Alex Levin, Mitgründer und CEO von Regal – Interview-Serie

Alex Levin ist der Mitgründer und CEO von Regal, einer Voice-AI-Plattform, die Unternehmen hilft, durch kompatible, kundenorientierte Gespräche Umsatz zu erzielen. Vor der Gründung von Regal im Jahr 2020 leitete er Wachstums- und Produktteams bei Handy, Thomson Reuters (TRI ) und anderen Startups. Als Harvard-Absolvent und Mitglied des Forbes Technology Council konzentriert sich Alex auf den Aufbau von skalierbarer, sprachbasierter Infrastruktur, die Innovation mit unternehmensweiten Sicherheitsvorkehrungen verbindet.

Regal bietet Voice-AI-Agents für Vertrieb, Support, Terminplanung und Inkasso – entwickelt, um natürlich zu klingen, in CRM-Systeme integriert und Millionen von Gesprächen im großen Maßstab zu bewältigen. Die Plattform verfügt über einen No-Code-Builder, Echtzeit-Analytics, A/B-Testing und integrierte Compliance für regulierte Branchen wie Gesundheitswesen, Versicherungen und Finanzdienstleistungen.

Was hat Sie dazu inspiriert, von Führungspositionen bei Angi und Handy zu Regal zu wechseln, und gab es einen bestimmten Moment, in dem Sie und Ihr Mitgründer erkannten, dass die Kontaktzentrum-Erfahrung komplett neu aufgebaut werden musste?

Während meiner Zeit bei Angi/Handy sahen wir die Macht der Sprache für den Aufbau von Vertrauen mit Kunden. Kunden sagten uns, dass sie, wenn sie ein wichtiges Problem hatten, anrufen wollten, und Kunden, die wir über das Telefon bedienten, hatten einen höheren Lebenswert und wenn wir Kunden anriefen, antworteten sie mit einer viel höheren Rate als über jeden anderen Kanal. Doch die Anbieter von Kontaktzentrum-Software konzentrierten sich auf “Ablenkung” und “Automatisierung” anstelle dessen, was für die Kunden richtig war. Das Ergebnis war ein endloses Spiel von “Versteckte-Telefonnummer”, das Kunden unnötig bestrafte.

Mein Mitgründer und ich verließen das Unternehmen, weil wir fest davon überzeugt waren, dass wir die Stimme zum effektivsten Kanal machen konnten, indem wir die Kosten senkten und es einfacher machten, ihn zu bedienen. Ich wünsche mir, ich hätte Regal gehabt, als ich ein großes Kontaktzentrum leitete.

Sie haben Regal 2020 gestartet, just vor dem generativen AI-Boom. Wie haben Sie beurteilt, ob Voice-AI technisch machbar war – und was gab Ihnen die Überzeugung, frühzeitig zu handeln?

Wir waren bereits lange vor 2020 davon überzeugt, dass die Stimme der wichtigste Kanal war. Und 2020 wussten wir, dass wir Orchestrierung, A/B-Testing und Personalisierungstools bauen konnten, die die Kosten senken und die Verwaltung der Stimme als Kanal vereinfachen würden – egal ob es sich um einen Menschen, einen alten Sprachbot oder etwas Besseres handelte. Also verkauften wir Tools für Kontaktzentren, um menschliche Agenten besser zu verwalten. Dieses Produkt wuchs sehr schnell.

Welche waren einige der schwierigsten technischen Herausforderungen beim Training von Voice-Agents, die menschliche Leistungen in natürlichen Gesprächen erreichen oder übertreffen konnten?

Es gibt so viele wunderbare technische Herausforderungen, an denen zu arbeiten ist. Von der Sicherstellung, dass die Latenz bei etwa 500ms liegt, bis zur Klärung, wie man sicherstellt, dass AI-Agents alle Kontexte von Unternehmenswissen und Kundendaten in Echtzeit haben, bis hin zur Ausführung von Aktionen in Anrufen und danach, bis hin zu Wächtern oder Sicherheitsfunktionen und wie man die Interaktion des Agents menschlich macht, mit abwechselndem Sprechen und den richtigen verbalen Signalen.

Eines meiner Lieblingsprojekte, an dem unser Team derzeit arbeitet, ist die Verbesserung der automatisierten Bewertungen, damit ein AI-Agent leichter getestet werden kann, bevor er in die Produktion geht. Dies würde Hunderte von Stunden manueller Qualitätssicherung ausschalten, die derzeit für jede Änderung an jedem AI-Agenten stattfindet.

Wie nutzt Regal maschinelles Lernen, um Gespräche in Echtzeit zu personalisieren? Basiert es sich auf Kundenhistorie, Ton, Intent-Erkennung – oder einer Kombination?

Wir haben stark in Personalisierung investiert im Vergleich zum Rest des Marktes, weil wir daran glauben, Marken zu helfen, Millionen von Kunden wie einen zu bedienen. Wir begannen mit dem Aufbau eines einheitlichen Kundenprofils, das jeden Teil von CRM-Daten, Ereignisdaten und Gesprächsverlauf verknüpft. Beim Aufbau eines Agents können Unternehmen dem AI-Agent dann Zugriff auf alle Informationen über einen Kunden oder nur auf die spezifischen Datenpunkte gewähren, die für ein bestimmtes Gespräch erforderlich sind. Das LLM bietet eine menschliche, konversationale Antwort unter Verwendung der vorliegenden Daten.

Wie verwendet Ihr System Retrieval-augmentierte Generierung (RAG) ohne die Responsivität oder den natürlichen Rhythmus zu opfern, den Kunden von einem Live-Anruf erwarten?

RAG ist ein Bereich, in dem wir uns unterscheiden, da es für Voice-AI-Agents schneller sein musste als für AI-Agents in Chat oder anderen digitalen Kanälen. Einige Sekunden totale Stille würden den Anruf vollkommen ruinieren.

Die Regal-Agents sind nach realen menschlichen Stimmen modelliert, einschließlich der von tatsächlichen Investoren. Was benötigt es – technisch und ethisch – um solche hochwertigen Replikate zu bauen?

Es ist erstaunlich einfach, technisch gesehen, eine Stimme zu “klonen”, damit ein AI-Agent wie ein professioneller Sprecher oder ein Freund klingen kann. 5-10 Minuten hochwertiger Audio sind alles, was benötigt wird.

Wie wichtig ist die Integration von Regal in CRM-Systeme, Zahlungssysteme und interne APIs? Welche waren einige der schwierigsten Integrationsherausforderungen, die Sie lösen mussten?

Die Integration in große Produkte wie CRM-Systeme von Salesforce (CRM ) oder Kontaktzentrum-Software wie NICE ist einfach. Die schwerste Aufgabe ist es, sicherzustellen, dass das Unternehmen APIs für alle Aktionen, die der AI-Agent ausführen muss, bereitstellt. Ein menschlicher Agent kann auf einen Button klicken, um ein Hotelzimmer zu buchen. Aber der AI-Agent benötigt wirklich eine Buchungs-API.

Wie gehen Sie bei der Messung und Verbesserung der Modellleistung im Laufe der Zeit vor? Welche Rolle spielt überwachtes Feintuning oder Verstärkungslernen in diesem Prozess?

Wir haben von Anfang an ein A/B-Test-Set gebaut, sodass es für Kunden trivial ist, AI-Agents gegen menschliche Agenten oder den Agenten mit LLM-Version 1 gegen Version 2 zu testen. Das gibt uns eine klare Möglichkeit, Variationen in den Ergebnissen für unterschiedliche Modelle zu sehen.

Was war Ihre Absicht, diese AI-Berater für Gründer verfügbar zu machen, und wie werden sie heute verwendet?

Wir hatten das Glück, Zugang zu wunderbaren Investoren zu haben und wollten dies mit diesem Projekt zurückgeben. Ich habe Spaß daran, mit Satya AI zu sprechen, und ich habe großartiges Feedback von Managern gehört, die die AI-VCs für alles von Rat, wie man einen Produkt-Roadmap erstellt, bis hin zu welchem Preismodell man verwenden soll, verwendet haben.

Sie haben diese Investor-Agents nach realen Investoren modelliert. Basieren sie auf allgemeinem Startup-Wissen oder sind sie auf firmenspezifische Ratschläge und Philosophien der einzelnen VC trainiert?

Alle AI-Agents haben einiges an allgemeinem Wissen aus der LLM-Ausbildung. Um die Ergebnisse zu erzielen, die wir benötigten, haben wir die umfangreichen Schriften der Investoren in die jeweiligen AI-Agent-Knowledge-Bases hochgeladen.

Wie sehen Sie die Zukunft von Regals AI? Werden wir mehr autonome Entscheidungsfindung, mehr emotionale Intelligenz oder sogar multimodale Unterstützung sehen?

Der aufregendste Teil des letzten Jahres war, zu sehen, wie unsere AI-Agents besser als menschliche Agenten abschneiden. Ich denke, dass in den nächsten Jahren Verbesserungen in den zugrunde liegenden AI-Modellen und Fortschritte in Regals Anwendung dazu führen werden, dass AI-Agents, die nicht von Menschen zu unterscheiden sind und die menschliche Agentenfähigkeiten bei weitem übertreffen, entstehen. Unternehmen, die sich auf AI-Agents einlassen, werden ihre Kosten senken und die Kundenerfahrung schneller verbessern, als irgendjemand erwartet hat.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Regal besuchen: Regal.