Niraj Ranjan, zakladatel a generální ředitel Hiver – Interview Series

Niraj Ranjan, zakladatel a generální ředitel Hiver, je zkušený podnikatel a technolog, který si vybudoval kariéru na rozhraní softwarového inženýrství, produktového vývoje a zákaznické zkušenosti. V roce 2017 založil Hiver, aby přetvořil software pro zákaznickou podporu, využívaje svých předchozích zkušeností založených na Mobicules, kde rozšiřoval společnost z malého týmu na 35členný tým, zatímco pracoval ručně jako programátor a architekt. Předtím strávil téměř pět let v Mentor Graphics, kde vyvíjel pokročilý emulační software pro FPGA-založené systémy, což ovlivnilo jeho přístup k budování vysoce výkonných a škálovatelných produktů a vytváření silných inženýrských kultur.

Hiver je moderní AI-poháněná platforma pro zákaznickou podporu, která je navržena k sjednocení komunikačních kanálů, jako je e-mail, chat, hlas a zasílání zpráv, do jednoho pracovního prostoru. Umožňuje týmům spravovat sdílené schránky, automatizovat pracovní postupy a spolupracovat v reálném čase, zatímco AI zpracovává opakující se úkoly, jako je směrování lístků, vytváření odpovědí a analýza dat. Platforma je navržena k nahrazení zastaralých systémů helpdesku s více intuitivním a škálovatelným řešením, které pomáhá organizacím zlepšit doby odpovědi, sledovat metriky výkonu a poskytovat konzistentní zákaznické zkušenosti napříč kanály, a je důvěřována více než 10 000 týmy celosvětově.

Na počátku své kariéry v Mentor Graphics jste pracoval na pokročilých hardwarových emulačních systémech, které se používaly k simulaci komplexních elektronických návrhů předtím, než byly fyzicky postaveny. Později jste spoluzaložil a rozšiřoval Mobicules z tříčlenného startupu na 35člennou společnost, než jste spustil Hiver. Jak tyto hluboké technické základy a zkušenosti se škálováním ovlivnily váš přístup k budování AI, která spolehlivě funguje v reálných, vysokotlakých podpůrných prostředích?

Práce na hardwarových emulačních systémech ovlivňuje, jak přemýšlíte o spolehlivosti. Tyto systémy existují, protože komplexní návrhy se chovají jinak, než když se setkají s reálnými podmínkami. Okrajové případy se objevují, interakce mezi komponentami mění výsledky a čistý model se rozpadá. Tenhle způsob myšlení se přímo přenáší do prostředí zákaznické podpory. Konverzace přicházejí s chybějícím kontextem, emocionální naléhavostí a závislostmi na několika interních systémech.

Škálování společnosti odhaluje další vrstvu složitosti. Jak týmy rostou, operační tření se stává velmi viditelným. Agenti tráví čas skládáním informací z různých nástrojů a koordinací uvnitř předtím, než mohou vůbec reagovat. Tato zkušenost ovlivnila naše myšlení v Hiver. Podíváme se na celý životní cyklus podpory, od okamžiku, kdy žádost přijde, až do okamžiku, kdy je vyřešena, a ptáme se, kde AI může odstranit toto tření, aby týmy trávily více energie řešením problému.

Hiver zdůrazňuje použití AI k odstranění rutinní práce, spíše než nahrazení lidského úsudku nebo empatie. Kde kreslíte hranici mezi užitečnou automatizací a přebujelou automatizací ve zákaznické podpoře?

Práce se zákaznickou podporou obsahuje spoustu operačního úsilí, které se nikdy neobjeví ve finální odpovědi. Agenti kategorizují žádosti, hledají zásady, tahají informace o účtu a stopují dlouhé konverzační historie, než mohou rozhodnout, co říci. AI zpracovává tuto základní práci dobře. Když systém může shrnout vlákno nebo povrchově správný článek znalostí v pravou chvíli, agent začíná konverzaci s mnohem jasnějším pochopením situace.

Mnohé AI nástroje vypadají působivě v produktových demo, ale bojují v denním používání. Co jste se naučil o rozdílu mezi AI, které demo vypadá dobře, a AI, které konzistentně funguje uvnitř vysokovýkonných podpůrných schránek?

Demo zachytí čistou scénu. Otázka je předvídatelná, znalostní báze je organizovaná a systém produkuje odpověď. Skutečná práce se zákaznickou podporou seeldom rozvíjí tímto způsobem. Žádosti přicházejí s částečnými informacemi, konverzace se táhnou napříč několika výměnami a agent často potřebuje vstup od ostatních týmů nebo systémů, než je situace jasná.

Hiver integruje se přímo do stávajících komunikačních pracovních postupů, místo toho, aby donutil týmy do zcela nových systémů. Jak důležité je toto “setkání uživatelů, kde již pracují” filozofie při nasazování AI v rychlém prostředí?

To záleží hodně, protože podpůrné týmy již operují pod tlakem. Když nový nástroj žádá, aby změnili, jak pracují, nebo skočili mezi systémy, tření se objeví okamžitě. Většina podpůrných konverzací stále začíná v e-mailu a práce kolem těchto konverzací zahrnuje tahání kontextu z jiných systémů a koordinaci uvnitř s kolegy. Pokud AI sedí mimo toto prostředí, agent skončí s extra prací, jen aby použil technologii.

Podpůrné týmy často operují pod intenzivním tlakem, zejména když se zabývají frustrovanými zákazníky nebo naléhavými problémy. Jak navrhujete AI systémy, které snižují kognitivní zátěž, spíše než přidávají tření v těch chvílích?

Práce se zákaznickou podporou klade konstantní požadavek na pozornost. Agent může zpracovat desítky konverzací paralelně, každou se svou vlastní tóninou, naléhavostí a historií. Velká část mentální námahy jde do rekonstrukce situace, než se rozhodne, jak reagovat.

S více než 10 000 týmy, které používají Hiver celosvětově, jaké vzorce jste pozorovali v tom, jak se adopce AI vyvíjí po počátečním nasazení? Co odděluje týmy, které skutečně integrují AI do denních pracovních postupů, od těch, které ji považují za volitelnou příčku?

Týmy, které vidí skutečnou hodnotu z AI, obvykle začínají s několika velmi specifickými okamžiky v pracovním postupu, kde agenti ztrácejí čas každý den. Shrnutí konverzací je dobrým příkladem. Když agent otevře dlouhé vlákno a okamžitě pochopí, co se stalo, celá interakce začíná jinak. Totéž platí, když systém povrchově správný článek znalostí nebo zásadu potřebnou k odpovědi na otázku. Když tyto okamžiky skutečně pomáhají, agenti začínají používat AI přirozeně, protože to dělá jejich den snazším.

Z produktové strategie, jak vyvažujete rychlost AI inovací s udržením spolehlivosti a důvěry — zejména v prostředích, kde chyby mohou poškodit zákaznické vztahy?

Zákaznická podpora je jedním z těch prostředí, kde malé chyby nesou nadměrné důsledky. Odpověď, která nepochopí problém s fakturací nebo frustrovaného zákazníka, může vytvořit více práce pro tým a poškodit důvěru rychle. Tato realita nutí velmi úmyslný přístup k tomu, kde AI bere akci a kde podporuje lidského agenta. Některé úkoly, jako je kategorizace nebo shrnutí konverzací, tolerují vysokou míru automatizace. Rozhodnutí, která ovlivňují výnosy, interpretaci zásad nebo zákaznické vztahy, vyžadují mnohem vyšší úroveň jistoty.

Jak si myslíte, že AI změní strukturu podpůrných týmů v příštích pěti letech? Posunou se směrem k dohledu a úsudku, nebo se objeví zcela nové kategorie práce?

Struktura podpůrných týmů se pravděpodobně posune směrem k menšímu počtu lidí, kteří zpracovávají opakující se zpracování lístků, a více lidí, kteří se soustředí na řešení složitých problémů. Jak AI zpracovává úkoly, jako je shrnutí konverzací, organizování příchozích žádostí a pomoc při vytváření odpovědí, agenti budou trávit více času porozuměním tomu, co se skutečně stalo v situaci, a koordinací s ostatními týmy, aby to vyřešili. To se stane méně o pohybu lístků через frontu a více o vlastnictví výsledku zákaznického problému.

Hiver operuje v konkurenčním trhu helpdesku. Jaké základní posuny v zákaznických očekáváních, podle vás, tradiční platformy selhaly přizpůsobit?

Zákazníci stále více očekávají kontinuitu, když se obrátí na podporu. Chtějí, aby organizace si pamatovala předchozí interakce a nesla tento kontext celým rozhovorem. Opakování informací napříč několika výměnami se rychle stává frustrujícím.

Pohledem do budoucnosti, co vypadá “skvělé zákaznické podpoře” v AI-prvním světě — a jaké schopnosti budou oddělovat společnosti, které prosperují, od těch, které zůstanou pozadu?

Skvělé podpory v AI-prvním světě bude prostě cítit snazší pro zákazníka. Dosáhnou, tým pochopí situaci rychle, a konverzace se posune bez mnoha zpětných vazeb, aby rekonstruovala, co se stalo. Technologie za tím zůstane většinou neviditelná. To, co zákazníci si všimnou, je, že jejich problém je pochopen a vyřešen bez zbytečného úsilí.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se naučit více, by měli navštívit Hiver.