با AI با همهی مشتریهات حرف بزن
خلاصهٔ کاملتر
تو این اپیزود پادکست Growth، آکاش با گرگ حرف میزنه که قبلاً مدیر محصول Bolt بوده و الان Woven رو داره. گرگ میگه اون موقع اگه ماهی ۵ تا ۱۰ مشتری رو میدید راضی بود. ولی حالا با AI میشه هر ماه با هزاران و حتی صدها هزار مشتری مکالمهی رفتوبرگشتی داشت، کاری که قبلاً یه لشکر محقق و پشتیبان لازم داشت.
ایده اینه: وقتی کسی وسط یه فرایند ول میکنه، مثلاً ایمیلش رو وارد کرده ولی خرید کیت DNA تو Ancestry.com رو تموم نکرده، AI از همون کانال بهش پیام میده. بعد از اینکه جواب داد، ایجنت سؤالهای بعدی میپرسه و سعی میکنه نگرانیش رو برطرف کنه. با ترکیب این مکالمهها و دادهی تبدیل میشه فهمید کدوم نگرانی با یه پیام ساده حل میشه (مثل زمان ارسال) و کدوم یه مشکل عمیقتر تو خود محصوله (مثل گیج شدن سر اشتراک).
گرگ نسخهی سادهی این سیستم رو تو حدود ۳۰ دقیقه با Claude Code ساخته. ورودیش یه فایل CSV از مشتریهاست با نقطهای که ول کردن و دادهی استفادهشون. یه فایل CLAUDE.md هم داره که توش نوشته مکالمه چطور شروع بشه و ایمیل چه شکلی باشه. یه سری فایل markdown هم دربارهی سیاستها و برنامههای شرکت داره. ایمیلها با Gmail MCP فرستاده میشن. به گفتهی گرگ، سرعت جواب خیلی مهمه؛ وقتی تأخیر اضافه کردن، نرخ جواب و نرخ تبدیل هر دو شدید افت کرد.
چرا ایمیل و نه چت داخل اپ؟ گرگ میگه کسی که ول کرده دیگه تو اپ نیست. ایمیل رو هم همه هر روز چک میکنن. تو کمپینهای تحقیقاتی ۲۰ تا ۴۰ درصد آدمها جواب میدن و یه شرکت فیتنس برای مشتریهایی که دورهی آزمایشی رو ول کرده بودن حدود ۳۵ درصد جواب گرفته. توصیهش اینه که ایمیل ساده و متنی باشه و فقط یه سؤال مرتبط بپرسه، نه اینکه کل نظرسنجی رو بچپونی تو یه ایمیل. برای مشتریهایی که دورهی آزمایشیشون تموم شده، یه تخفیف کوچیک در ازای نظر دادن نرخ جواب رو خیلی بالا میبره.
بخش جالب، اضافه کردن eval بهصورت زندهست (یعنی یه مرحلهی سنجش که قبل از ارسال، کیفیت جواب AI رو چک میکنه). گرگ از Claude Code خواست بعد از طبقهبندی، یه eval برای groundedness بذاره، یعنی چک کنه حرفهای جواب با مستندات شرکت جور درمیاد یا نه. اگه رد شد، جواب دوباره ساخته بشه و بهعنوان پیشنویس ذخیره بشه. نکتهش اینه که شکست eval نباید کل فرایند رو متوقف کنه؛ باید ورودی یه دور کامل دیگه از تولید جواب بشه. چون تو ایمیل کسی انتظار جواب تو چند میلیثانیه رو نداره، این حلقهها جا دارن.
گرگ میگه این روش جای حرف زدن مستقیم با مشتری رو نمیگیره. تو مقیاس کم و مراحل اولیهی پیدا کردن product-market fit، مکالمهی رودررو خیلی ارزشمندتره، چون ایجنت هیچوقت اندازهی خود مدیر محصول context نداره. برای مقیاس بزرگتر هم میشه این ایمیلها رو با ابزارهایی مثل Listen Labs ترکیب کرد که مصاحبهی صوتی خودکار انجام میدن.
نکات کلیدی:
- کمپینهای تحقیقاتی ایمیلی ۲۰ تا ۴۰ درصد جواب میگیرن؛ یه شرکت فیتنس روی دورهی آزمایشیِ ولشده حدود ۳۵ درصد جواب گرفت.
- نسخهی سادهی ایجنت با Claude Code، یه CSV مشتری، فایل CLAUDE.md و Gmail MCP تو حدود ۳۰ دقیقه ساخته شد.
- تأخیر تو جواب دادن، نرخ جواب و نرخ تبدیل رو شدید پایین میاره.
- eval از نوع groundedness قبل از ارسال خودکار، جواب رو با مستندات شرکت چک میکنه و در صورت رد شدن، جواب از اول ساخته میشه.
- تو مراحل اولیهی product-market fit، مکالمهی مستقیم مدیر محصول با مشتری قابل خودکارسازی نیست.




