Entretien de départ via LLM : ce que disent les utilisateurs en fermant le paywall
OpenAI
Un article d'actualité sur l'IA en anglais décrit comment l'intégration d'un court entretien propulsé par un modèle de langage (LLM) après la fermeture du paywall a permis d'obtenir un taux de réponse de 34 % et de révéler les principales objections des utilisateurs, notamment la découverte que de nombreux utilisateurs arrivaient via la recherche en s'attendant à un produit gratuit. L'article fournit l'architecture, les invites et le cadre de code utilisés, ainsi que des perspectives issues de deux semaines de données.
Un développeur a créé un bot d'entretien de départ basé sur un modèle de langage (LLM) pour un jeu de société en ligne gratuit avec options payantes. Lorsqu'un utilisateur ferme le paywall, un chat séparé apparaît et pose au maximum 5 questions. Sur deux semaines, 59 sessions ont eu lieu, avec 20 réponses (34 %). Le principal constat est qu'une partie significative des utilisateurs provenait de recherches contenant le mot « gratuit » dans le titre. Le système utilise une table de base de données distincte, un plafond de réponses basé sur des transactions, un balayage des sessions obsolètes, un deuxième appel au LLM pour générer une note structurée, et un webhook vers Telegram. L'article partage le schéma de la base de données, le code du plafond de transactions, ainsi que les invites système et de note. Les résultats ont montré que 7 répondants sur 20 s'attendaient à ce que le produit soit gratuit, ce qui a conduit à une correction rapide du titre du site. Cet outil est recommandé pour tout produit avec un moment de sortie, comme un paywall, un panier abandonné ou une annulation, à condition que l'utilisateur reste sur la page.
Source: Habr — хаб ИИ —
original