Cómo escalamos nuestro proceso de entrevistas a usuarios con ElevenLabs Agents

Usamos ElevenLabs Agents para entrevistar a más de 230 usuarios de nuestra app ElevenReader. 

En este artículo te contamos cómo creamos el agente de voz, los resultados de esta prueba y cómo puedes usar estas herramientas para mejorar tu producto.

El reto de escalar

Valoramos mucho las entrevistas a usuarios, pero escalarlas es complicado. Una entrevista en directo de 15 minutos aporta información valiosa, pero organizar más de unas pocas al día es todo un reto logístico.

Es difícil cuadrar agendas y, para un equipo pequeño, atender a usuarios de todo el mundo en decenas de idiomas es casi imposible: mantener conversaciones en profundidad las 24 horas tiene un límite físico.

Las encuestas son más fáciles de escalar, pero suelen perder matices. Reducen el feedback a opciones cerradas y se pierden la emoción y los detalles de una conversación uno a uno. Ahora, gracias a los avances en voz IA y LLMs, podemos cerrar esa brecha.

Creamos un entrevistador IA con ElevenLabs Agents para recoger feedback de usuarios a través de conversaciones reales. Hicimos más de 230 entrevistas en menos de 24 horas y ya hemos aplicado mejoras en la app gracias a estos aprendizajes.

Creando el entrevistador IA

Usamos la plataforma ElevenLabs Agents para crear un investigador conversacional. Nuestro objetivo era entender la percepción de los usuarios de ElevenReader en cuatro áreas principales:

• Solicitudes de funciones y mejoras
• Principales casos de uso
• Comparación con otras opciones
• Precio y valor de marca

Elegimos la voz “Hope - The podcaster” por su tono cercano y conversacional: transmite la sensación de estar frente a un investigador empático. Para la lógica, seleccionamos Gemini 2.5 Flash para equilibrar baja latencia e inteligencia.

Prompts y límites

Diseñamos un prompt de sistema que indicaba al agente hacer preguntas de seguimiento para obtener respuestas más profundas y mantener la conversación enfocada. Si un usuario respondía de forma vaga o con monosílabos, el agente le pedía más detalles. Antes de lanzar, usamos pruebas simuladas de ElevenLabs para asegurarnos de que el agente gestionaba bien casos límite, como respuestas ambiguas o lenguaje inapropiado.

Descúbrelo aquí el prompt de sistema que usamos.

Recogida de datos

Usamos la función Análisis de ElevenLabs Agents para evaluar cada llamada. Esta herramienta extrae datos estructurados de las transcripciones y nos permite convertir conversaciones abiertas en aprendizajes concretos. Por ejemplo, podíamos seguir automáticamente las respuestas a:

• "¿Cómo usas principalmente ElevenReader hoy en día?"
• "¿Qué dos cosas mejorarías de la app?"

El agente usaba la herramienta end_call para cerrar la conversación tras diez minutos y agradecer al usuario su tiempo.

Resultados

En menos de 24 horas, recogimos más de 36 horas de conversación en total.

• Tasa de éxito: El 85% de las llamadas fueron exitosas y relevantes.
• Interacción: La duración media de la llamada fue de 10 minutos (el máximo permitido).
• Profundidad: Una conversación llegó a 87 mensajes. La mediana fue de 25 mensajes.
• Coste: Cada llamada de 10 minutos costó menos de 1$, es decir, 9 céntimos por minuto, todo gestionado con ElevenLabs Agents

Análisis de los datos

Usamos Claude Opus 4.5 para analizar las 36 horas de transcripciones y detectar tendencias y aprendizajes según principios de investigación UX.

El modelo identificó temas generales y afinamos el análisis con prompts adicionales para obtener detalles como segmentación de usuarios, feedback sobre navegación y sensibilidad al precio por región.

Para compartir estos resultados internamente, creamos un recurso interactivo con Claude. Ahora el equipo puede consultar datos concretos y ver las citas exactas de usuarios que respaldan cada tendencia.

Principales conclusiones

Los usuarios se sintieron cómodos hablando con una IA: casi el 95% interactuó directamente con el entrevistador sin mencionar que era un agente conversacional. Un usuario comentó:

“Esta entrevista de atención al cliente es la experiencia con IA más sorprendente que he tenido. Ojalá todos los cuestionarios fueran así y todos los servicios digitales de atención al cliente fueran así.”

Aprendimos que:

• Necesidades segmentadas: El 21% de quienes leen ficción en ElevenReader pidió diálogos con varios personajes, mucho más que otros segmentos.
• Valor de marca: Los usuarios asocian ElevenReader con la libertad de escuchar cualquier libro, en cualquier lugar, y con la voz más natural.
• Necesidades de idiomas: Los usuarios detectaron situaciones en las que el modelo de Texto a Voz (TTS) de la app confunde idiomas y acentos, lo que señala áreas claras de mejora.
• Reportes de errores: Las entrevistas sacaron a la luz problemas concretos que el equipo de ingeniería solucionó al día siguiente.

Implicaciones de futuro

El futuro de la investigación de usuarios es conversacional: los agentes de voz IA te permiten escuchar y hablar con usuarios de todo el mundo, cuando ellos quieran.

Esta prueba demostró lo realistas y fiables que pueden ser los agentes IA para hacer entrevistas en profundidad a gran escala. Combinadas con el análisis de texto de los LLMs, estas conversaciones revelaron patrones en cientos de respuestas: aprendizajes que sería difícil descubrir manualmente.

Puedes crear tu propio entrevistador IA con ElevenLabs Agents: empieza a crear hoy mismo o contacta con nuestro equipo para saber más.