Mark Hughes, Co-Founder og CEO i Solidroad – Intervieuserie

Mark Hughes, Co-Founder og CEO i Solidroad, er en gentagen iværksætter og go-to-market leder, der har bygget sin karriere ved skæringen af salg, kundeoplevelse og teknologi. Han har tidligere grundlagt Gradguide, en karriere- og rekrutteringsplatform, der fik 2 millioner euro og senere blev købt, og havde senior kommersielle roller i Chargify, hvor han ledte EMEA-operationer efter fusionen med Maxio. Tidligere i sin karriere udviklede han dyb ekspertise i high-velocity og enterprise salg hos Intercom, hvor han styrede komplekse deal-cykler og hjalp med at skala indtægts hold. I dag leder han Solidroad fra San Francisco og anvender denne erfaring til at genovere, hvordan virksomheder vurderer og forbedrer kundeinteraktioner med AI, med fokus på at hæve kvalitetsniveauet på både menneskelige og automatiserede supportsystemer.

Solidroad er en AI-drevet kvalitets sikring og træningsplatform designet til moderne kundeoplevelse teams, bygget til at analysere og forbedre hver kundeinteraktion i skala. Platformen indtager samtaler på tværs af kanaler, vurderer præstationer mod virksomhedens standarder og genererer personlige træningssimulationer for at kontinuerligt optimere både menneskelige agenter og AI-systemer. I stedet for at erstatte kundesupport teams fokuserer Solidroad på at forbedre dem, og omdanner hver interaktion til en feedback-løkke, der forbedrer resultater som svartid, effektivitet og kundetilfredshed. Virksomheden positionerer sig som infrastruktur for high-performing CX-teams, og hjælper organisationer med at levere konsistente, højkvalitets oplevelser uden at øge driftsomkostningerne.

De fleste virksomheder afhænger stadig af at gennemgå en lille del af kundeinteraktioner for at vurderere præstationen. Hvad overbeviste dig om, at denne tilgang er fundamentalt fejl, og hvordan førte denne erkendelse til opbygning af Solidroads tilgang til kontinuerlig overvågning, scoring og forbedring af både menneskelige og AI-agenter?

Patrick og jeg havde begge tilbragt år omkring kundesupport teams, før vi startede Solidroad, og et problem fortsatte med at stå ud: virksomheder havde hundredtusinder af samtaler med kunder, men hvis man spurgte, hvordan disse samtaler faktisk gik, vidste de ikke rigtigt. Og det, de vidste, var baseret på en så lille del af interaktionerne, at det ikke var nøjagtigt.

Det var allerede en skrøbelig grund, da mennesker håndterede hver billet. Nu, hvor AI kommer ind i billedet, er indsatsen ændret. Et dårligt mønster kan spille sig ud over tusinder af samtaler samtidig og gå ubemærket, fordi de fleste teams kun gennemgår 1-2% af interaktionerne.

Vi så dette ske hos virksomheder gang på gang, og de tabte kunder på grund af det, så vi besluttede at skabe en løsning. Vi erkendte, at dette ultimativt var et infrastrukturproblem. Virksomheder havde simpelthen ikke de systemer, der var nødvendige for at forstå præstationen af deres kundesupport agenter.

Solidroad blev bygget for at imødegå dette blindpunkt. Vi giver virksomhederne de værktøjer til at se, hvad der faktisk sker i skala, og sikre, at hver samtale – menneskelig, AI eller begge – leverer værdi.

Solidroad er blevet beskrevet som en “flysimulator” for kundeorienterede teams. Kan du forklare, hvordan jeres AI faktisk simulerer virkelige kundeinteraktioner, og hvad der gør, at disse simulationer er effektive til træning i skala?

Flysimulator-analogien fungerer, fordi den grundlæggende idé er den samme. Du vil ikke have, at nogen persons første oplevelse med at håndtere en svær situation skal ske foran en rigtig kunde.

Det, der gør vores simulationer effektive, er, at de er baseret på, hvad der faktisk sker i virksomhedens virkelige samtaler. Når en agent får noget galt i en live-interaktion, genererer systemet en målrettet simulation omkring netop den type scenario, så de kan øve det, før det sker igen. Det er ikke generisk træningsindhold.

Feedback-løkken er det, der driver læringen. Agenterne løber gennem et scenario, får specifik vejledning om, hvad der fungerede og hvad der ikke gjorde, og prøver igen. Fejl sker i en sikker omgang, og læringen hænger ved, fordi den er knyttet til virkelige situationer snarere end abstrakte klasserum-øvelser.

Jeres platform træner ikke kun agenter, men scorer også live-interaktioner mod brugerdefinerede retningslinjer. Hvordan designer I disse scoringsystemer til at reflektere virkelige forretningsresultater som CSAT, retention eller omsætning?

For at oprette disse retningslinjer starter vi altid med, hvad den pågældende virksomhed faktisk bekymrer sig om. En finansvirksomhed, der håndterer regningsdiskussioner, har andre kvalitetsstandarder end en e-handelsvirksomhed, der håndterer returneringer under peak-sæsonen. Så scoringsystemet er bygget op omkring hver organisations egne retningslinjer, deres politik, deres brandtone og hvad en god løsning ser ud for dem.

Og forretningsresultater som forbedrede CSAT-scores og retention kommer fra højkvalitets kundeinteraktioner. I stedet for at spore scores retroaktivt fokuserer vi på de adfærdsmønstre, der forudser disse resultater: konsekvent præstation på tværs af agenter, følge de rigtige processer og de bløde færdigheder, der former, hvordan kunderne føler sig til sidst i en samtale.

Målet er at give ledere et klart, praktisk billede af, hvad der fungerer for deres virksomhed, så de kan træne deres teams, gentage succes og vokse det på tværs af deres organisation.

De fleste virksomheder gennemgår kun en lille del af kundeinteraktioner. Hvordan giver Solidroad mulighed for fuld dækning, og hvilke slags indsigt bliver mulig, når man går fra sampling til analyse af alt?

Vores seneste State of CX-survey viste, at omkring 81% af support-samtaler aldrig gennemgås for kvalitet, efterlader teams, der gennemgår en så lille del af samtalerne, at de grundlæggende sampler og håber, det er repræsentativt. Når en virksomhed begynder at evaluere hver eneste kundeinteraktion, bliver mønstre, der aldrig ville dukke op i en tilfældig stikprøve, åbenlyse. Teams begynder at se, hvilke typer anmodninger, der konsekvent håndteres dårligt, hvor AI- og menneskelige agenter afviger på uventede måder, og hvilke problemer, der er tilbagevendende, før de overhovedet dukker op i en kunde klage.

Solidroad bruger AI til at automatisk gennemgå hver kundeinteraktion på tværs af chat, e-mail og telefon, og gør fuld dækning mulig. Denne skift fra sampling til 100% gennemgang er, hvad afslører konsekvente mønstre i kvalitet, kunde friktion og præstation, der ellers ville forblive skjult.

Crypto.com er et godt eksempel på, hvad fuld dækning faktisk låser op. Før Solidroad havde deres team ingen pålidelig måde at måle agentkvalitet i skala eller verificere, at agenterne var klar, før de håndterede live-billetter. Problemerne dukkede kun op, efter de allerede havde påvirket kunderne. Ved at gå over til automatiseret scoring på tværs af 800.000 månedlige samtaler kunne de fange kvalitetsproblemer tidligt, validere agenter, før de blev udrullet, og bekræfte, at forbedringerne faktisk hang ved. Resultaterne var en 18% reduktion i gennemsnitlig håndteringstid og en 3% stigning i CSAT (hvad der er betydeligt på den skala, de opererer på). Da deres samtalevolumen fortsætter med at vokse, skalerer deres kvalitets indsigt med det, snarere end at falde yderligere bagud.

Det er virkelig, hvad fuld dækning ændrer. Det skifter kvalitet fra noget reaktivt til noget proaktivt, der kan håndteres på forhånd.

I arbejder med virksomheder som Crypto.com og Ryanair, hvor kundeoplevelse er afgørende. Hvad mønstre eller fælles svagheder har du identificeret hos store kundesupport teams?

Et par ting dukker op konsekvent. Først er der et gap mellem, hvad virksomheder tror sker i deres kundeinteraktioner, og hvad der faktisk sker. De fleste teams er sikre på deres supportkvalitet, lige indtil de får fuld indsigt, så de indsætter, at billedet er mere komplekst, end deres målinger oprindeligt antydede.

Der er også en konsekvent afkopling mellem, hvordan teams måler præstation og hvad der faktisk driver kunderesultater. Hastigheds-målinger og billet-tællinger er lette at spore, så de tenderer til at dominere evalueringer. Men disse tal fortæller ikke virksomheder, om kundens problem blev løst, agenten repræsenterede mærket korrekt eller om interaktionen efterlod kunden med en god fornemmelse af virksomheden. I høje indsats-miljøer som fintech eller sundhedssektoren kan denne misalignering mellem måling og resultat have alvorlige konsekvenser.

Der er en voksende bekymring for, at AI i kundeservice kan nedgrade den menneskelige oplevelse. Hvordan sikrer du, at jeres system forbedrer kvaliteten snarere end at skubbe teams mod for meget skriptede eller robotiske interaktioner?

Det er en gyldig bekymring, men en, der normalt kommer fra QA-systemer, der udnytter AI til de forkerte ting. Hvis en virksomhed scorer agenter udelukkende på overholdelse af et manuskript eller hvor hurtigt de lukker en billet, vil de ende med interaktioner, der teknisk set afkrydsner kasserne, men føles hule eller upersonlige for kunden.

Vores tilgang er at bygge scoring op omkring, hvad der faktisk får en kunde til at forlade en interaktion med en følelse af at være støttet. Vi ser på ting som, om agenten lyttede aktivt, viste empati, når det var nødvendigt, og faktisk hjalp kunden med at løse deres problem.

Det samme gælder for AI-agenter. Målet er at bruge AI til at gøre kundeinteraktioner mere konsekvente, præcise og passende responsivt til, hvad kunden faktisk oplever. Når kvalitets-overvågning er bygget op omkring disse resultater snarere end kun proces-overholdelse, tenderer det til at skubbe interaktioner i en bedre retning, ikke en mere skriptet.

Solidroad befinder sig ved skæringen af menneskelige agenter og AI-agenter. Hvordan ser du forholdet udvikle sig mellem de to, især efterhånden som AI begynder at håndtere flere front-end interaktioner?

Det er vigtigt at se menneskelige agenter og AI-agenter som et team, der deler arbejdsbyrden. Jeg tror, at fremtiden for menneskelige og AI-agenter er hybrid.

AI håndterer high-volume, lette anmodninger meget godt, og de bedste AI-agenter løser faktisk de fleste af disse samtaler på egen hånd, hvilket er virkelig imponerende.

Men resultatet af det er, at interaktionerne, der når menneskelige agenter, er mere og mere komplekse, emotionelt ladede, høje indsats-interaktioner. Kunden, der er frustreret, situationen, der ikke passer til en standard-skabelon, samtalen, der kræver rigtig dømmekraft. Så standarden for menneskelige agenter stiger faktisk, ikke falder.

Det er præcis, hvorfor overvågning på tværs af begge bliver så vigtig. AI skal håndtere sin volumen konsekvent og præcist. Mennesker skal være godt forberedt på de svære samtaler, de nu primært håndterer. Og der skal være et uafhængigt lag, der sidder på tværs af begge, og giver virksomhederne et klart billede af, hvad der fungerer og hvad der ikke gør. Det er den hybride model, vi tror vil definere CX fremover, og det er, hvad vi bygger imod.

Jeres system giver real-time feedback og træning. Hvordan vigtig er øjeblikkelighed i forbedring af agentpræstation, og hvordan sammenligner det med traditionel træning og QA-arbejdsgange?

Øjeblikkelighed er virkelig vigtig, og forskningen understøtter, at feedback er mest effektivt, når det er forbundet med den specifikke situation, der genererede det. Traditionelle QA-arbejdsgange bryder denne forbindelse næsten ved design. En manager gennemgår en samtale dage eller uger efter, at den skete, deler feedback i en periode-gennemgang, og på det tidspunkt har agenten haft mange andre interaktioner, hvor fejlen sandsynligvis er gentaget. Uden at give feedback i realtid, bliver fejl vedvarende, og agenterne må af med praksisser, de er vant til.

Det, vi har fundet, er, at feedback er mest effektivt, når det dukker op lige efter en rigtig samtale. Det fungerer bedst, når det er knyttet direkte til, hvad agenten lige har håndteret, og parret med en specifik simulation, de kan køre lige efter. I denne format oversætter det sig til faktisk adfærdsændring meget hurtigere. Agenterne hører ikke bare, at de skal forbedre sig, de øver forbedringen i kontekst, mens det stadig er frisk.

Kontrasten til traditionel onboarding er det tydeligste eksempel på dette. Vores data viser, at over halvdelen af menneskelige agenter siger, at det sværeste ved onboarding er at anvende, hvad de lærte i træning til rigtige kundesituationer. Denne diskrepances findes, fordi klasserumslæring og live-support føles som noget helt andet. Kontinuerlig, situationsspecifik feedback løser dette på en måde, som periodiske gennemgang aldrig rigtigt kunne.

I har vist forbedringer som reduceret onboarding-tid og højere CSAT. Hvilken målestok er kunderne mest bekymrede for, når de adopterer jeres platform, og hvordan demonstrerer I ROI tidligt i forholdet?

Det varierer afhængigt af, hvor kundens smertepunkter ligger, men de to ting, der kommer op mest konsekvent, er kvalitetssikring og tidsspare. Teams, der manuelt gennemgår en lille del af samtaler, ser straks værdien i at gå over til 100% dækning, både for de indsigt, Solidroad giver, og for de timer, det giver tilbage til deres QA-teams. På tværs af vores kundebase ser vi typisk en 20-gangs øgning i QA-dækning og 90% reduktion i manuel gennemgangstid.

På ROI-siden prøver vi at forbinde resultater med målinger, der allerede betyder noget for den virksomhed. Hos Podium var overskriften på onboarding-tid. Nye agenter nåede præstationsmål på 60 dage i stedet for 90, og løste problemer 33% hurtigere, når de gik live. Med Crypto.com var det løsnings tid og samtalevolumen synlighed. For Ryanair viste det sig i rekrutterings timer sparret.

Det specifikke varierer, men mønsteret er det samme: Når du kan se, hvad der sker på tværs af dine kundeinteraktioner, og handle på det hurtigt, følger forbedringer i de målinger, der betyder noget.

Set fremad ser du Solidroad forblive fokuseret på træning og QA eller udvikle sig til et bredere orkestreringslag for at styre både menneskelige og AI-kundeinteraktioner?

Træning og QA er, hvor vi startede, men visionen er større end det. Den måde, vi tænker over det på, er, at kvalitets-overvågning vil blive nøgle-infrastruktur for enhver virksomhed, der kører AI i kundesupport. På samme måde, som sikkerheds certificeringer blev uundværlige, da virksomheder flyttede data til skyen, vil kvalitets certificering blive essentiel, når kunde-samtaler flytter til AI.

Nordstjernen er, at “Solidroad Certified” bærer rigtig mening: Bevis på, at en virksomhed møder en høj standard for, hvordan de behandler kunder, uanset om interaktionen blev håndteret af en person eller en AI.

Hvad det betyder praktisk er, at vi vil være systemet, organisationer afhænger af for at styre og forbedre kundeinteraktionskvalitet på tværs af, ikke kun flag problemer på bagsiden. Det er en stor del af, hvorfor vi hævede vores 25 millioner dollars Series A ledet af Hedosophia – det giver os løbebanen til at bygge imod denne vision. Det inkluderer udvidelse af vores produktmuligheder og teams for at hjælpe endnu flere virksomheder med at evaluere 100% af deres kundeinteraktioner. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Solidroad.