Wie wir unseren Kundeninterview-Prozess mit ElevenLabs Agents skaliert haben

Wir haben ElevenLabs Agents genutzt, um über 230 Nutzer unserer ElevenReader-App zu interviewen.

In diesem Beitrag zeigen wir, wie wir den Voice Agent entwickelt haben, welche Ergebnisse dieser Praxistest gebracht hat und wie Sie diese Tools zur Verbesserung Ihres eigenen Produkts einsetzen können.

Die Herausforderung der Skalierung

Kundeninterviews sind für uns wertvoll, aber schwer zu skalieren. Ein typisches 15-minütiges Live-Interview liefert wertvolle Einblicke, doch mehr als ein paar pro Tag zu terminieren, ist organisatorisch schwierig.

Termine lassen sich selten abstimmen, und eine globale Nutzerbasis in Dutzenden Sprachen zu unterstützen, ist für ein kleines Team nahezu unmöglich – rund um die Uhr tiefgehende Gespräche zu führen, ist physisch nicht machbar.

Umfragen lassen sich zwar leichter skalieren, gehen aber oft mit Informationsverlust einher. Sie reduzieren Feedback auf Multiple-Choice-Antworten und erfassen weder Emotionen noch Nuancen eines Einzelgesprächs. Mit Fortschritten bei Voice-KI und LLMs können wir diese Lücke jetzt schließen.

Wir haben mit ElevenLabs Agents einen KI-Interviewer gebaut, der echtes Nutzerfeedback in Gesprächen sammelt. In weniger als 24 Stunden führten wir über 230 Interviews und konnten die gewonnenen Erkenntnisse direkt zur Verbesserung der App nutzen.

Den KI-Interviewer erstellen

Wir haben die ElevenLabs Agents Plattform genutzt, um einen konversationellen Research-Agenten zu entwickeln. Unser Ziel war es, die Wahrnehmung der ElevenReader-Nutzer in vier Hauptbereichen zu verstehen:

• Funktionswünsche und Verbesserungen
• Hauptanwendungsfälle
• Vergleich zu Wettbewerbern
• Preisgestaltung und Markenwert

Wir haben die Stimme „Hope – Die Podcasterin“ wegen ihres freundlichen, gesprächigen Tons gewählt – es fühlt sich an wie ein Gespräch mit einer empathischen Forscherin. Für die Logik haben wir Gemini 2.5 Flash ausgewählt, um geringe Latenz mit hoher Intelligenz zu verbinden.

Prompting und Leitplanken

Wir haben einen System-Prompt entwickelt, der den Agenten anweist, gezielt Nachfragen zu stellen und das Gespräch zu steuern. Gibt ein Nutzer vage oder knappe Antworten, fordert der Agent detaillierteres Feedback ein. Vor dem Start haben wir mit ElevenLabs-Simulationen getestet, ob der Agent auch Sonderfälle wie unklare Antworten oder unangemessene Sprache korrekt behandelt.

Siehe hier den von uns verwendeten System-Prompt.

Datenerfassung

Wir haben die Analyse-Funktion in ElevenLabs Agents genutzt, um jedes Gespräch auszuwerten. Dieses Tool extrahiert strukturierte Daten aus Transkripten und macht offene Gespräche auswertbar. So konnten wir zum Beispiel automatisch Antworten auf folgende Fragen erfassen:

• „Wie nutzen Sie ElevenReader aktuell hauptsächlich?“
• „Welche zwei Verbesserungen würden Sie an der App vornehmen?“

Der Agent nutzte das end_call-Tool, um Gespräche nach zehn Minuten zu beenden und sich höflich für die Zeit der Nutzer zu bedanken.

Die Ergebnisse

Innerhalb von 24 Stunden haben wir über 36 Stunden Gesprächszeit gesammelt.

• Erfolgsquote: 85 % der Gespräche waren erfolgreich und themenbezogen.
• Engagement: Die mittlere Gesprächsdauer lag bei 10 Minuten (dem Maximum).
• Tiefe: Ein Gespräch umfasste 87 Nachrichten, der Median lag bei 25 Nachrichten.
• Kosten: Ein 10-minütiges Gespräch kostete knapp 1,00 $, also 9 Cent pro Minute – komplett gehostet über ElevenLabs Agents

Datenanalyse

Wir haben Claude Opus 4.5 genutzt, um die 36 Stunden Transkripte nach Trends und Erkenntnissen gemäß UX-Research-Prinzipien auszuwerten.

Das Modell lieferte zunächst übergeordnete Themen, die wir mit weiteren Prompts verfeinert haben – etwa zur Nutzersegmentierung, zum Navigations-Feedback oder zur Preissensitivität nach Region.

Um die Ergebnisse intern zu teilen, haben wir mit Claude ein interaktives Artefakt gebaut. Unser Team kann nun gezielt Datenpunkte anklicken und die zugehörigen Nutzerzitate einsehen.

Zentrale Erkenntnisse

Nutzer fühlten sich im Gespräch mit der KI wohl – fast 95 % der Befragten interagierten direkt mit dem Interviewer, ohne zu erwähnen, dass es sich um einen Agenten handelt. Ein Nutzer sagte:

„Dieses Kundenservice-Interview ist die beeindruckendste KI-Erfahrung, die ich je hatte. Ich wünschte, alle Fragebögen wären so, und alle digitalen Kundenservices ebenfalls.“

Wir haben gelernt:

• Segmentierte Bedürfnisse: 21 % der Fiction-Leser von ElevenReader wünschten sich Mehrpersonen-Dialoge – deutlich mehr als andere Nutzergruppen.
• Markenwert: Nutzer verbinden ElevenReader mit der Freiheit, jedes Buch überall zu hören – und mit der natürlichsten Stimmqualität.
• Sprachbedarf:Nutzer haben Bereiche identifiziert, in denen das Text-zu-Sprache-Modell der App Sprachen und Akzente verwechselt – hier besteht klarer Verbesserungsbedarf.
• Fehlermeldungen: Die Interviews haben konkrete Probleme aufgezeigt, die unser Engineering-Team am Folgetag behoben hat.

Zukünftige Auswirkungen

Die Zukunft der Nutzerforschung ist konversationell – KI-Voice-Agents ermöglichen es, Nutzer weltweit zu jeder Zeit zu hören und mit ihnen zu sprechen.

Dieser Test hat gezeigt, wie realistisch und zuverlässig KI-Agents tiefgehende Interviews im großen Maßstab führen können. In Kombination mit Textanalysen durch LLMs lassen sich Muster in Hunderten Antworten erkennen – Erkenntnisse, die manuell schwer zu gewinnen wären.

Sie können einen ähnlichen KI-Interviewer mit ElevenLabs Agents erstellen – jetzt starten oder unser Team kontaktieren, um mehr zu erfahren.