Niraj Ranjan, Fundador y CEO de Hiver – Serie de Entrevistas

Niraj Ranjan, fundador y CEO de Hiver, es un experimentado empresario y tecnólogo que ha construido su carrera en la intersección de la ingeniería de software, el desarrollo de productos y la experiencia del cliente. Fundó Hiver en 2017 para reinventar el software de servicio al cliente, basándose en su experiencia anterior como cofundador de Mobicules, donde escaló la empresa de un pequeño equipo a una operación de 35 personas mientras trabajaba a mano como programador y arquitecto. Antes de ser empresario, pasó casi cinco años en Mentor Graphics desarrollando software de emulación avanzada para sistemas basados en FPGA, una experiencia que dio forma a su enfoque para construir productos de alto rendimiento y culturas de ingeniería sólidas.

Hiver es una plataforma de servicio al cliente moderna y con tecnología de inteligencia artificial diseñada para unificar canales de comunicación como correo electrónico, chat, voz y mensajería en un solo espacio de trabajo. Permite a los equipos gestionar buzones compartidos, automatizar flujos de trabajo y colaborar en tiempo real mientras la inteligencia artificial maneja tareas repetitivas como la ruta de tickets, la redacción de respuestas y el análisis de datos. La plataforma está diseñada para reemplazar sistemas de helpdesk heredados con una solución más intuitiva y escalable, lo que ayuda a las organizaciones a mejorar los tiempos de respuesta, realizar un seguimiento de las métricas de rendimiento y brindar experiencias del cliente consistentes en todos los canales, y es de confianza para más de 10,000 equipos en todo el mundo.

Al comienzo de su carrera en Mentor Graphics, trabajó en sistemas de emulación de hardware avanzados utilizados para simular diseños electrónicos complejos antes de que se construyan físicamente. Más tarde, cofundó y escaló Mobicules de una startup de tres personas a una empresa de 35 personas antes de lanzar Hiver. ¿Cómo moldearon esas profundas bases técnicas y experiencias de escalada temprana su enfoque para construir inteligencia artificial que se desempeña de manera confiable en entornos de soporte de alta presión y del mundo real?

Trabajar en sistemas de emulación de hardware moldea la forma en que se piensa sobre la confiabilidad. Esos sistemas existen porque los diseños complejos se comportan de manera diferente una vez que se encuentran con condiciones reales. Los casos de borde aparecen, las interacciones entre componentes cambian los resultados y el modelo limpio se desmorona. Esa mentalidad se traslada directamente a los entornos de soporte al cliente. Las conversaciones llegan con contexto perdido, urgencia emocional y dependencias en varios sistemas internos.

Escalar una empresa expone otra capa de complejidad. A medida que crecen los equipos, la fricción operativa se vuelve muy visible. Los agentes dedican tiempo a armar información de diferentes herramientas y coordinar internamente antes de poder responder. Esa experiencia dio forma a nuestro pensamiento en Hiver. Miramos todo el ciclo de soporte, desde el momento en que llega una solicitud hasta el punto en que se resuelve, y preguntamos dónde la inteligencia artificial puede eliminar esa fricción para que los equipos dediquen más energía a resolver el problema.

Hiver enfatiza el uso de la inteligencia artificial para eliminar el trabajo tedioso en lugar de reemplazar el juicio o la empatía humanos. ¿Dónde dibuja la línea entre la automatización útil y la automatización excesiva en el soporte al cliente?

El trabajo de soporte contiene mucho esfuerzo operativo que nunca aparece en la respuesta final. Los agentes categorizan solicitudes, buscan políticas, extraen información de cuentas y rastrean largas historias de conversación antes de poder decidir qué decir. La inteligencia artificial maneja bien ese trabajo de base. Cuando un sistema puede resumir un hilo o presentar el artículo de conocimiento adecuado en el momento adecuado, el agente comienza la conversación con una comprensión mucho más clara de la situación.

El juicio entra en juego cuando la conversación involucra emoción, responsabilidad o ambigüedad. Un cliente frustrado o un fracaso en el servicio requiere interpretación y cuidado en la forma en que se enmarca la respuesta. La inteligencia artificial puede proporcionar contexto y sugerencias en esos momentos, aunque la decisión final sobre el tono y la resolución permanece con la persona responsable de la experiencia del cliente.

Muchas herramientas de inteligencia artificial parecen impresionantes en demos de productos pero luchan en el uso diario de producción. ¿Qué ha aprendido sobre la brecha entre la inteligencia artificial que demuestra bien y la inteligencia artificial que se mantiene consistentemente en altos volúmenes de buzones de soporte?

Una demo captura un escenario limpio. La pregunta es predecible, la base de conocimiento está organizada y el sistema produce una respuesta. El trabajo de soporte real rara vez se desarrolla de esa manera. Las solicitudes llegan con información parcial, la conversación se extiende a lo largo de múltiples intercambios y el agente a menudo necesita aportes de otros equipos o sistemas antes de que la situación esté clara.

Una lección que se vuelve obvia en la producción es que la respuesta en sí es solo una parte del trabajo. Gran parte del esfuerzo se centra en comprender qué sucedió y decidir cómo debe avanzar el problema. La inteligencia artificial se mantiene mucho mejor cuando apoya ese flujo de trabajo. Ayudar a los agentes a comprender el contexto de una conversación rápidamente marca una diferencia significativa cuando el buzón comienza a llenarse.

Hiver se integra perfectamente en los flujos de trabajo de comunicación existentes en lugar de forzar a los equipos a entrar en sistemas completamente nuevos. ¿Cuán importante es esta filosofía de “encontrar a los usuarios donde ya trabajan” al implementar la inteligencia artificial en entornos en movimiento rápido?

Es muy importante porque los equipos de soporte ya operan bajo presión. Cuando una nueva herramienta les pide que cambien la forma en que trabajan o saltan entre sistemas, la fricción se muestra de inmediato. La mayoría de las conversaciones de soporte aún comienzan en el correo electrónico, y el trabajo alrededor de esas conversaciones implica extraer contexto de otros sistemas y coordinar internamente con colegas. Si la inteligencia artificial se encuentra fuera de ese entorno, el agente termina haciendo un trabajo adicional solo para usar la tecnología.

Hemos visto que los equipos se mueven mucho más rápido cuando la inteligencia aparece dentro del flujo de trabajo en el que ya confían. Un agente que abre un largo hilo de correo electrónico puede ver de inmediato un resumen de la conversación, el contexto del cliente relevante y sugerencias que ayudan a avanzar en el problema. Ese pequeño cambio reduce el tiempo dedicado a reconstruir qué sucedió y da al agente más espacio para centrarse en resolver el problema en sí.

Los equipos de soporte a menudo operan bajo una presión intensa, especialmente cuando lidian con clientes frustrados o problemas urgentes. ¿Cómo diseña sistemas de inteligencia artificial que reducen la carga cognitiva en lugar de agregar fricción en esos momentos?

El trabajo de soporte coloca una demanda constante de atención. Un agente puede manejar docenas de conversaciones en paralelo, cada una con su propio tono, urgencia e historia. Gran parte del esfuerzo mental se centra en reconstruir la situación antes de decidir cómo responder.

La inteligencia artificial ayuda más cuando reduce ese esfuerzo. Abrir un hilo y ver de inmediato un resumen claro o el artículo de conocimiento relevante cambia el punto de partida de la interacción. El agente dedica menos tiempo a armar qué sucedió y más tiempo pensando en la mejor manera de resolver el problema.

Con más de 10,000 equipos utilizando Hiver en todo el mundo, ¿qué patrones ha observado en la evolución de la adopción de la inteligencia artificial después del lanzamiento inicial? ¿Qué separa a los equipos que verdaderamente integran la inteligencia artificial en flujos de trabajo diarios de aquellos que la tratan como una opción adicional?

Los equipos que ven un valor real en la inteligencia artificial generalmente comienzan con unos momentos muy específicos en el flujo de trabajo donde los agentes pierden tiempo todos los días. Los resúmenes de conversaciones son un buen ejemplo. Cuando un agente abre un largo hilo y comprende de inmediato qué sucedió, toda la interacción comienza de manera diferente. Lo mismo se aplica cuando el sistema presenta el artículo de ayuda o la política exacta necesaria para responder a la pregunta. Cuando esos momentos realmente ayudan, los agentes comienzan a usar la inteligencia artificial de manera natural porque hace que su día sea más fácil.

El otro factor es la calidad del conocimiento detrás del sistema. Las sugerencias de la inteligencia artificial dependen mucho de la documentación y los procesos de los que se nutre. Los equipos con bases de conocimiento claras y bien mantenidas tienden a ver una adopción mucho más fuerte porque las sugerencias siguen siendo útiles y confiables. Con el tiempo, la inteligencia artificial se convierte en parte de cómo trabaja el equipo, simplemente porque ayuda a avanzar en las conversaciones con más claridad.

Desde una perspectiva de estrategia de producto, ¿cómo equilibra la velocidad de la innovación en inteligencia artificial con el mantenimiento de la confiabilidad y la confianza —particularmente en entornos donde los errores pueden dañar las relaciones con los clientes?

El soporte al cliente es uno de esos entornos donde pequeños errores tienen consecuencias desproporcionadas. Una respuesta que malinterpreta un problema de facturación o un cliente frustrado puede crear más trabajo para el equipo y dañar la confianza rápidamente. Esa realidad fuerza un enfoque muy deliberado en dónde la inteligencia artificial toma acción y dónde apoya al agente humano. Algunas tareas, como la categorización o la suma de conversaciones, toleran un alto grado de automatización. Las decisiones que afectan los ingresos, la interpretación de políticas o las relaciones con los clientes requieren un nivel mucho mayor de certeza.

La estrategia de producto se convierte en un ejercicio para emparejar la capacidad de la inteligencia artificial con el nivel de confiabilidad que una tarea exige. Nuevos modelos y técnicas aparecen constantemente, aunque la prueba real es si funcionan de manera consistente dentro de las operaciones diarias de soporte. Los equipos que construyen estos sistemas necesitan mantenerse cerca de cómo los agentes trabajan en realidad y tratar esa retroalimentación como la señal principal de qué debe enviarse a continuación.

¿Cómo cree que la inteligencia artificial cambiará la estructura de los equipos de soporte en los próximos cinco años? ¿Se desplazará hacia la supervisión y el juicio, o surgirán completamente nuevas categorías de trabajo?

La estructura de los equipos de soporte probablemente se desplazará hacia menos personas que manejan el procesamiento de tickets repetitivos y más personas centradas en resolver problemas complejos. A medida que la inteligencia artificial maneja tareas como la suma de conversaciones, la organización de solicitudes entrantes y la ayuda para redactar respuestas, los agentes dedicarán más tiempo a comprender qué sucedió en realidad en una situación y a coordinar con otros equipos para solucionarlo. El enfoque se centra menos en mover tickets a través de una cola y más en poseer el resultado del problema del cliente.

Los equipos también necesitarán personas responsables de los sistemas que hacen que la inteligencia artificial sea útil. El soporte asistido por inteligencia artificial depende mucho de la documentación precisa, los procesos claros y las fuentes de conocimiento confiables. Mantener esos sistemas se convierte en un trabajo continuo, por lo que las organizaciones de soporte probablemente agregarán enfoques centrados en la gestión del conocimiento, la mejora de los flujos de trabajo y la garantía de que la inteligencia artificial continúe brindando orientación útil a medida que evolucionan los productos y las políticas.

Hiver opera en un mercado de help desk competitivo. ¿Qué cambios fundamentales en las expectativas de los clientes cree que las plataformas heredadas no han adaptado?

Los clientes cada vez más esperan continuidad cuando se ponen en contacto para obtener soporte. Quieren que la organización recuerde interacciones anteriores y lleve ese contexto a lo largo de toda la conversación. Repetir información a lo largo de varios intercambios se vuelve rápidamente frustrante.

Los problemas de soporte también se extienden más allá del equipo de soporte en sí. Los equipos de productos, operaciones y gestores de cuentas a menudo contribuyen a la resolución. Las plataformas que llevan la comunicación y el contexto operativo al mismo flujo de trabajo facilitan mantener la propiedad del problema clara desde el principio hasta el final.

Mirando hacia adelante, ¿qué se parece el “gran soporte al cliente” en un mundo de inteligencia artificial — y qué capacidades separarán a las empresas que prosperan de aquellas que se quedan atrás?

El gran soporte en un mundo de inteligencia artificial simplemente se sentirá más fácil para el cliente. Se ponen en contacto, el equipo comprende la situación rápidamente y la conversación avanza sin mucha ida y vuelta para reconstruir qué sucedió. La tecnología detrás de ello permanece en gran medida invisible. Lo que los clientes notan es que su problema se entiende y se resuelve sin esfuerzo innecesario.

Para los equipos que ejecutan el soporte, esa experiencia proviene de tener el contexto adecuado disponible en el momento en que comienza la conversación. La inteligencia artificial ayuda a organizar la información y a presentar lo que importa mientras el agente se centra en comprender al cliente y guiar el problema hacia la resolución. Las empresas que prosperan serán aquellas que construyen sus operaciones de soporte alrededor de esa claridad y continuidad en la interacción.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Hiver.