Så skalade vi upp våra kundintervjuer med ElevenLabs Agents

Vi använde ElevenLabs Agents för att intervjua över 230 användare av vår ElevenReader-app. 

I det här inlägget berättar vi hur vi byggde röstagenten, resultaten från produktions­testet och hur du kan använda verktygen för att förbättra din egen produkt.

Utmaningen med skala

Vi värdesätter kundintervjuer, men det är svårt att skala upp dem. En vanlig liveintervju på 15 minuter ger värdefulla insikter, men att boka in fler än några få per dag är en logistisk utmaning.

Kalendrar stämmer sällan överens, och för ett litet team är det nästintill omöjligt att stödja en global användarbas på dussintals språk – att ha djupgående samtal dygnet runt är en fysisk begränsning.

Enkäter är enklare att skala upp, men de tappar ofta information. De reducerar feedback till flervalsalternativ och missar känslorna och nyanserna i ett enskilt samtal. Med framstegen inom röst-AI och LLM:er kan vi nu överbrygga det glappet. 

Vi byggde en AI-intervjuare med ElevenLabs Agents för att samla in feedback från användare genom riktiga samtal. Vi genomförde över 230 intervjuer på mindre än 24 timmar och har redan lanserat förbättringar i appen baserat på dessa kundinsikter.

Skapa AI-intervjuaren

Vi använde plattformen ElevenLabs Agents för att skapa en samtalsbaserad intervjuare. Målet var att förstå ElevenReader-användarnas uppfattningar inom fyra huvudområden:

• Funktionsönskemål och förbättringar
• Primära användningsområden
• Jämförelser med konkurrenter
• Prissättning och varumärkesvärde

Vi valde rösten ”Hope - The podcaster” för dess vänliga, samtalsinriktade ton  – det känns som att sitta mitt emot en empatisk intervjuare. För logiken valde vi Gemini 2.5 Flash för att balansera låg latens med hög intelligens.

Promptning och skyddsräcken

Vi utformade en systemprompt som instruerade agenten att ställa följdfrågor för djupare insikter, samtidigt som samtalet hölls på rätt spår. Om en användare gav vaga svar eller svarade med ett ord, bad agenten om mer detaljerad feedback. Innan lanseringen använde vi simulerade tester från ElevenLabs för att säkerställa att agenten hanterade gränsfall, som vaga svar eller olämpligt språk.

Se här för systemprompten vi använde.

Datainsamling

Vi använde funktionen Analysis i ElevenLabs Agents för att utvärdera varje samtal. Verktyget hämtar strukturerad data från transkriptioner, så att vi kan omvandla öppna samtal till konkreta insikter. Vi kunde till exempel automatiskt följa svaren på:

• ”Hur använder du främst ElevenReader i dag?”
• ”På vilka två sätt skulle du förbättra appen?”

Agenten använde verktyget end_call för att avsluta samtal efter tio minuter och artigt tacka användaren för deras tid.

Resultaten

På 24 timmar samlade vi in över 36 timmars samtalstid totalt.

• Framgångsgrad: 85 % av samtalen var lyckade och höll sig till ämnet.
• Engagemang: Mediansamtalet varade i 10 minuter, vilket var den högsta tillåtna tiden.
• Djup: Ett samtal omfattade 87 meddelanden. Medianen var 25 meddelanden. 
• Kostnad: Varje 10-minuterssamtal kostade strax under 1,00 USD, eller 9 cent per minut, och allt hostades via ElevenLabs Agents

Analysera data

Vi använde Claude Opus 4.5 för att analysera de 36 timmarna av transkriptioner och hitta trender och insikter baserade på principer för UX-research.

Modellen gav oss övergripande teman, men vi förfinade analysen med ytterligare promptar för att få fram detaljerade insikter, som användarsegmentering, feedback om navigering och priskänslighet per region.

För att dela resultaten internt byggde vi ett interaktivt underlag med Claude. Vårt team kan nu klicka på specifika datapunkter för att se de exakta användarcitat som låg bakom trenden.

Viktiga insikter

Användarna var bekväma med att prata med en AI – nästan 95 % av deltagarna pratade direkt med intervjuaren utan att nämna att det var en samtalsagent. En användare sa:

”Det här kundserviceintervjun är nog den mest anmärkningsvärda AI-upplevelse jag någonsin har haft. Jag önskar att alla frågeformulär var så här, och att all digital kundservice var så här.”

Vi lärde oss:

• Olika behov per segment: 21 % av ElevenReaders skönlitterära läsare efterfrågade dialoger med flera karaktärer, en betydligt högre andel än i andra användarsegment.
• Varumärkesvärde: Användarna förknippar ElevenReader med friheten att kunna lyssna på vilken bok som helst, var som helst, med den mest naturligt klingande röstkvaliteten.
• Språkbehov: Användarna identifierade områden där appens Text to Speech-modell (TTS) blandar ihop språk och accenter – tydliga områden att förbättra. 
• Felrapporter: Intervjuerna lyfte fram specifika problem som vårt utvecklingsteam åtgärdade följande dag.

Framtida möjligheter

Framtidens användarresearch är samtalsbaserad – AI-röstassistenter låter dig lyssna på och prata med dina användare globalt, på deras villkor.

Testet visade hur realistiskt och tillförlitligt AI-agenter kan genomföra djupgående intervjuer i stor skala. Tillsammans med textanalys från LLM:er avslöjade samtalen mönster i hundratals svar – insikter som hade varit svåra att hitta manuellt.

Du kan bygga en liknande AI-intervjuare med ElevenLabs Agents – börja bygga i dag eller kontakta vårt team om du vill veta mer.