Niraj Ranjan, grundlægger og administrerende direktør for Hiver – Interviewserie

Niraj Ranjan, grundlægger og administrerende direktør for Hiver, er en erfaren iværksætter og teknolog, der har bygget sin karriere ved skæringen af softwareudvikling, produktudvikling og kundeoplevelse. Han grundlagde Hiver i 2017 for at genopfinde kundeservice-software, bygget på hans tidligere erfaring med at co-grundlægge Mobicules, hvor han skalaerede virksomheden fra et lille team til en 35-mands operation, mens han arbejdede hånd i hånd som både programmør og arkitekt. Før iværksætterkarrieren tilbragte han næsten fem år hos Mentor Graphics med at udvikle avanceret emulationssoftware til FPGA-baserede systemer, en erfaring, der formede hans tilgang til at bygge højtydende, skalerbare produkter og opbygge stærke ingeniørkulturer.

Hiver er en moderne AI-dreven kundeserviceplatform designet til at samle kommunikationskanaler som e-mail, chat, tale og beskeder i et enkelt arbejdsområde. Den giver hold mulighed for at administrere fælles indbakker, automatisere arbejdsgange og samarbejde i realtid, mens AI håndterer repetitive opgaver som billet-rute, respons-udkast og dataanalyse. Platformen er bygget til at erstatte legacy-helpdesk-systemer med en mere intuitiv og skalerbar løsning, der hjælper organisationer med at forbedre respons-tider, spore præstationsmetrikker og levere konsistente kundeoplevelser på tværs af kanaler og er betroet af mere end 10.000 hold globalt.

Tidligt i din karriere hos Mentor Graphics arbejdede du med avancerede hardware-emulationsystemer, der blev brugt til at simulere komplekse elektroniske design, før de blev fysisk bygget. Senere co-grundlagde og skalaerede du Mobicules fra et tre-mands startup til en 35-mands virksomhed, før du lancerede Hiver. Hvordan formede disse dybe tekniske funder og tidlige skaleringsoplevelser din tilgang til at bygge AI, der udfører pålideligt i virkelige, højtryks support-miljøer?

Arbejdet med hardware-emulationsystemer former, hvordan man tænker om pålidelighed. Disse systemer findes, fordi komplekse design opfører sig anderledes, når de møder virkelige forhold. Kant-sager dukker op, interaktioner mellem komponenter ændrer resultater, og den rene model bryder sammen. Denne tankegang bærer over direkte til kundeservice-miljøer. Samtaler ankommer med manglende kontekst, emotionel urgency og afhængighed af flere interne systemer.

At skalaere en virksomhed afslører endnu en lag af kompleksitet. Når hold vokser, bliver operationel friktion meget synlig. Agenter bruger tid på at samle information fra forskellige værktøjer og koordinere internt, før de overhovedet kan svare. Denne oplevelse formede vores tænkning hos Hiver. Vi ser på hele support-livscyklussen, fra det øjeblik en anmodning ankommer til det punkt, hvor den er løst, og spørger, hvor AI kan fjerne den friktion, så hold kan bruge mere energi på at løse problemet.

Hiver betoner brugen af AI til at fjerne busywork i stedet for at erstatte menneskelig dømmekraft eller empati. Hvor trækker du grænsen mellem hjælpsom automation og over-automation i kundeservice?

Support-arbejde indeholder en masse operationel indsats, der aldrig viser sig i den endelige respons. Agenter kategoriserer anmodninger, søger efter politikker, henter konto-oplysninger og sporer lange samtale-historier, før de kan beslutte, hvad de skal sige. AI håndterer den grundlæggende indsats godt. Når et system kan sammenfatte en tråd eller overflade den rette viden-artikel på det rette tidspunkt, starter agenten samtalen med en langt klarere forståelse af situationen.

Dømmekraft kommer ind i billedet, når samtalen indebærer emotion, ansvar eller tvetydighed. En frustreret kunde eller en service-fejl kræver fortolkning og omsorg i, hvordan responsen er formuleret. AI kan give kontekst og forslag i disse øjeblikke, selvom den endelige beslutning om tone og løsning forbliver hos personen, der er ansvarlig for kundeoplevelsen.

Mange AI-værktøjer ser imponerende ud i produkt-demonstrationer, men kæmper i dag-til-dag-produktionsbrug. Hvad har du lært om forskellen mellem AI, der demonstrerer godt, og AI, der konsekvent holder ud i høj-volumen support-indbakker?

En demonstration fanger en ren scenarie. Spørgsmålet er forudsigeligt, viden-basen er organiseret, og systemet producerer en respons. Ægte support-arbejde udfolder sig sjældent på den måde. Anmodninger ankommer med delvis information, samtalen strækker sig over flere udvekslinger, og agenten har ofte brug for input fra andre hold eller systemer, før situationen er klar.

En lære, der bliver tydelig i produktion, er, at responsen i sig selv kun er en del af jobbet. Meget af indsatsen ligger omkring at forstå, hvad der sker, og beslutte, hvordan problemet skal gå videre. AI holder ud langt bedre, når det understøtter arbejdsgangen. At hjælpe agenter med at forstå samtale-konteksten hurtigt gør en meningsfuld forskel, når indbakken begynder at blive fyldt op.

Hiver integrerer direkte i eksisterende kommunikations-arbejdsgange i stedet for at tvinge hold til at arbejde i helt nye systemer. Hvor vigtigt er denne “mød brugerne, hvor de allerede arbejder”-filosofi, når AI udvikles i hurtigt-bevægelige miljøer?

Det betyder en hel del, fordi support-hold allerede arbejder under pres. Når et nyt værktøj beder dem om at ændre, hvordan de arbejder, eller hoppe mellem systemer, viser friktionen sig straks. De fleste support-samtaler begynder stadig i e-mail, og arbejdet omkring disse samtaler indebærer at hente kontekst fra andre systemer og koordinere internt med kolleger. Hvis AI sidder uden for denne omgang, ender agenten med at gøre ekstra arbejde bare for at bruge teknologien.

Vi har set, at hold flytter sig meget hurtigere, når intelligensen viser sig inden for arbejdsgangen, de allerede er afhængige af. En agent, der åbner en lang e-mail-tråd, kan straks se en sammenfatning af samtalen, den relevante kunde-kontekst og forslag, der hjælper dem med at flytte problemet videre. Denne lille ændring reducerer tiden, der bruges på at genskabe, hvad der skete, og giver agenten mere plads til at fokusere på at løse problemet i sig selv.

Support-hold opererer ofte under intens pres, især når de har med frustrerede kunder eller urgente problemer at gøre. Hvordan designer du AI-systemer, der reducerer kognitivt pres i stedet for at tilføje friktion i disse øjeblikke?

Support-arbejde stiller en konstant krav til opmærksomhed. En agent kan håndtere dusinvis af samtaler parallelt, hver med sin egen tone, urgency og historie. Meget af den mentale indsats går med at genskabe situationen, før de kan beslutte, hvordan de skal svare.

AI hjælper mest, når det reducerer den indsats. At åbne en tråd og straks se en klar sammenfatning eller den relevante viden-artikel ændrer startpunktet for interaktionen. Agenten bruger mindre tid på at samle sammen, hvad der skete, og mere tid på at tænke over, hvordan de bedst kan løse problemet.

Med mere end 10.000 hold, der bruger Hiver globalt, hvilke mønstre har du observeret i, hvordan AI-adopterings-forløbet udvikler sig efter den første implementering? Hvad adskiller hold, der virkelig integrerer AI i daglige arbejdsgange, fra dem, der behandler det som et valgfrit tilføjelse?

Hold, der ser reel værdi fra AI, begynder normalt med et par meget specifikke øjeblikke i arbejdsgangen, hvor agenter taber tid hver dag. Samtale-sammenfattelser er et godt eksempel. Når en agent åbner en lang tråd og straks forstår, hvad der skete, starter hele interaktionen anderledes. Det samme gælder, når systemet overflader den rette hjælp-artikel eller politik på det rette tidspunkt. Når disse øjeblikke virkelig hjælper, begynder agenter at bruge AI naturligt, fordi det gør deres dag lettere.

Den anden faktor er kvaliteten af den viden, der ligger bag systemet. AI-forslag afhænger tungt af den dokumentation og processer, det trækker fra. Hold med klare, velvedligeholdte viden-baser tenderer til at se stærkere adoption, fordi forslagene forbliver nyttige og troværdige. Over tid bliver AI en del af, hvordan holdet arbejder, simpelthen fordi det hjælper dem med at flytte gennem samtaler med mere klarhed.

Set fra en produkt-strategi, hvordan balancerer du hastigheden af AI-innovation med vedligeholdelse af pålidelighed og tillid – især i miljøer, hvor fejl kan skade kunde-forhold?

Kundeservice er et af disse miljøer, hvor små fejl kan have overdimensionerede konsekvenser. En respons, der misforstår en faktura-problem eller en frustreret kunde, kan skabe mere arbejde for holdet og skade tillid hurtigt. Denne realitet tvinger en meget bevidst tilgang til, hvor AI tager handling, og hvor det understøtter den menneskelige agent. Nogle opgaver, som kategorisering eller samtale-sammenfattelser, tolererer en høj grad af automation. Beslutninger, der påvirker indtægt, politik-fortolkning eller kunde-forhold, kræver en langt højere grad af sikkerhed.

Produkt-strategi bliver en øvelse i at matche AI-kapacitet med det niveau af pålidelighed, en opgave kræver. Nye modeller og teknikker dukker op konstant, men den virkelige test er, om de udfører konsekvent inden for dag-til-dag-support-operationer. Holdene, der bygger disse systemer, må holde sig tæt på, hvordan agenter faktisk arbejder, og behandle dette feedback som det primære signal for, hvad der skal sendes videre.

Hvordan tror du, AI vil ændre strukturen af support-hold over de næste fem år? Vil det skifte mod overvågning og dømmekraft, eller vil helt nye kategorier af arbejde dukke op?

Strukturen af support-hold vil sandsynligvis skifte mod færre mennesker, der håndterer repetitive billet-behandlinger, og flere mennesker, der fokuserer på at løse komplekse problemer. Når AI håndterer opgaver som samtale-sammenfattelser, organisering af indkommende anmodninger og hjælp til at udarbejde svar, vil agenter bruge mere tid på at forstå, hvad der faktisk skete i en situation, og koordinere med andre hold for at løse det. Det bliver mindre om at flytte billetter gennem en kø og mere om at eje udfaldet af kunde-problemet.

Hold vil også have brug for mennesker, der er ansvarlige for de systemer, der gør AI nyttigt. AI-understøttet support afhænger tungt af præcis dokumentation, klare processer og pålidelige viden-kilder. Vedligeholdelse af disse systemer bliver en løbende opgave, så support-organisationer vil sandsynligvis tilføje fokus på at administrere viden, forbedre arbejdsgange og sikre, at AI fortsætter med at give nyttige retningslinjer, når produkter og politikker udvikler sig.

Hiver opererer i en konkurrencedygtig helpdesk-marked. Hvad mener du er de grundlæggende ændringer i kunde-forventninger, som legacy-platforme har fejlet at tilpasse sig?

Kunder forventer stadig mere kontinuitet, når de søger support. De vil have, at organisationen skal huske tidligere interaktioner og bære den kontekst gennem hele samtalen. At gentage informationer på tværs af flere udvekslinger bliver hurtigt frustrerende.

Support-problemer udstrækker sig også ud over support-holdet selv. Produkt-hold, operations-hold og account-chefer bidrager ofte til løsningen. Platforme, der bringer kommunikation og operationel kontekst ind i samme arbejdsgang, gør det lettere at fastholde ejerskab af problemet fra start til slut.

Set fremad, hvad ser “god kundeservice” ud til i en AI-først-verden – og hvilke kapaciteter vil adskille virksomheder, der trives, fra dem, der falder bagud?

God support i en AI-først-verden vil simpelthen føles lettere for kunden. De søger support, holdet forstår situationen hurtigt, og samtalen flytter sig fremad uden unødvendig indsats. Teknologien bagved bliver mestendels usynlig. Det, kunderne lægger mærke til, er, at deres problem er forstået og løst uden unødvendig indsats.

For holdene, der kører support, kommer denne oplevelse fra at have den rette kontekst til rådighed, det øjeblik en samtale begynder. AI hjælper med at organisere information og overflade, hvad der betyder noget, mens agenten fokuserer på at forstå kunden og guide problemet til løsning. Virksomhederne, der trives, vil være dem, der bygger deres support-operationer op omkring den klarhed og kontinuitet i interaktionen.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Hiver.