AI-Salesman : Vers un système de télémarketing fiable piloté par un grand modèle de langage
AI-Salesman: Towards Reliable Large Language Model Driven Telemarketing
November 15, 2025
papers.authors: Qingyu Zhang, Chunlei Xin, Xuanang Chen, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun, Qing Ye, Qianlong Xie, Xingxing Wang
cs.AI
papers.abstract
Le dialogue persuasif orienté objectif, illustré par des applications comme le télémarketing, nécessite une planification sophistiquée sur plusieurs tours et une fidélité factuelle stricte, ce qui reste un défi majeur même pour les plus récents grands modèles de langage (LLM). Le manque de données spécifiques à la tâche a souvent limité les travaux antérieurs, et l'application directe des LLM souffre de fragilité stratégique et d'hallucinations factuelles. Dans cet article, nous construisons et publions d'abord TeleSalesCorpus, le premier jeu de données de dialogue ancré dans le monde réel pour ce domaine. Nous proposons ensuite AI-Salesman, un cadre novateur doté d'une architecture à double étage. Pour la phase d'entraînement, nous concevons un algorithme d'apprentissage par renforcement supervisé bayésien qui apprend des stratégies de vente robustes à partir de dialogues bruités. Pour la phase d'inférence, nous introduisons l'agent dynamique guidé par plan (DOGA), qui exploite une bibliothèque de scripts pré-construite pour fournir un guidage stratégique dynamique tour par tour. De plus, nous concevons un cadre d'évaluation complet qui combine des métriques granulaires pour les compétences clés en vente avec le paradigme LLM-comme-juge. Les résultats expérimentaux démontrent que notre AI-Salesman proposé surpasse significativement les modèles de référence dans les métriques automatiques et les évaluations humaines complètes, attestant de son efficacité dans des scénarios persuasifs complexes.
English
Goal-driven persuasive dialogue, exemplified by applications like telemarketing, requires sophisticated multi-turn planning and strict factual faithfulness, which remains a significant challenge for even state-of-the-art Large Language Models (LLMs). A lack of task-specific data often limits previous works, and direct LLM application suffers from strategic brittleness and factual hallucination. In this paper, we first construct and release TeleSalesCorpus, the first real-world-grounded dialogue dataset for this domain. We then propose AI-Salesman, a novel framework featuring a dual-stage architecture. For the training stage, we design a Bayesian-supervised reinforcement learning algorithm that learns robust sales strategies from noisy dialogues. For the inference stage, we introduce the Dynamic Outline-Guided Agent (DOGA), which leverages a pre-built script library to provide dynamic, turn-by-turn strategic guidance. Moreover, we design a comprehensive evaluation framework that combines fine-grained metrics for key sales skills with the LLM-as-a-Judge paradigm. Experimental results demonstrate that our proposed AI-Salesman significantly outperforms baseline models in both automatic metrics and comprehensive human evaluations, showcasing its effectiveness in complex persuasive scenarios.