Webbinarie-sammanfattning: Bygg en AI GTM-coach med Lovable & ElevenLabs

De flesta säljtränings­team har genomfört rollspelsprogram. Men det är svårt att driva ett som säljarna faktiskt slutför. Och det är ännu svårare att bygga ett kring de unika samtal som ditt team faktiskt har.

I Live Workshop: Build an AI GTM Coach with Lovable & ElevenLabs, Morgan Jacobson (GTM Enablement på Lovable) och Remy Khoung (GTM Enablement på ElevenLabs) berättade hur de löste detta genom att bygga en AI GTM-coach.

De delade med sig av hur de lanserade den för sina team på Lovable och ElevenLabs – och några konkreta lärdomar från bygget.

Begränsningar med säljrollspel

Remy och Morgan stötte regelbundet på följande begränsningar i sina säljrollspel:

1. Övningspartnernas kvalitet varierar, så sessionerna kan ibland bli en genomgång snarare än ett verkligt köparsamtal
2. Det fanns ingen objektiv bedömning förrän säljaren redan satt framför en kund
3. Livesessioner var svåra att samordna mellan tidszoner
4. Rollspel med kollegor kräver att säljare riskerar att framstå som oförberedda inför dem som utvärderar dem

En säljare som fokuserar på hur hen uppfattas av sin chef lägger uppmärksamheten på rummet snarare än på färdigheten.

När publiken tas bort från övningen blir verklig repetition möjlig.

För att lösa några av dessa problem bestämde de sig för att bygga en alltid tillgänglig AI GTM-coach, tränad på de bästa köparsamtalen.

Så byggde de en AI GTM-coach

ElevenAgents fungerade som den underliggande agenten, medan Lovable var gränssnittet.

Agenten
Systemprompten var agentens viktigaste del. Scenariot, reglerna för vad köparen frivilligt berättar och inte berättar samt bedömningsmatrisen ingick alla i instruktionerna. Modellval, språk och röst var konfigurationen ovanpå det.

Gränssnittet
Lovable hanterade allt säljaren använder – rollspelsstudion, uppladdning av transkript, resultattavlan i realtid, certifieringsvägar och tilldelning av övningar med uppföljning av slutförande.

Tre beslut bakom köparpersonan

Tre val formade bygget.

1. Stegvis informationsdelning. AI-köparen lämnar inte frivilligt ut information, så säljaren måste förtjäna den med ett perspektiv eller en skarp fråga. Det hindrar också säljaren från att klara övningen med tre generiska frågor.
2. Strukturerad bedömning. Agenten lämnar rollen i slutet och bedömer enligt definierade kriterier. I bygget som visades var det teknisk korrekthet, trovärdighet inför köparen och om säljaren anpassade sin pitch till köparens nivå.
3. Undervisningsläge. En säljare som har fastnat säger till, agenten pausar, lär ut färdigheten med en konkret exempelfråga eller kundberättelse, och övningen fortsätter. Det är det som gör att upprepad användning känns trygg snarare än utlämnande.

Demo 1: Lovables rollspelsstudio

Scenario: En säljare genomför ett upptäcktssamtal med en AI-köpare vid namn Sarah, vars team har svårt att hålla budskapen konsekventa och behöver för lång tid för att utbilda nya säljare.

Det som visades:

• Säljaren öppnar med en agenda, inleder med ett perspektiv på svårigheten att komma in i rollen och går sedan bortom det uttalade problemet till affärseffekten, varpå köparen frivilligt berättar om en förlorad affär
• En resultattavla i realtid som fylls i under samtalet och en fullständig resultattavla i slutet, båda konfigurerade med naturligt språk utifrån företagets egen metodik
• Scenarier som skapas genom att fråga Lovable-agenten direkt, eller genom att låta Claude via MCP använda ett bibliotek med historiska samtal för att bygga kopior av de vanligaste

Varför det är viktigt: Kvaliteten på rollspelet och kvaliteten på gränssnittet är två separata problem, och de flesta program lyckas bara lösa det första.

Demo 2: Konfigurera ElevenAgents-agenten

Scenario: Agentlagret under gränssnittet, visat genom konfigurationen av ett ElevenAgents-bygge.

Det som visades:

• Systemprompten: scenario, regler för informationsdelning och bedömningsmatris, allt som instruktioner på vanlig engelska
• Ett första meddelande som sätter tonen och inleder scenariot i samma ögonblick som agenten svarar
• Val av språk bland över 70 språk – antingen en agent som hanterar flera språk eller en agent per språk
• Val bland över 10 000 röster, där vissa fungerar bättre på särskilda språk
• En valfri kunskapsbas för dokument om ICP och personas

Varför det är viktigt: Ett rollspel fungerar bara när agenten presterar väl. Det kräver röstkvalitet, låg latens och turordning i samtalet – allt i samma stack.

Bästa praxis för att bygga en AI-coach för rollspel

Skriv bedömningsmatrisen före prompten. Definiera kriterierna som säljarna måste uppfylla och bygg sedan agenten för att testa dem. Om du gör tvärtom blir resultattavlan generisk i säljarnas ögon, vilket är det snabbaste sättet att tappa dem. I lanseringen som visades kom fem kriterier först, och agenten byggdes utifrån dem.

Använd riktiga samtal som grund för scenarierna. I stället för att hitta på scenarier kan du låta Claude via MCP använda ett bibliotek med historiska säljsamtal, sammanfatta de som återkommer oftast och bygga kopior av dem.

Håll svaren korta i prompten. Två till fyra meningar. Är de längre tenderar agenten att tveka oftare.

Anpassa modellen efter samtalets komplexitet. En lätt och snabb modell för enkla rollspel, och något mer kapabelt när samtalet verkligen kräver det, avvägt mot latens och kostnad.

Anpassa prompter efter regionala invändningar. Att lansera i olika regioner var den enkla delen. Utmaningen var att finjustera prompterna, eftersom en amerikansk företagsköpare invänder på ett annat sätt än en köpare i EMEA, Indien eller Japan. De här konventionerna måste tas fram tillsammans med lokala säljare och skrivas in.

Se införandet som förändringsledning. Samsyn hos ledningen, distribution ledd av VP, en trovärdig resultattavla och tävlingsinriktade övningar. Själva bygget tar en eftermiddag, men att få med erfarna säljare tar längre tid.

Se hela sessionen

Se hela webbinariet här.