Volgens ElevenLabs besparen hun interne agents de teams meer dan 1.200 uur per maand in hun dagelijkse operaties. Deze agents beantwoorden meer dan 5.000 vragen per maand, en ze gaan ook over tot actie, door demo’s voor klanten te bouwen en tickets aan te maken.
Deze tools werden eerst gebruikt om gemakkelijker informatie terug te vinden in Slack, de professionele chatdienst van het bedrijf, of het nu ging om gegevens over gebruikersretentie, documentatie of de geschiedenis van een account. Ze evolueerden vervolgens naar agents die kunnen handelen: een medewerker stelt een vraag, meldt een bug of vraagt een demo, en de agent antwoordt of voert het verzoek uit.
Verkoop en demo’s op aanvraag
De commerciële teams gebruiken twee agents. De « GTM bot », voor go-to-market, beantwoordt vragen over klanten, terwijl de « FDE bot », waarbij FDE staat voor Forward Deployed Engineer, dus een ingenieur die bij klanten wordt ingezet, productvragen en demo’s behandelt. Onder de recente voorbeelden vraagt een verkoper « Wie zijn onze belangrijkste klanten met logo-gebruiksrechten in het Verenigd Koninkrijk, Frankrijk en Duitsland? », terwijl een andere vraag gaat over de belangrijkste use cases van de API.
De FDE bot kan ook, vanuit een eenvoudig bericht, een functionele agent in elkaar zetten die is geconfigureerd voor de use case van een prospect. Het gaat om volledige demo’s die op aanvraag worden geproduceerd.
Support en engineering: de triage automatiseren
De « triage bot » behandelt verzoeken voor functionaliteiten en bugs, waarbij hij een andere procedure volgt voor elk type probleem. Voordat hij een ticket aanmaakt, zoekt hij naar relevante context in Slack, controleert hij op duplicaten onder bestaande tickets en zorgt hij ervoor dat de informatie voldoende is om het probleem te diagnosticeren. Het ticket wordt vervolgens geopend in Linear met de juiste prioriteit en daarna doorgezet naar het betrokken team dankzij een verantwoordelijkheidsverdeling-document dat in de kennisbank van de agent is opgenomen. Dit werk was volgens het bedrijf vroeger zeer handmatig tussen support en engineering.
De product- en productmarketingteams stellen hun vragen over gegevens in toegewezen kanalen en ontvangen de analyse rechtstreeks in de discussiedraad. Een voorbeeld dat ElevenLabs noemt, vraagt hoe de conversie van gratis gebruikers naar betaalde abonnementen van ElevenCreative zich de afgelopen zes maanden in de VS heeft ontwikkeld, en wat de belangrijkste factoren zijn. Medewerkers kunnen vervolgens in dezelfde draad discussiëren of aanvullende vragen stellen. De kwaliteit van de antwoorden hangt echter af van wat de agent kan raadplegen, vandaar de zorgvuldige selectie van de gegevens van elk van hen.
Wat het bedrijf ervan opsteekt
ElevenLabs benadrukt dat deze agents vanaf het begin betrouwbaar en nauwkeurig moeten zijn, anders stoppen de teams met het gebruik ervan. In een gedeeld kanaal zijn fouten zichtbaarder, maar successen ook, wat de adoptie heeft bevorderd.
Volgens het bedrijf komt de grootste winst in de kwaliteit van de antwoorden niet van het herschrijven van instructies, maar van het verwijderen van velden. « De curatie van het schema wint het van de prompt engineering », schrijft het. Elke extra kolom of veld biedt het model een kans om een fout te maken. Voor Salesforce-velden met vaste waarden, zoals het stadium van een kans of het accounttype, worden de geldige waarden nu bij opstart opgehaald en geïnjecteerd in de definities van het MCP-tool, een protocol dat modellen verbindt met externe tools, zodat het model alleen bestaande opties kan kiezen. Ten slotte herstructureert de Architect van ElevenAgents overlappende procedures, en elk ticket dat in Linear wordt aangemaakt, wordt gecontroleerd op zijn velden en bestemmingsteam.
