Även om vårt säljteam gärna skulle vilja träffa varje lead direkt, fokuserar de på företagsimplementeringar som kräver anpassade lösningar. Istället granskar de manuellt varje inskick för att identifiera vilka som passar för ett företagsmöte och vilka som bättre guidas mot självbetjäning. Många formulär innehåller dock ofullständiga detaljer som vaga beskrivningar av leadens användningsfall, vilket kräver att vårt team följer upp för att få kontext innan de fattar ett beslut. Denna process kan sakta ner svarstider och ta fokus från mer prioriterade företagsmöjligheter.

För företagskvalificerade leads innebär fördröjningen från att granska formulärinskick också förlorad momentum. Idealiskt sett borde en företagslead kunna boka ett möte så snart de skickar in kontaktformuläret. Annars, om ett formulär skickas in på fredagskvällen, kanske leaden inte hör av sig förrän vårt säljteam granskar det på måndag, vilket skjuter det första mötet till senare den veckan.

För att stänga gapet mellan efterfrågan och teamets kapacitet byggde vi en inkommande AI försäljningsutvecklingsrepresentant (SDR) med hjälp av vår Agents Platform. AI SDR:n levererar snabbare, mer personliga upplevelser för inkommande leads samtidigt som vårt team kan fokusera på de mest betydelsefulla möjligheterna.

Hur vi byggde agenten

Vi byggde den inkommande SDR:n kring tre pelare: beteende, kapacitet och data.

1. Beteende

Vi definierade hur vår SDR, “Jon”, beter sig med hjälp av systemprompten i vår Agents Platform. I den beskrev vi Jons kärnpersonlighetsdrag, som att vara “en varm, konsultativ försäljningsrepresentant som gör komplexa AI-ämnen lättillgängliga.” Vi definierade också hans huvudmål och de scenarier där han ska agera, som att boka ett möte eller skicka ett meddelande till vårt team. För att lära dig mer om den exakta strukturen vi följde, se vår promptguide.

Vi utrustade Jon med en omfattande kunskapsbas, inklusive mer än hundra vanliga frågor och en översikt över våra produktfunktioner från vår webbplatsdokumentation. För närvarande uppdaterar vi Jons kunskapsbas manuellt när nya produkter eller funktioner släpps. Snart kommer det att vara möjligt att lägga till en måladress och få kunskapsbasen att uppdateras automatiskt på ett regelbundet schema.

Efter lanseringen arbetade vi med försäljningsledare över vårt GTM-team för att granska samtalstranskript, identifiera misstag och förbättra agentens prestanda. Tidiga lärdomar inkluderade:

• Att hitta rätt LLM för ditt användningsfall kräver experimentering: Vi började med en modell optimerad för låg latens men bytte till en mer kapabel efter att ha observerat att den initiala modellen hade problem med tillförlitlighet och verktygsanrop. Uppgraderingen minskade hallucinationer, som att agenten felaktigt refererade till det aktuella året, vilket tidigare orsakade fel i verktygsanrop. Starkare LLM:er är också användbara för mer avancerade resonemangsbehov. Till exempel kan vår agent nu hjälpa leads att uppskatta deras förväntade användning av vår plattform. När en lead är osäker, frågar Jon nu efter deras förväntade samtal per dag och genomsnittlig samtalslängd för att beräkna uppskattad månatlig användning.

• Agenten kan misslyckas på föredragna sätt: Tills agenten fattar 100% av besluten korrekt, justerade vi dess systemprompt för att föredra falska positiva framför falska negativa: vi skulle hellre träffa en lead och guida dem till en självbetjäningsväg än att missa en potentiell företagsmöjlighet.

• Att ta hänsyn till kantfall sväller systemprompten över tid och introducerar felrisk: Efter att ha granskat mer än 50 samtal introducerade vi flera “om X, gör Y”-instruktioner. Till exempel: “Om den som ringer talar ett annat språk än engelska, fråga om de föredrar mötet på det språket eller på engelska innan bokning.” Medan stora kontext-LLM:er hanterar dessa regler effektivt, kan svällande prompts öka felrisken. Vi har observerat att när prompts expanderar, blir vissa beteenden - som att ställa flera frågor samtidigt - mer ihållande.

• Skyddsräcken är effektiva för att förhindra processförbikoppling: Vissa användare bad upprepade gånger att få prata direkt med vårt team innan de gav tillräcklig information. Att lägga till explicita skyddsräcken är särskilt effektivt för att mildra dessa förfrågningar.

• Användare behöver feedback under verktygsanvändning: När Jon använde verktyg som att kontrollera kalender tillgänglighet, upplevde de som ringde ofta förvirrande tystnader. Vi löste detta genom att lägga till en valfri “tvinga meddelande”-funktion som informerar användaren när ett verktyg används.

• Röstbaserade interaktioner bygger engagemang: Ungefär en av fem leads ringer tillbaka för att fortsätta sin interaktion med Jon. I ett fall, efter att ha lärt sig om vår produkt och prissättning, återvände en som ringde bara för att be Jon om ett spaghettirecept.

2. Kapacitet och anpassade verktyg

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

I början av varje samtal granskar han kontaktformulärets inskick för att samla kontext. Under samtalet kan han sedan kvalificera leads och boka möten i realtid genom att kontrollera tillgänglighet över tidszoner. Efter att ett möte bokats skickar han vårt team en sammanfattning av samtalet.

Jon kan också sömlöst växla mellan 32 språk, med optimerade röster för varje lokal. Under en typisk vecka använder han mer än åtta språk.

3. Data

I slutet av varje samtal fångar Jon leadens användningsfall och kvalificeringsbeslut, och skriver denna data direkt till vårt CRM. Detta ger vårt team full insyn i varje försäljningsinteraktion.

Jon registrerar också strukturerad data som kundnöjdhetspoäng. I slutet av en konversation ber han leads att betygsätta sin upplevelse på en skala från 1-10. Vi granskar de högst och lägst betygsatta konversationerna dagligen för att förstå vad som fungerade och vad som inte gjorde det.

Dessa beteenden, kapaciteter och datapipelines säkerställer att Jon fungerar med både konversationsflyt och operativ effektivitet, och hanterar samma arbetsflöden som en mänsklig SDR.

Resultat hittills

Sedan lanseringen har AI SDR:n distribuerats över 38 länder med dygnet runt tillgänglighet. Den hanterar nu över 50 samtal per vecka, motsvarande två heltids-SDR:er.

78% av dess kvalificeringsbeslut kräver ingen mänsklig intervention. I de återstående 22% gör agenten mestadels “falska positiva” kvalificeringar där den kvalificerar leads som borde ha diskvalificerats. Vi föredrar detta resultat framför alternativet att diskvalificera leads som borde ha kvalificerats.

Dessa falska positiva inträffar vanligtvis när leads uppskattar men inte kan bekräfta sin förväntade volym eller lanseringstid. Falska negativa är sällsynta och inträffar vanligtvis när en lead avslutar samtalet innan agenten har tillräcklig information för att fatta ett beslut. Framöver kommer agenten att returnera "N/A" för ofullständiga fall som dessa istället för att diskvalificera leaden.

"Vi har sett en grundläggande förändring i hur inkommande försäljning kan fungera i stor skala. Med vår AI SDR kan vem som helst som är intresserad av vår plattform nu starta en personlig konversation 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 några minuter istället för dagar." – Jonathan Chemouny, EMEA Sales Lead, ElevenLabs

Med ett genomsnittligt CSAT-betyg på 8,7 visar tidiga konversationer hur snabbt uppfattningarna förändras om vad konversationsagenter kan uppnå. Här är några utdrag:

• “Tack för att du hjälpte mig idag. Det är första gången jag upptäcker en AI-agent som var lika användbar som du är. Och jag önskar dig en bra dag!”

• “Wow! Wow! Ärligt talat, du är bra […] det är rent, det är väl förklarat. Detta är konversations-AI. Ärligt talat, det är fantastiskt!”

• “[Denna konversation] var användbar för mig. Det ger mig en första inblick i de produkter ni erbjuder … det fanns några små fel, men annars är ljudkvaliteten, ja, röstkvaliteten, ganska imponerande.”

Framåt

Under de kommande månaderna kommer vi att utöka agentens kapacitet genom vår nya arbetsflödesfunktion. Arbetsflöden är utformade för att hantera mer komplexa, dynamiska konversationer och stödja mer tillförlitligt beslutsfattande. Detta kommer också att låsa upp nya agentanvändningsfall som utgående försäljning och återengagera oresponsiva leads.

Idag granskar vårt team varje beslut som fattas av AI SDR:n. Snart kommer systemet att boka möten direkt i våra kontochefers kalendrar med schemaläggningslogik som automatiskt dirigerar varje möte till rätt ägare.

Vår AI SDR har redan omformat vår inkommande försäljningsprocess genom att möta prospektens förväntningar och ge vårt team mer tid att fokusera där det spelar roll. Vi ser detta som ytterligare ett steg mot en framtid där röst är det primära gränssnittet för teknik.

Vill du bygga dina egna konversationsagenter? Kom igång här.