Comment nous avons accéléré nos entretiens clients avec ElevenLabs Agents

Nous avons utilisé ElevenLabs Agents pour interroger plus de 230 utilisateurs de notre application ElevenReader. 

Dans cet article, nous expliquons comment nous avons créé l’agent vocal, les résultats de ce test en conditions réelles, et comment vous pouvez utiliser ces outils pour améliorer votre propre produit.

Le défi de l’échelle

Nous accordons beaucoup d’importance aux entretiens clients, mais il est difficile de les multiplier. Un entretien en direct de 15 minutes apporte de précieuses informations, mais en organiser plusieurs par jour devient vite compliqué.

Les agendas ne coïncident presque jamais, et gérer une base d’utilisateurs mondiale dans des dizaines de langues est quasiment impossible pour une petite équipe – avoir des conversations approfondies 24h/24 est tout simplement irréalisable.

Les sondages sont plus faciles à déployer, mais ils font perdre de l’information. Ils réduisent les retours à des choix multiples et passent à côté de l’émotion et des nuances d’une vraie conversation. Grâce aux progrès des voix IA et des LLM, nous pouvons désormais combler cet écart.

Nous avons créé un Interviewer IA avec ElevenLabs Agents pour recueillir les retours des utilisateurs lors de vraies conversations. Nous avons mené plus de 230 entretiens en moins de 24 heures, et nous avons déjà amélioré l’application grâce à ces retours.

Créer l’Interviewer IA

Nous avons utilisé la plateforme ElevenLabs Agents pour créer un chercheur conversationnel. Notre objectif : comprendre la perception des utilisateurs de l’application ElevenReader sur quatre points principaux :

• Demandes de fonctionnalités et améliorations
• Cas d’usage principaux
• Comparaison avec la concurrence
• Tarification et valeur de la marque

Nous avons choisi la voix “Hope - The podcaster” pour son ton amical et naturel – on a l’impression de discuter avec un chercheur empathique. Pour la logique, nous avons sélectionné Gemini 2.5 Flash pour allier faible latence et intelligence élevée.

Prompt et garde-fous

Nous avons rédigé un prompt système qui demandait à l’agent de poser des questions de relance pour obtenir des réponses plus approfondies, tout en gardant la conversation ciblée. Si un utilisateur répondait de façon vague ou par un mot, l’agent lui demandait plus de détails. Avant le lancement, nous avons utilisé les tests simulés ElevenLabs pour vérifier que l’agent gérait bien les cas particuliers, comme les réponses floues ou le langage inapproprié.

Voir ici le prompt système utilisé.

Collecte des données

Nous avons utilisé la fonctionnalité Analyse dans ElevenLabs Agents pour évaluer chaque appel. Cet outil extrait des données structurées à partir des transcriptions, ce qui nous permet de transformer des conversations ouvertes en informations concrètes. Par exemple, nous pouvions suivre automatiquement les réponses à :

• "Comment utilisez-vous principalement ElevenReader aujourd’hui ?"
• "Quelles sont les deux améliorations que vous apporteriez à l’application ?"

L’agent utilisait l’outil end_call pour conclure la conversation après dix minutes et remerciait l’utilisateur pour son temps.

Les résultats

En 24 heures, nous avons recueilli plus de 36 heures de conversations au total.

• Taux de réussite : 85 % des appels étaient réussis et pertinents.
• Engagement : L’appel médian a duré 10 minutes (le maximum autorisé).
• Profondeur : Une conversation a atteint 87 messages. La médiane était de 25 messages.
• Coût : Chaque appel de 10 minutes a coûté un peu moins de 1,00 $, soit 9 cents la minute, tout cela via ElevenLabs Agents

Analyse des données

Nous avons utilisé Claude Opus 4.5 pour analyser les 36 heures de transcriptions et dégager des tendances selon les principes de la recherche UX.

Le modèle a fourni des thèmes généraux, mais nous avons affiné l’analyse avec des prompts supplémentaires pour faire ressortir des informations plus précises, comme la segmentation des utilisateurs, les retours sur la navigation ou la sensibilité au prix selon la région.

Pour partager ces résultats en interne, nous avons créé un support interactif avec Claude. Notre équipe peut désormais cliquer sur des points de données précis pour voir les citations exactes des utilisateurs à l’origine de chaque tendance.

Principaux enseignements

Les utilisateurs étaient à l’aise pour parler avec une IA – près de 95 % des personnes interrogées ont échangé directement avec l’interviewer sans relever qu’il s’agissait d’un agent conversationnel. Un utilisateur a dit :

« Eh bien, cet entretien de service client est l’expérience IA la plus impressionnante que j’aie jamais eue. J’aimerais que tous les questionnaires soient comme celui-ci et que tous les services clients digitaux fonctionnent ainsi. »

Nous avons retenu :

• Besoins segmentés : 21 % des lecteurs de fiction sur ElevenReader ont demandé des dialogues multi-personnages, un taux bien supérieur aux autres segments d’utilisateurs.
• Valeur de la marque : Les utilisateurs associent ElevenReader à la liberté d’écouter n’importe quel livre, partout, avec une qualité de voix très naturelle.
• Besoins linguistiques : Les utilisateurs ont identifié des cas où le modèle Text to Speech (TTS) de l’application mélange les langues et les accents – des axes d’amélioration clairs.
• Signalements de bugs : Les entretiens ont mis en avant des problèmes précis que notre équipe technique a corrigés dès le lendemain.

Perspectives

L’avenir de la recherche utilisateur est conversationnel – les agents vocaux IA vous permettent d’écouter et d’échanger avec vos utilisateurs partout dans le monde, à leur rythme.

Ce test a montré à quel point les agents IA peuvent mener des entretiens approfondis à grande échelle, de façon réaliste et fiable. Combinées à l’analyse textuelle par LLM, ces conversations ont révélé des tendances sur des centaines de réponses – des informations difficiles à obtenir manuellement.

Vous pouvez créer un interviewer IA similaire avec ElevenLabs Agents – commencez dès maintenant ou contactez notre équipe pour en savoir plus.