Bygga ElevenLabs agent för kundintervjuer
Lär dig hur vi genomförde 230 användarintervjuer på 24 timmar med ElevenLabs Agents
Översikt
Vi byggde en AI-intervjuare med ElevenLabs Agents för att samla in kvalitativ användarfeedback för appen ElevenReader i stor skala. Det här dokumentet beskriver systemdesignen, agentkonfigurationen, pipelinen för datainsamling och utvärderingsramverket som vi använde för att genomföra fler än 230 intervjuer på mindre än 24 timmar.
Målet var att återskapa djupet och nyanserna i direkta kundintervjuer utan begränsningarna kring schemaläggning, språk och drift som mänskligt ledda sessioner innebär.

Systemarkitektur
AI-intervjuaren implementerades helt i ElevenAgents, med följande övergripande komponenter:
- Röstagent för konversationer och intervjuer i realtid
- Stor språkmodell för dialogplanering och resonemang
- Strukturerad dataextraktion för analys efter samtalet
- Automatisk samtalsavslutning och sessionsstyrning
Agentdesign

Forskningsmål
Agenten fick instruktioner om att utforska fyra huvudsakliga forskningsområden:
- Funktionsönskemål och produktförbättringar
- Primära användningsmönster
- Jämförelser med konkurrenter
- Prisuppfattning och varumärkesvärde
Dessa mål bäddades in direkt i systemprompten för att säkerställa enhetlighet mellan intervjuerna.
Röstval
Vi valde rösten Hope - The podcaster för intervjuaren. Rösten valdes för sitt neutrala tempo, sin värme och samtalston, vilket minskade upplevd friktion och hjälpte användare att delta naturligt under längre sessioner.
Modellval
Resonemangsmodell: Gemini 2.5 Flash
Gemini 2.5 Flash valdes för att balansera låg latens med tillräckligt djupa resonemang för anpassade följdfrågor under direkta konversationer.
Systempromptens struktur
Systemprompten instruerade agenten att:
- Ställa öppna frågor som är i linje med forskningsmålen
- Skapa följdfrågor när svaren var vaga eller kortfattade
- Undvika ledande eller vinklade formuleringar
- Hålla konversationen på ämnet och inom en fast tidsram
I enlighet med vår promptguide är detta den kompletta systemprompt vi använde:
Säkerhet och hantering av specialfall
Före produktionslanseringen körde vi simulerade konversationer med ElevenLabs testverktyg för att validera beteendet för:
- Svar med ett ord eller utan relevant information
- Inmatning utanför ämnet
- Olämpligt språk
- Tystnad eller långa pauser
De här testerna låg till grund för ytterligare skyddsräcken i prompten för att behålla intervjukvaliteten.
Kontroll av sessionslängd
Varje intervju begränsades till tio minuter. Agenten använde verktyget end_call för att:
- Avsluta sessionen på ett smidigt sätt
- Tacka användaren för deras tid
- Förhindra alltför långa eller upprepande konversationer
Datainsamling och analys

Bearbetning av transkriptioner
Alla konversationer transkriberades och skickades genom analysfunktionen i ElevenLabs Agents för att extrahera strukturerad data från öppna dialoger.
Vi följde svar på frågor som:
- “Hur använder du främst ElevenReader i dag?”
- “Vilka två ändringar skulle förbättra appen mest?”
Strukturerade utdata
Extraherade fält omfattade:
- Primärt användningsfall
- Efterfrågade funktioner
- Rapporterade buggar
- Indikatorer för sentiment
Detta gjorde att vi kunde sammanställa kvalitativ feedback utan att manuellt granska varje transkription.
Begränsningar och lärdomar
- AI-intervjuer kräver omsorgsfull promptdesign för att undvika ytliga svar
- Tidsbegränsningar är avgörande för att kontrollera kostnader och behålla fokus
- Strukturerad extraktion är kritisk – enbart transkriptioner går inte att skala för analys
Framtida arbete
Vi planerar att utöka systemet genom att:
- Lägga till anpassade intervjuflöden baserat på användarsegment
- Integrera sentimentbedömning i realtid
- Utöka flerspråkig intervjutäckning
- Koppla extraherade insikter direkt till system för produktuppföljning
Börja bygga din agent i dag eller kontakta vårt team för att få veta mer.