Как мы используем ElevenAgents для экономии 1200 часов в месяц на ежедневных операциях

В ElevenLabs наши внутренние агенты экономят командам более 1200 часов в месяц на ежедневных операциях. Они отвечают более чем на 5000 вопросов в месяц, а также совершают действия: создают десятки кастомизированных демоверсий для клиентов и открыли более 150 тикетов за последний месяц.

Эти агенты начинались как способ проще получать внутреннюю информацию в Slack, такую как данные об удержании пользователей, нужную документацию или историю аккаунта. Это переросло в агентов, которые предпринимают действия: коллега задает вопрос, сообщает об ошибке или запрашивает демоверсию, а агент отвечает на запрос или выполняет его.

Продажи: ответы по аккаунтам и демоверсии по запросу

Отделы продаж используют двух агентов: бота Go-To-Market (GTM) для клиентских вопросов и бота Forward Deployed Engineer (FDE) для вопросов по продукту и демоверсий. Вот несколько недавних примеров:

• Вопрос по продажам для GTM-бота: «Кто наши лучшие клиенты с правами на логотипы в Великобритании, Франции и Германии?» или «Каковы наши основные варианты использования API?»
• Вопрос по продукту для FDE-бота: «Если потенциальный клиент хочет создать исходящего ИИ-агента по продажам (SDR), который назначает встречи от имени AE, какие интеграции ему необходимы?»

Наш FDE-бот также создает полноценные демоверсии для клиентов по запросу, собирая работающего агента, настроенного под сценарий использования потенциального клиента, прямо из сообщения.

Поддержка и разработка: автоматизация конвейеров триажа

Наш бот для триажа создал 150 новых тикетов всего за последний месяц — работу, которая раньше выполнялась вручную как поддержкой, так и разработкой.

Он работает с запросами функций и ошибками, используя разные процедуры для каждого типа проблемы. Перед созданием тикета он ищет в Slack релевантный контекст, удаляет дубликаты среди существующих тикетов и проверяет наличие достаточного количества деталей для диагностики проблемы, прежде чем открыть тикет в Linear с правильным приоритетом. Затем он распределяет его в нужную команду, используя документ о владельцах, который мы загрузили в базу знаний агентов.

Продукт и продуктовый маркетинг: анализ данных

Команды продукта и продуктового маркетинга задают вопросы по данным в специализированных каналах и получают анализ прямо в ветке обсуждения. Вот недавний пример: «Как изменилась конверсия из бесплатных пользователей в платные для подписчиков ElevenLabs с самообслуживанием за последние 6 месяцев в США? Каковы основные драйверы?»

Коллеги могут обсуждать вопрос или задавать уточняющие вопросы в той же ветке. Качество ответов зависит от того, что видит агент, поэтому мы отбираем данные для каждого агента (подробнее ниже).

Чему мы научились

Внутренние агенты должны быть надежными и точными с самого начала, иначе команда перестает ими пользоваться и доверять им. В общем канале ошибки более заметны, но и успехи тоже, что помогло при внедрении.

Вот еще несколько вещей, которые помогли:

• Кураторство схемы превосходит промпт-инжиниринг. Мы увидели наибольший прирост качества ответов для наших агентов извлечения данных за счет удаления полей, а не настройки системного промпта. Каждая лишняя колонка или поле объекта давали модели еще одну возможность ошибиться, а сокращение схемы до ограниченного набора критически важных полей повысило точность сильнее, чем любое изменение промпта, которое мы пробовали.
• Типизация списков выбора. Поля Salesforce, такие как этап сделки или тип аккаунта, представляют собой списки выбора: фиксированный набор допустимых значений. Если оставить все как есть, модель может сгенерировать правдоподобно звучащее значение, которого не существует в Salesforce. Теперь мы получаем допустимые значения при запуске и внедряем их в определения типов инструментов MCP, чтобы модель могла выбирать только реальные варианты.
• Сокращение процедур. По мере того как вы со временем добавляете процедуры агенту, некоторые из них могут дублироваться. Инструмент Architect в ElevenAgents может реструктурировать их так, чтобы было понятно, когда запускать каждую, и не было конфликтующей логики.
• Проверка задач. После создания тикета в Linear агент проверяет, правильно ли установлены поля и попал ли тикет в нужную команду. Это позволило сократить количество редких галлюцинаций или неверного выбора команды.

Попробуйте сами

Агенты являются частью ежедневной работы в ElevenLabs. Если вы заинтересованы в создании собственных, узнайте больше об ElevenAgents.