Voice agent dla firmy deweloperskiej - z chaosu Excela do automatu n8n + Pipedrive
Jak wdrozylem voice agenta do umawiania spotkan w firmie budowlanej z 35h oszczednosci tygodniowo. Stack, trade-offy, rzeczy ktore sie zepsuly.
Klient to sredniej wielkosci firma deweloperska z Trojmiasta - 12 pracownikow biurowych, ~200 leadow inbound miesiecznie. Przed wdrozeniem miala chroniczny problem: leady czekaly 24-48h na pierwszy kontakt, czesc 'stygla' zanim ktos oddzwonil.
Diagnoza
Po dwoch godzinach rozmow z kierownikiem sprzedazy i 30 minutach grzebania w ich Pipedrive zobaczylem:
- 43% leadow dostawalo pierwszy kontakt po 24h+
- Asystentka biurowa tracila ~5h dziennie na umawianie i przekladanie spotkan przez telefon
- Excel z dyzurami doradcow byl edytowany przez 3 osoby - kolizje srednio 2x/tydzien
Stack
Wybor po krotkim spike na 3 alternatywach:
- Voice: Retell.ai (lepszy latency niz Vapi w tescie EU) + ElevenLabs (glos PL, klient odrozanial od Polly)
- Brain: Claude Sonnet 4.6 z system promptem opartym o playbook sprzedazowy klienta
- Orkiestracja: n8n self-hosted (Docker na Hetznerze) - workflow: lead webhook -> AI quality gate -> Pipedrive insert -> Calendar slot search -> Voice agent call
- CRM: Pipedrive (juz mieli) + custom field 'AI score 1-10' do priorytyzacji
Co poszlo nie tak
Pierwsza wersja agenta zatwierdzala kazde spotkanie bez sprawdzania czy doradca jest w biurze. Po 4 dniach klient zglosil, ze dwie osoby przyjechaly, a doradcy byli na spotkaniu w terenie. Fix: dodanie integracji z Google Calendar w workflow (sprawdzanie wolnych slotow per doradca + automatyczne przepinanie).
Druga sprawa: ElevenLabs voice w polskim brzmial swietnie, ale przy szybkiej mowie klienta robil hallucinations w transkrypcji ('Nowowiejska' -> 'Nowo Wiejka'). Rozwiazanie: switch na Whisper large-v3 jako STT zamiast wbudowanego w Retell + warstwa correction promptem.
Wyniki po 3 miesiacach
- Pierwszy kontakt z leadem: srednio 8 minut (bylo 24-48h)
- Conversion lead -> spotkanie: +34%
- Czas asystentki na umawianie: ~5h dziennie -> ~30 min (35h oszczednosci tygodniowo)
- Koszt infry: ~1 200 PLN/m-c (Retell + ElevenLabs + Hetzner + Anthropic)
- ROI breakeven: 2 miesiace
Co bym zrobil inaczej
Spike na ElevenLabs vs ClonedVoice (od OpenAI) zajalbym 2 dni zamiast poltora - cloned voice bylby tanszy i mial lepszy 'follow-up' dla pytan 'czy mozemy sie umowic jutro' gdzie kontekst rozmowy jest dlugi. Druga rzecz: od razu zrobilbym dashboard z lead quality score zamiast czekac miesiac na feedback klienta.