Mark Hughes, Mitgründer und CEO bei Solidroad – Interview-Serie

Mark Hughes, Mitgründer und CEO bei Solidroad, ist ein wiederkehrender Unternehmer und Go-to-Market-Führer, der seine Karriere an der Kreuzung von Vertrieb, Kundenerfahrung und Technologie aufgebaut hat. Er gründete zuvor Gradguide, eine Karriere- und Rekrutierungsplattform, die 2 Millionen Euro aufbrachte und später übernommen wurde, und hatte senior kommerzielle Rollen bei Chargify inne, wo er die EMEA-Operationen nach der Fusion mit Maxio leitete. Früher in seiner Karriere entwickelte er tiefgreifende Expertise in High-Velocity- und Enterprise-Verkäufen bei Intercom, wo er komplexe Deal-Zyklen managte und half, Umsatzteams zu skalieren. Heute leitet er Solidroad aus San Francisco und wendet diese Erfahrung an, um zu überdenken, wie Unternehmen Kundenschnittstellen bewerten und verbessern, mit dem Fokus auf die Erhöhung der Qualitätsschwelle bei beiden menschlichen und automatisierten Supportsystemen.

Solidroad ist eine künstliche Intelligenz-gestützte Qualitätssicherungs- und Trainingsplattform, die für moderne Kundenerfahrungsteams entwickelt wurde, um jede Kundenschnittstelle zu analysieren und zu verbessern. Die Plattform nimmt Konversationen über Kanäle hinweg auf, bewertet die Leistung gegenüber Unternehmensstandards und generiert personalisierte Trainingsimulationen, um sowohl menschliche Agenten als auch künstliche Intelligenz-Systeme kontinuierlich zu optimieren. Anstatt Kundensupport-Teams zu ersetzen, konzentriert sich Solidroad darauf, sie zu verbessern, indem jede Interaktion in eine Feedback-Schleife umgewandelt wird, die Ergebnisse wie Antwortqualität, Effizienz und Kundenzufriedenheit verbessert. Das Unternehmen positioniert sich als Infrastruktur für hochleistungsfähige CX-Teams, um Organisationen zu helfen, konsistente, hochwertige Erfahrungen ohne Erhöhung der operativen Kosten zu liefern.

Die meisten Unternehmen verlassen sich immer noch auf die Überprüfung einer winzigen Stichprobe von Kundenschnittstellen, um die Leistung zu bewerten. Was hat Sie davon überzeugt, dass dieser Ansatz grundlegend fehlerhaft ist, und wie hat diese Erkenntnis dazu geführt, Solidroads Ansatz zur kontinuierlichen Überwachung, Bewertung und Verbesserung sowohl menschlicher als auch künstlicher Intelligenz-Agenten zu entwickeln?

Patrick und ich hatten beide Jahre lang Erfahrungen mit Kundensupport-Teams, bevor wir Solidroad gründeten, und ein Problem fiel immer wieder auf: Unternehmen hatten Hunderttausende von Konversationen mit Kunden, aber wenn man sie fragte, wie diese Konversationen tatsächlich verliefen, wussten sie es nicht wirklich. Und was sie wussten, basierte auf einer so kleinen Stichprobe der Interaktionen, dass es nicht genau war.

Das war bereits ein schwaches Fundament, als Menschen jeden Ticket bearbeiteten. Jetzt, da künstliche Intelligenz ins Spiel kommt, haben sich die Einsätze geändert. Ein schlechtes Muster könnte sich über Tausende von Konversationen gleichzeitig abspielen und unbemerkt bleiben, weil die meisten Teams nur 1-2% der Interaktionen überprüfen.

Wir sahen, dass dies bei Unternehmen immer wieder passierte und sie Kunden verloren, weil sie es nicht bemerkten. Deshalb entschieden wir uns, eine Lösung zu entwickeln. Wir erkannten, dass dies letztlich ein Infrastrukturproblem war. Unternehmen hatten einfach nicht die Systeme, um die Leistung ihrer Kundensupport-Agenten wirklich zu verstehen.

Solidroad wurde entwickelt, um diese Blindheit zu beseitigen. Wir geben Unternehmen die Tools, um zu sehen, was tatsächlich passiert, und sicherzustellen, dass jede Konversation – menschlich, künstlich oder beides – Wert liefert.

Solidroad wird oft als “Flugsimulator” für kundenorientierte Teams beschrieben. Können Sie uns durchführen, wie Ihre künstliche Intelligenz tatsächliche Kundenschnittstellen simuliert, und was diese Simulationen effektiv für die Schulung im großen Maßstab macht?

Die Flugsimulator-Analogie funktioniert, weil die Kernidee dieselbe ist. Man möchte nicht, dass jemandes erste Erfahrung mit einer schwierigen Situation vor einem echten Kunden stattfindet.

Was unsere Simulationen effektiv macht, ist, dass sie auf dem begründet sind, was tatsächlich in den Konversationen des Unternehmens passiert. Wenn ein Agent etwas falsch macht in einer Live-Interaktion, generiert das System eine gezielte Simulation genau dieses Szenarios, damit er es üben kann, bevor es wieder passiert. Es ist nicht generische Schulungsinhalte.

Die Feedback-Schleife ist es, was das Lernen antreibt. Agenten laufen durch ein Szenario, erhalten spezifische Anleitung darüber, was funktioniert hat und was nicht, und versuchen es erneut. Fehler passieren in einer sicheren Umgebung, und das Lernen bleibt, weil es an reale Situationen gebunden ist und nicht an abstrakte Klassenzimmerübungen.

Ihre Plattform trainiert nicht nur Agenten, sondern bewertet auch Live-Interaktionen gegen benutzerdefinierte Richtlinien. Wie entwerfen Sie diese Bewertungssysteme, um reale Geschäftsergebnisse wie CSAT, Retention oder Umsatz widerzuspiegeln?

Um diese Richtlinien zu erstellen, beginnen wir immer mit dem, was das Unternehmen wirklich interessiert. Ein Finanzdienstleistungsunternehmen, das mit Rechnungsstreitigkeiten zu tun hat, hat andere Qualitätsstandards als ein E-Commerce-Unternehmen, das Rückgaben während der Hochsaison managt. Die Bewertung wird also um das Unternehmen herum aufgebaut, um seine Richtlinien, seine Unternehmensstimme und das, was eine gute Lösung für sie darstellt, zu berücksichtigen.

Und Geschäftsergebnisse wie verbesserte CSAT-Werte und Retention kommen aus hochwertigen Kundenschnittstellen. Anstatt Scores rückwirkend zu verfolgen, konzentrieren wir uns auf die Verhaltensweisen, die diese Ergebnisse vorhersagen: konsistente Leistung über Agenten hinweg, das Befolgen der richtigen Prozesse und die Soft Skills, die bestimmen, wie Kunden am Ende einer Konversation fühlen.

Das Ziel ist es, Führungskräften ein klares, praktisches Bild davon zu geben, was gut für ihr Unternehmen aussieht, damit sie ihre Teams coachen, Erfolge replizieren und über ihr Unternehmen hinweg wachsen können.

Viele Unternehmen überprüfen nur einen kleinen Prozentsatz von Kundenschnittstellen. Wie ermöglicht Solidroad eine vollständige Abdeckungsanalyse, und welche Arten von Erkenntnissen werden möglich, wenn man von der Stichprobennanalyse zur Analyse aller Daten wechselt?

Unsere kürzliche State of CX-Umfrage zeigte, dass etwa 81% der Supportschnittstellen nie auf Qualität überprüft werden, was Teams dazu bringt, nur einen Bruchteil der Konversationen zu überprüfen, was bedeutet, dass sie im Grunde nur stichprobenartig überprüfen und hoffen, dass es repräsentativ ist. Wenn ein Unternehmen beginnt, jede Kundenschnittstelle zu bewerten, werden Muster, die nie in einer Zufallsstichprobe auftauchen würden, offensichtlich. Teams beginnen zu sehen, welche Arten von Anfragen konsistent schlecht gehandhabt werden, wo menschliche und künstliche Intelligenz-Agenten auf unerwartete Weise divergieren und welche Probleme wiederkehren, bevor sie jemals in einer Kundenbeschwerde auftauchen.

Solidroad verwendet künstliche Intelligenz, um jede Kundenschnittstelle automatisch über Chat, E-Mail und Sprache zu überprüfen, was eine vollständige Abdeckungsanalyse ermöglicht. Dieser Wechsel von der Stichprobennanalyse zur 100%-Überprüfung ist es, was konsistente Muster in Qualität, Kundenerfahrung und Leistung aufdeckt, die sonst verborgen bleiben würden.

Crypto.com ist ein gutes Beispiel dafür, was eine vollständige Abdeckung wirklich ermöglicht. Bevor Solidroad, hatte ihr Team keine zuverlässige Möglichkeit, die Qualität der Agenten im großen Maßstab zu messen oder zu überprüfen, ob die Agenten bereit waren, bevor sie Live-Tickets bearbeiteten. Probleme traten nur auf, nachdem sie bereits Kunden betroffen hatten. Durch den Wechsel zu automatisierter Bewertung über 800.000 monatliche Konversationen konnten sie Qualitätsprobleme frühzeitig erkennen, Agenten vor der Bereitstellung überprüfen und bestätigen, dass Verbesserungen tatsächlich greifen. Die Ergebnisse waren eine 18%ige Reduzierung der durchschnittlichen Bearbeitungszeit und eine 3%ige Steigerung der CSAT (was angesichts des Umfangs, in dem sie operieren, signifikant ist). Wenn ihr Konversationsvolumen weiter wächst, skaliert ihre Qualitätsübersichtlichkeit mit, anstatt weiter zurückzufallen.

Das ist wirklich, was eine vollständige Abdeckung ändert. Sie verschiebt die Qualität von etwas Reaktionsmäßigem zu etwas Proaktionsmäßigem, das im Voraus gemanagt werden kann.

Sie arbeiten mit Unternehmen wie Crypto.com und Ryanair, bei denen die Kundenerfahrung missionskritisch ist. Welche Muster oder gemeinsame Schwächen haben Sie bei großen Supports-Teams identifiziert?

Einige Dinge kommen immer wieder vor. Der erste ist die Lücke zwischen dem, was Unternehmen denken, was in ihren Kundenschnittstellen passiert, und was tatsächlich passiert. Die meisten Teams sind zuversichtlich in ihrer Supports-Qualität, bis sie eine vollständige Übersichtlichkeit erhalten, dann realisieren sie, dass das Bild komplizierter ist, als ihre Metriken ursprünglich vermuten ließen.

Es gibt auch eine konsistente Diskrepanz zwischen der Art und Weise, wie Teams die Leistung messen, und dem, was tatsächlich Kundenergebnisse antreibt. Geschwindigkeitsmetriken und Ticketzahlen sind leicht zu verfolgen, also dominieren sie die Bewertungen. Aber diese Zahlen sagen Unternehmen nicht, ob das Problem des Kunden gelöst wurde, der Agent die Marke korrekt repräsentierte oder ob die Interaktion den Kunden gut über das Unternehmen fühlen ließ. In hochriskanten Umgebungen wie Finanztechnologie oder Gesundheitswesen kann diese Fehlanpassung zwischen Messung und Ergebnis ernsthafte Konsequenzen haben.

Es gibt wachsende Bedenken, dass künstliche Intelligenz im Kundenservice die menschliche Erfahrung verschlechtern kann. Wie stellen Sie sicher, dass Ihr System die Qualität verbessert und nicht dazu neigt, Teams zu übermäßig skriptierten oder robotischen Interaktionen zu drängen?

Es ist ein berechtigtes Anliegen, aber eines, das normalerweise von QA-Systemen (Qualitätsicherung) kommt, die künstliche Intelligenz für die falschen Dinge nutzen. Wenn ein Unternehmen Agenten ausschließlich auf der Einhaltung eines Skripts oder der Geschwindigkeit, mit der sie ein Ticket schließen, bewertet, werden sie mit Interaktionen enden, die technisch die Kästchen abhaken, aber für den Kunden hohl oder unpersönlich wirken.

Unser Ansatz ist es, die Bewertung um das herum zu bauen, was tatsächlich einen Kunden dazu bringt, eine Interaktion als unterstützend zu empfinden. Wir schauen auf Dinge wie ob der Agent aktiv zuhörte, Empathie zeigte, wenn nötig, und tatsächlich half, das Problem des Kunden zu lösen.

Das Gleiche gilt für künstliche Intelligenz-Agenten. Das Ziel ist es, künstliche Intelligenz zu nutzen, um Kundenschnittstellen konsistenter, genauer und angemessen auf das zu machen, was der Kunde tatsächlich erlebt. Wenn die Qualitätsüberwachung auf diese Ergebnisse ausgerichtet ist und nicht nur auf Prozesskonformität, neigt sie Interaktionen in eine bessere Richtung, nicht in eine skriptiertere.

Solidroad befindet sich an der Kreuzung von menschlichen Agenten und künstlichen Intelligenz-Agenten. Wie sehen Sie die Beziehung zwischen den beiden, insbesondere wenn künstliche Intelligenz beginnt, mehr Frontline-Interaktionen zu übernehmen?

Es ist wichtig, menschliche Agenten und künstliche Intelligenz-Agenten als Team zu betrachten, die Arbeit aufteilen. Ich denke, die Zukunft für menschliche und künstliche Intelligenz-Agenten ist hybrid.

Künstliche Intelligenz bearbeitet hochvolumige, einfache Anfragen sehr gut, und die besten künstlichen Intelligenz-Agenten lösen sogar die meisten dieser Konversationen auf eigene Faust, was wirklich beeindruckend ist.

Aber das Ergebnis davon ist, dass die Interaktionen, die menschliche Agenten erreichen, zunehmend komplex, emotional aufgeladen und hochriskant sind. Der Kunde, der frustriert ist, die Situation, die nicht in ein Standard-Template passt, die Konversation, die echtes Urteilsvermögen erfordert. Die Latte für menschliche Agenten steigt also tatsächlich, nicht sinkt.

Genau deshalb ist die Überwachung über beide so wichtig. Künstliche Intelligenz muss ihr Volumen konsistent und genau bearbeiten. Menschen müssen gut vorbereitet sein auf die schwierigeren Konversationen, die sie nun hauptsächlich bearbeiten. Und es muss eine unabhängige Schicht geben, die über beide hinweg sitzt und Unternehmen ein klares Bild davon gibt, was funktioniert und was nicht. Das ist das hybride Modell, das wir denken, das CX in Zukunft definieren wird, und darauf bauen wir hin.

Ihr System bietet Echtzeit-Feedback und Coaching. Wie wichtig ist die Unmittelbarkeit bei der Verbesserung der Leistung von Agenten, und wie vergleicht sich das mit traditionellen Trainings- und QA-Workflows?

Unmittelbarkeit ist wirklich wichtig, und die Forschung unterstützt, dass Feedback am effektivsten ist, wenn es mit der spezifischen Situation verbunden ist, die es generiert hat. Traditionelle QA-Workflows brechen diese Verbindung fast von Design aus. Ein Manager überprüft eine Konversation Tage oder Wochen nachdem sie passiert ist, teilt Feedback in einer regelmäßigen Überprüfung mit, und bis dahin hat der Agent Dutzende von anderen Interaktionen gehabt, bei denen der Fehler wahrscheinlich wiederholt wurde. Ohne Feedback in Echtzeit zu geben, persistieren Fehler und Agenten müssen Praktiken unlernen, die sie immer wieder tun.

Was wir festgestellt haben, ist, dass Feedback am effektivsten ist, wenn es direkt nach einer echten Konversation auftritt. Es funktioniert am besten, wenn es direkt mit dem verbunden ist, was der Agent gerade bearbeitet hat, und mit einer spezifischen Simulation, die er sofort ausführen kann. In diesem Format übersetzt es sich in tatsächliches Verhaltensänderungen viel schneller. Agenten hören nicht nur, dass sie verbessern müssen, sie üben die Verbesserung im Kontext, während es noch frisch ist.

Der Kontrast zum traditionellen Onboarding ist das klarste Beispiel dafür. Unsere Daten zeigen, dass über die Hälfte der menschlichen Agenten sagen, der schwierigste Teil des Onboardings sei, das Gelernte auf reale Kundensituationen anzuwenden. Diese Diskrepanz existiert, weil Klassenzimmer-Lernen und Live-Support nichts miteinander zu tun haben. Kontinuierliches, situatives Feedback löst dies auf eine Weise, die periodische Überprüfungen nie wirklich konnten.

Sie haben Verbesserungen wie reduzierte Onboarding-Zeit und höhere CSAT gezeigt. Welche Metrik interessiert Kunden am meisten, wenn sie Ihre Plattform adoptieren, und wie demonstrieren Sie ROI früh in der Beziehung?

Es variiert, wo die Schmerzpunkte des Kunden liegen, aber die zwei Dinge, die am häufigsten auftauchen, sind Qualitätssicherungsabdeckung und Zeitersparnis. Teams, die manuell nur einen kleinen Bruchteil von Konversationen überprüfen, sehen sofort den Wert darin, zu 100% Abdeckung zu wechseln, sowohl für die Erkenntnisse, die Solidroad aufdeckt, als auch für die Stunden, die es ihren QA-Teams zurückgibt. Im Durchschnitt sehen wir über unsere Kundenbasis hinweg eine 20-fache Steigerung der QA-Abdeckung und eine 90%ige Reduzierung der manuellen Überprüfungszeit.

Auf der ROI-Seite versuchen wir, Ergebnisse mit Metriken zu verbinden, die bereits für das Unternehmen wichtig sind. Bei Podium war es die Onboarding-Zeit. Neue Agenten erreichten Leistungsbenchmarks in 60 Tagen anstelle von 90, und lösten Probleme 33% schneller, sobald sie live gingen. Bei Crypto.com war es die Lösezeit und die Sichtbarkeit des Konversationsvolumens. Für Ryanair zeigte es sich in den gesparten Rekrutierungsstunden.

Die spezifischen Details unterscheiden sich, aber das Muster ist dasselbe: Wenn man tatsächlich sehen kann, was in den Kundenschnittstellen passiert, und schnell darauf reagieren kann, folgen Verbesserungen in den Metriken, die wichtig sind.

Aufblickend sehen Sie Solidroad als weiterhin fokussiert auf Schulung und QA oder als sich zu einer umfassenderen Orchestrierungsebene für die Verwaltung von menschlichen und künstlichen Intelligenz-Kundenschnittstellen entwickelnd?

Schulung und QA sind, wo wir begonnen haben, aber die Vision ist größer als das. Die Art und Weise, wie wir darüber nachdenken, ist, dass Qualitätsüberwachung zu einer Schlüsselinfrastruktur für jedes Unternehmen werden wird, das künstliche Intelligenz im Kundensupport einsetzt. Auf die gleiche Weise, wie Sicherheitszertifizierungen unverzichtbar wurden, als Unternehmen Daten in die Cloud verlagerten, wird Qualitätszertifizierung unverzichtbar, wenn Kundenschnittstellen zu künstlicher Intelligenz wechseln.

Der Leitstern ist, dass “Solidroad zertifiziert” eine echte Bedeutung hat: der Beweis, dass ein Unternehmen einen hohen Standard für die Behandlung von Kunden erfüllt, unabhängig davon, ob die Interaktion von einem Menschen oder einer künstlichen Intelligenz bearbeitet wurde.

Was das praktisch bedeutet, ist, dass wir das System sein wollen, auf das Organisationen sich verlassen, um die Qualität der Kundenschnittstellen überall hinweg zu verwalten und zu verbessern, und nicht nur Probleme auf der Rückseite zu markieren. Das ist ein großer Teil des Grundes, warum wir unsere 25-Millionen-Dollar-Serie-A-Finanzierungsrunde von Hedosophia angeführt haben – sie gibt uns den Spielraum, auf diese Vision hinzuarbeiten. Dazu gehört auch die Erweiterung unserer Produktfähigkeiten und Teams, um mehr Unternehmen dabei zu helfen, 100% ihrer Kundenschnittstellen zu bewerten.

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