Under de senaste månaderna har jag byggt en säljagent för Business Development Representative (BDR). I större mjukvaruföretag delas säljfunktionen vanligtvis upp i flera roller, där BDR-agenten ansvarar för utåtriktad verksamhet, uppföljning och bokning av möten. Dessa leads överlämnas sedan till säljcheferna, som hanterar själva säljprocessen.

I det företag jag arbetar för har vi endast en säljperson som hanterar både BDR- och säljchefens roller. Därför beslutade vi att bygga en säljagent för BDR för att hantera hela processen, från att ta emot leads från Hubspot eller Salesforce till att boka möten.

Vi delade upp BDR-agentens ansvarsområden i olika uppgifter:

1. Leadforskning: När agenten tar emot en ny lead ska den forska om kunden för att förstå deras verksamhet och identifiera en potentiell värdeproposition.
2. Personlig utåtriktad verksamhet: Agenten ska skriva ett personligt meddelande till kunden baserat på forskningen.
3. Uppföljning: Agenten ska följa upp med kunden, eftersom de ofta inte svarar omedelbart.
4. Kundengagemang: Om kunden svarar, ska agenten kunna besvara deras frågor och logga informationen i CRM-systemet.
5. Mötesbokning: Slutligen ska agenten kunna boka ett möte med kunden genom att kontrollera säljteamets kalendertillgänglighet.

Men vi insåg snabbt att denna process är ganska komplex, och även att bygga en agent som autonomt kan hantera inkorgen och svara på e-post är en utmanande uppgift. Detta ledde till ett paradigmskifte i mitt sätt att bygga AI-agenter.

Inledningsvis hade jag föreställt mig en "superagent" som kunde hantera flera uppgifter på egen hand. Men när jag byggde fler agenter insåg jag att ett mer effektivt tillvägagångssätt kan vara att ha ett team av specialiserade agenter som arbetar tillsammans för att uppnå önskade resultat.

Detta tillvägagångssätt har flera fördelar:

1. Lättare att uppdatera: Istället för att ändra hela systemet kan du uppdatera en specifik agent.
2. Sammansatta fördelar: De grundläggande funktionerna, som att besvara frågor eller boka möten, kan återanvändas i olika arbetsuppgifter som försäljning, marknadsföring och support.
3. Minskade byggkostnader: Genom att återanvända gemensamma funktioner minskar kostnaderna för att bygga nya agenter avsevärt.

I fallet med vår säljagent för BDR implementerade vi denna teambaserade ansats. "Chefsagenten" ansvarar för att kategorisera och delegera uppgifter till olika underagenter, samt för att utföra nyckelåtgärder som att skicka och ta emot e-post, skapa kalenderhändelser och logga information i CRM-systemet.

Underagenterna inkluderar:

1. Kundforskare: Denna agent har tillgång till olika datakällor (t.ex. Google, Apollo, LinkedIn) för att förstå kunden och identifiera en värdeproposition.
2. Inkorghanterare: Denna agent är tränad på företagets data för att svara på eventuella frågor från kunden.
3. Uppföljningsagent: Denna agent har tränats på beprövade uppföljningskadenser.

När chefsagenten tar emot en ny lead från CRM-systemet, delegerar den uppgifter till underagenterna, och de arbetar tillsammans för att slutföra hela säljprocessen för BDR.

Detta tillvägagångssätt har redan levererat cirka 20% av mötena till vårt säljteam, och jag har gjort några intressanta observationer om att använda AI-anställda jämfört med mänskliga anställda:

1. Transparens: Med AI-anställda kan jag alltid spåra tillbaka de steg som ledde till ett beslut, vilket gör det möjligt att göra riktade justeringar av agenternas instruktioner och beteenden.
2. Kommunikationsbarriärer: Till skillnad från mänskliga anställda har AI-agenter inga kommunikationsbarriärer, eftersom de kan dela samma "minne" eller kunskapsbas, vilket gör det lättare att skala upp och öka deras kapacitet.