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 vårt produktionstest och hur du kan använda de här verktygen för att förbättra din egen produkt.

Utmaningen med att skala upp

Vi värdesätter kundintervjuer, men det är svårt att skala upp dem. En vanlig 15-minuters liveintervju ger bra insikter, men att boka in fler än några stycken per dag är en logistisk utmaning.

Kalendrar går sällan ihop, och att stötta en global användarbas på dussintals språk är nästan omöjligt för ett litet team – att ha djupgående samtal dygnet runt är en fysisk begränsning.

Enkätundersökningar är lättare att skala, men de tappar ofta nyanser. De förenklar feedback till flervalsfrågor och missar känslan och detaljerna i ett enskilt samtal. Med framsteg inom röst-AI och LLM:er kan vi nu överbrygga det gapet.

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 gjort förbättringar i appen tack vare dessa insikter.

Att skapa AI-intervjuaren

Vi använde ElevenLabs Agents-plattformen för att skapa en samtalsforskare. Målet var att förstå användarnas upplevelse av ElevenReader-appen inom fyra huvudområden:

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

Vi valde rösten “Hope – The podcaster” för dess vänliga, samtalston – det känns som att sitta mittemot en empatisk forskare. För logiken valde vi Gemini 2.5 Flash för att balansera låg fördröjning med hög intelligens.

Prompt och skyddsräcken

Vi tog fram en systemprompt som instruerade agenten att ställa följdfrågor för djupare insikter och hålla samtalet på rätt spår. Om en användare svarade vagt eller med ett ord, bad agenten om mer utförlig feedback. Innan lansering använde vi ElevenLabs simulerade tester för att säkerställa att agenten hanterade specialfall, 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. Det här verktyget extraherar strukturerad data från transkriptioner, så vi kan omvandla öppna samtal till konkreta insikter. Till exempel kunde vi automatiskt följa svaren på:

• "Hur använder du ElevenReader främst idag?"
• "På vilka två sätt skulle du förbättra appen?"

Agenten använde verktyget end_call för att avsluta samtalet efter tio minuter och tackade användaren artigt för tiden.

Resultaten

På 24 timmar samlade vi in över 36 timmars samtalstid.

• Lyckandefrekvens: 85 % av samtalen var lyckade och relevanta.
• Engagemang: Medelsamtalet varade i 10 minuter (maxgränsen).
• Djup: Ett samtal bestod av 87 meddelanden. Medianen var 25 meddelanden.
• Kostnad: Varje 10-minuterssamtal kostade strax under $1.00, eller 9 cent per minut, och allt skedde via ElevenLabs Agents

Att analysera datan

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

Modellen gav övergripande teman, men vi förfinade analysen med fler prompts för att hitta detaljerade insikter – som användarsegmentering, feedback om navigation och priskänslighet per region.

För att dela resultaten internt byggde vi ett interaktivt verktyg med Claude. Vårt team kan nu klicka på specifika datapunkter och se exakt vilka användarcitat som ligger 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:

“Den här kundserviceintervjun är nog den mest imponerande AI-upplevelsen jag haft. Jag önskar att alla enkäter och digitala kundtjänster fungerade så här.”

Vi lärde oss:

• Segmenterade behov: 21 % av ElevenReaders skönlitterära läsare önskade dialog mellan flera karaktärer – mycket högre än andra användargrupper.
• Varumärkesvärde: Användare kopplar ElevenReader till friheten att lyssna på vilken bok som helst, var som helst, med den mest naturliga röstkvaliteten.
• Språkbehov:Användare pekade ut områden där appens Text to Speech (TTS)-modell blandar ihop språk och dialekter – tydliga förbättringsområden.
• Buggrapporter: Intervjuerna lyfte fram specifika problem som vårt teknikteam fixade redan nästa dag.

Framtida möjligheter

Framtiden för användarundersökningar är samtalsbaserad – AI-röstagenter gör att du kan lyssna på och prata med dina användare globalt, när det passar dem.

Det här testet visade hur realistiskt och pålitligt AI-agenter kan genomföra djupintervjuer i stor skala. Tillsammans med textanalys via 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 – kom igång idag eller kontakta vårt team för att veta mer.