Niraj Ranjan, Gründer und CEO von Hiver – Interview-Serie

Niraj Ranjan, Gründer und CEO von Hiver, ist ein erfahrener Unternehmer und Technologe, der seine Karriere an der Schnittstelle zwischen Software-Entwicklung, Produktentwicklung und Kundenerfahrung aufgebaut hat. Er gründete Hiver 2017, um die Kunden-Service-Software neu zu gestalten und baute auf seiner früheren Erfahrung als Mitgründer von Mobicules auf, wo er das Unternehmen von einem kleinen Team auf 35 Mitarbeiter skalieren konnte, während er gleichzeitig als Programmierer und Architekt tätig war. Vor seiner unternehmerischen Tätigkeit verbrachte er fast fünf Jahre bei Mentor Graphics, wo er fortschrittliche Emulations-Software für FPGA-basierte Systeme entwickelte, was seine Herangehensweise an die Entwicklung von Hochleistungs- und skalierbaren Produkten sowie die Förderung starker Ingenieurkulturen prägte.

Hiver ist eine moderne, kundenorientierte Plattform, die darauf ausgelegt ist, Kommunikationskanäle wie E-Mail, Chat, Sprache und Messaging in einem einzigen Arbeitsbereich zu vereinen. Sie ermöglicht es Teams, gemeinsame Postfächer zu verwalten, Workflows zu automatisieren und in Echtzeit zusammenzuarbeiten, während die künstliche Intelligenz repetitive Aufgaben wie Ticket-Weiterleitung, Antwortentwurf und Datenanalyse übernimmt. Die Plattform ist darauf ausgelegt, herkömmliche Help-Desk-Systeme durch eine intuitivere und skalierbarere Lösung zu ersetzen, die Organisationen dabei hilft, die Antwortzeiten zu verbessern, Leistungsindikatoren zu verfolgen und konsistente Kundenerfahrungen über alle Kanäle hinweg zu liefern und wird von über 10.000 Teams weltweit vertraut.

Früh in Ihrer Karriere bei Mentor Graphics haben Sie an fortschrittlichen Hardware-Emulationssystemen gearbeitet, die verwendet wurden, um komplexe elektronische Entwürfe vor ihrer physischen Herstellung zu simulieren. Später haben Sie Mobicules mitgegründet und von einem drei-köpfigen Startup auf ein 35-köpfiges Unternehmen skaliert, bevor Sie Hiver gründeten. Wie haben diese tiefen technischen Grundlagen und frühen Skalierungserfahrungen Ihre Herangehensweise an die Entwicklung von künstlicher Intelligenz beeinflusst, die in realen, hochdruckhaltigen Support-Umgebungen zuverlässig funktioniert?

Die Arbeit an Hardware-Emulationssystemen prägt die Art und Weise, wie man über Zuverlässigkeit denkt. Diese Systeme existieren, weil komplexe Entwürfe sich anders verhalten, sobald sie auf reale Bedingungen stoßen. Randfälle treten auf, die Wechselwirkungen zwischen Komponenten ändern die Ergebnisse und das saubere Modell bricht zusammen. Diese Denkweise trägt sich direkt auf Kundensupport-Umgebungen über. Gespräche kommen mit fehlendem Kontext, emotionaler Dringlichkeit und Abhängigkeiten von mehreren internen Systemen.

Das Skalieren eines Unternehmens legt eine weitere Ebene der Komplexität offen. Wenn Teams wachsen, wird der operative Reibungswiderstand sehr sichtbar. Agenten verbringen Zeit damit, Informationen aus verschiedenen Tools zusammenzustellen und intern zu koordinieren, bevor sie überhaupt antworten können. Diese Erfahrung hat unsere Denkweise bei Hiver geprägt. Wir betrachten den gesamten Support-Lebenszyklus, von dem Moment, an dem eine Anfrage eintrifft, bis zu dem Punkt, an dem sie gelöst ist, und fragen, wo die künstliche Intelligenz diesen Reibungswiderstand beseitigen kann, damit Teams mehr Energie auf die Lösung des Problems verwenden.

Hiver betont die Verwendung von künstlicher Intelligenz, um Bürokratie zu entfernen, anstatt menschliches Urteilsvermögen oder Mitgefühl zu ersetzen. Wo ziehen Sie die Grenze zwischen hilfreicher Automatisierung und Über-Automatisierung im Kundensupport?

Support-Arbeit enthält viel operativen Aufwand, der nie im finalen Antworttext erscheint. Agenten kategorisieren Anfragen, suchen nach Richtlinien, ziehen Kontoinformationen ab und verfolgen lange Gesprächsverläufe, bevor sie entscheiden können, was sie sagen sollen. Künstliche Intelligenz kann diese Vorarbeiten gut übernehmen. Wenn ein System einen Gesprächsverlauf zusammenfassen oder das richtige Wissensartikel zum richtigen Zeitpunkt bereitstellen kann, beginnt der Agent das Gespräch mit einem viel klareren Verständnis der Situation.

Urteilsvermögen kommt ins Spiel, wenn das Gespräch Emotionen, Verantwortung oder Zweideutigkeit beinhaltet. Ein frustrierter Kunde oder ein Service-Ausfall erfordert Interpretation und Sorgfalt in der Art und Weise, wie die Antwort formuliert wird. Künstliche Intelligenz kann in diesen Momenten Kontext und Vorschläge liefern, aber die endgültige Entscheidung über Ton und Lösung bleibt bei der Person, die für die Kundenerfahrung verantwortlich ist.

Viele KI-Tools wirken in Produkt-Demos beeindruckend, aber kämpfen in der täglichen Produktionsumgebung. Was haben Sie über die Lücke zwischen KI, die gut demonstriert wird, und KI, die konsistent in hochvolumigen Support-Postfächern funktioniert, gelernt?

Ein Demo erfasst ein sauberes Szenario. Die Frage ist vorhersehbar, die Wissensbasis ist organisiert und das System produziert eine Antwort. Echte Support-Arbeit verläuft selten so. Anfragen kommen mit unvollständigen Informationen, das Gespräch erstreckt sich über mehrere Austausche und der Agent benötigt oft Input von anderen Teams oder Systemen, bevor die Situation klar ist.

Eine Lektion, die in der Produktion offensichtlich wird, ist, dass die Antwort selbst nur ein Teil der Arbeit ist. Viel des Aufwands liegt darin, zu verstehen, was passiert ist und wie das Problem vorangehen soll. Künstliche Intelligenz hält sich viel besser, wenn sie diesen Arbeitsfluss unterstützt. Der Agent zu helfen, den Kontext eines Gesprächs schnell zu verstehen, macht einen bedeutenden Unterschied, wenn das Postfach zu füllen beginnt.

Hiver integriert sich nahtlos in bestehende Kommunikations-Workflows, anstatt Teams in völlig neue Systeme zu zwingen. Wie wichtig ist diese “Treffen Sie die Benutzer, wo sie bereits arbeiten” -Philosophie, wenn Sie KI in schnellen Umgebungen bereitstellen?

Es ist sehr wichtig, weil Support-Teams bereits unter Druck stehen. Wenn ein neues Tool sie auffordert, ihre Arbeitsweise zu ändern oder zwischen Systemen zu springen, zeigt sich der Reibungswiderstand sofort. Die meisten Support-Gespräche beginnen immer noch per E-Mail und die Arbeit um diese Gespräche herum beinhaltet das Abrufen von Kontext aus anderen Systemen und die interne Koordination mit Kollegen. Wenn die KI außerhalb dieser Umgebung sitzt, muss der Agent extra Arbeit leisten, um die Technologie zu verwenden.

Wir haben gesehen, dass Teams viel schneller vorankommen, wenn die Intelligenz innerhalb des Workflows erscheint, auf den sie bereits angewiesen sind. Ein Agent, der einen langen E-Mail-Thread öffnet, kann sofort eine Zusammenfassung des Gesprächs, den relevanten Kundenkontext und Vorschläge sehen, die ihm helfen, das Problem voranzutreiben. Diese kleine Verschiebung reduziert die Zeit, die für die Rekonstruktion dessen, was passiert ist, aufgewendet wird, und gibt dem Agenten mehr Raum, um sich auf die Lösung des Problems selbst zu konzentrieren.

Support-Teams arbeiten oft unter großem Druck, insbesondere wenn sie mit frustrierten Kunden oder dringenden Problemen umgehen. Wie entwerfen Sie KI-Systeme, die die kognitive Belastung reduzieren, anstatt Reibung in diesen Momenten hinzuzufügen?

Support-Arbeit stellt eine ständige Forderung an die Aufmerksamkeit. Ein Agent kann Dutzende von Gesprächen parallel bearbeiten, jedes mit seinem eigenen Ton, seiner eigenen Dringlichkeit und seiner eigenen Geschichte. Viel der geistigen Anstrengung geht in die Rekonstruktion der Situation, bevor er entscheiden kann, wie er antworten soll.

KI hilft am meisten, wenn sie diese Anstrengung reduziert. Wenn ein Thread geöffnet wird und sofort eine klare Zusammenfassung oder der relevante Wissensartikel zu sehen ist, ändert sich der Startpunkt der Interaktion. Der Agent verbringt weniger Zeit damit, zu verstehen, was passiert ist, und mehr Zeit damit, über die beste Art nachzudenken, das Problem zu lösen.

Mit über 10.000 Teams, die Hiver weltweit nutzen, welche Muster haben Sie beobachtet, wie die Einführung von KI nach dem ersten Rollout weiterentwickelt?

Die Teams, die einen echten Nutzen aus KI ziehen, beginnen normalerweise mit einigen sehr spezifischen Momenten im Workflow, in denen Agenten jeden Tag Zeit verlieren. Gesprächszusammenfassungen sind ein gutes Beispiel. Wenn ein Agent einen langen Thread öffnet und sofort versteht, was passiert ist, beginnt die gesamte Interaktion anders. Das Gleiche gilt, wenn das System den richtigen Wissensartikel oder die richtige Richtlinie zum richtigen Zeitpunkt bereitstellt. Wenn diese Momente wirklich helfen, beginnen Agenten, die KI natürlich zu verwenden, weil sie ihren Tag einfacher macht.

Der andere Faktor ist die Qualität der Kenntnisse hinter dem System. KI-Vorschläge hängen stark von der Dokumentation und den Prozessen ab, die sie nutzen. Teams mit klaren, gut gepflegten Wissensbasen neigen dazu, eine stärkere Akzeptanz zu sehen, weil die Vorschläge nützlich und vertrauenswürdig bleiben. Im Laufe der Zeit wird die KI Teil dessen, wie das Team arbeitet, einfach weil sie dabei hilft, durch Gespräche mit mehr Klarheit zu kommen.

Aus Sicht der Produktstrategie: Wie balancieren Sie die Geschwindigkeit der KI-Innovation mit der Aufrechterhaltung von Zuverlässigkeit und Vertrauen – insbesondere in Umgebungen, in denen Fehler Kundenbeziehungen schädigen können?

Kundensupport ist eine dieser Umgebungen, in denen kleine Fehler weitreichende Konsequenzen haben können. Eine Antwort, die ein Rechnungsproblem missversteht oder einen frustrierten Kunden, kann schnell mehr Arbeit für das Team erzeugen und Vertrauen schädigen. Diese Realität erfordert einen sehr bewussten Ansatz dafür, wo KI tätig wird und wo sie den menschlichen Agenten unterstützt. Einige Aufgaben, wie Kategorisierung oder Gesprächszusammenfassung, tolerieren einen hohen Grad an Automatisierung. Entscheidungen, die sich auf Umsatz, Richtlinieninterpretation oder Kundenbeziehungen auswirken, erfordern ein viel höheres Maß an Sicherheit.

Die Produktstrategie wird zu einer Übung darin, KI-Fähigkeiten mit dem Grad an Zuverlässigkeit zu verbinden, den eine Aufgabe erfordert. Neue Modelle und Techniken erscheinen ständig, aber die eigentliche Prüfung ist, ob sie konsistent in der täglichen Support-Arbeit funktionieren. Die Teams, die diese Systeme aufbauen, müssen eng mit der Art und Weise zusammenarbeiten, wie Agenten tatsächlich arbeiten, und dieses Feedback als primäres Signal dafür betrachten, was als Nächstes ausgeliefert werden sollte.

Wie denken Sie, dass KI die Struktur von Support-Teams in den nächsten fünf Jahren verändern wird? Wird es sich auf Überwachung und Urteilsvermögen verlagern oder werden völlig neue Kategorien von Arbeit entstehen?

Die Struktur von Support-Teams wird wahrscheinlich in Richtung weniger Personen, die repetitive Ticket-Verarbeitung durchführen, und mehr Personen, die sich auf die Lösung komplexer Probleme konzentrieren, verschoben. Wenn KI Aufgaben wie Gesprächszusammenfassung, Anfrage-Organisation und Antwortentwurf übernimmt, werden Agenten mehr Zeit damit verbringen, zu verstehen, was in einer Situation tatsächlich passiert ist, und mit anderen Teams zusammenzuarbeiten, um es zu beheben. Es geht weniger darum, Tickets durch eine Warteschlange zu bewegen, und mehr darum, das Ergebnis des Kundenproblems zu besitzen.

Teams werden auch Personen benötigen, die für die Systeme verantwortlich sind, die KI nützlich machen. KI-gestützter Support hängt stark von genauer Dokumentation, klaren Prozessen und zuverlässigen Wissensquellen ab. Die Pflege dieser Systeme wird zu einer laufenden Aufgabe, so dass Support-Organisationen wahrscheinlich auf die Verwaltung von Wissen, die Verbesserung von Workflows und die Gewährleistung konzentrieren werden, dass KI weiterhin nützliche Anleitung liefert, während Produkte und Richtlinien sich weiterentwickeln.

Hiver operiert in einem wettbewerbsintensiven Help-Desk-Markt. Welche grundlegenden Verschiebungen in den Kunden-Erwartungen denken Sie, dass herkömmliche Plattformen nicht angepasst haben?

Kunden erwarten zunehmend Kontinuität, wenn sie Support anfordern. Sie möchten, dass die Organisation frühere Interaktionen erinnert und diesen Kontext durch das gesamte Gespräch hindurch trägt. Die Wiederholung von Informationen über mehrere Austausche hinweg wird schnell frustrierend.

Support-Probleme erstrecken sich auch über das Support-Team hinaus. Produkt-Teams, Operations-Teams und Account-Manager tragen oft zur Lösung bei. Plattformen, die Kommunikation und operativen Kontext in denselben Workflow einbringen, machen es einfacher, die Eigentümerschaft des Problems von Anfang bis Ende klar zu halten.

Wenn man in die Zukunft blickt, was sieht “großer Kundensupport” in einer KI-ersten Welt aus – und welche Fähigkeiten werden Unternehmen, die gedeihen, von denen unterscheiden, die zurückbleiben?

Großer Support in einer KI-ersten Welt wird einfach leichter für den Kunden sein. Er erreicht aus, das Team versteht die Situation schnell und das Gespräch bewegt sich ohne viel Aufwand vorwärts, um zu rekonstruieren, was passiert ist. Die Technologie dahinter bleibt größtenteils unsichtbar. Was Kunden bemerken, ist, dass ihr Problem verstanden und ohne unnötigen Aufwand gelöst wird.

Für die Teams, die den Support durchführen, kommt diese Erfahrung von der Verfügbarkeit des richtigen Kontexts, sobald ein Gespräch beginnt. KI hilft, Informationen zu organisieren und das Wichtige zu bereitstellen, während der Agent sich auf das Verständnis des Kunden und die Lösung des Problems konzentriert. Die Unternehmen, die gedeihen, werden diejenigen sein, die ihre Support-Operationen um diese Klarheit und Kontinuität in der Interaktion aufbauen.

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