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, aprovechando 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 escalables y de alto rendimiento y fomentar culturas de ingeniería sólidas.

Hiver es una plataforma moderna de servicio al cliente impulsada por IA 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 IA maneja tareas repetitivas como la routificación 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, rastrear métricas de rendimiento y brindar experiencias de cliente consistentes en todos los canales, y es utilizada por más de 10,000 equipos en todo el mundo.

Al comienzo de tu carrera en Mentor Graphics, trabajaste en sistemas de emulación de hardware avanzados utilizados para simular diseños electrónicos complejos antes de que se construyan físicamente. Más tarde, cofundaste y escalaste Mobicules de una startup de tres personas a una empresa de 35 personas antes de lanzar Hiver. ¿Cómo te influyeron esas sólidas bases técnicas y experiencias de escalado en tu enfoque para construir IA que se desempeña de manera confiable en entornos de soporte de alta presión y del mundo real?

Trabajar en sistemas de emulación de hardware te hace pensar en 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 aplica 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 los equipos crecen, la fricción operativa se vuelve muy visible. Los agentes pasan tiempo reuniendo información de diferentes herramientas y coordinando 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 IA puede eliminar esa fricción para que los equipos dediquen más energía a resolver el problema.

Hiver enfatiza el uso de IA para eliminar tareas rutinarias en lugar de reemplazar el juicio o la empatía humanos. ¿Dónde trazas 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 se muestra 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 IA maneja bien ese trabajo de base. Cuando un sistema puede resumir un hilo o mostrar 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 fallo en el servicio requiere interpretación y cuidado en la forma en que se enmarca la respuesta. La IA 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 IA parecen impresionantes en demos de productos pero luchan en el uso diario de producción. ¿Qué has aprendido sobre la brecha entre la IA que se demuestra bien y la IA que se mantiene consistentemente en entornos de soporte de alta volumen?

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 entrada 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 encuentra alrededor de entender lo que sucedió y decidir cómo debe avanzar el problema. La IA se desempeña mucho mejor cuando apoya ese flujo de trabajo. Ayudar a los agentes a entender 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 IA 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 salten entre sistemas, la fricción se muestra inmediatamente. 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 IA se encuentra fuera de ese entorno, el agente termina haciendo trabajo extra 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 hilo de correo electrónico largo puede ver inmediatamente un resumen de la conversación, el contexto del cliente relevante y sugerencias que lo ayudan a avanzar en el problema. Ese pequeño cambio reduce el tiempo que se pasa reconstruyendo lo que sucedió y le da al agente más espacio para enfocarse 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 diseñar sistemas de IA que reduzcan la carga cognitiva en lugar de agregar fricción en esos momentos?

El trabajo de soporte coloca una demanda constante en la 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 dedica a reconstruir la situación antes de decidir cómo responder.

La IA ayuda más cuando reduce ese esfuerzo. Al abrir un hilo y ver inmediatamente un resumen claro o el artículo de conocimiento relevante, cambia el punto de partida de la interacción. El agente pasa menos tiempo reuniendo lo que 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 has observado en la evolución de la adopción de IA después del lanzamiento inicial? ¿Qué separa a los equipos que verdaderamente integran la IA en sus flujos de trabajo diarios de aquellos que la tratan como un complemento opcional?

Los equipos que ven un valor real en la IA generalmente comienzan con unos pocos 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 hilo largo y entiende inmediatamente lo que sucedió, toda la interacción comienza de manera diferente. Lo mismo se aplica cuando el sistema muestra el artículo de ayuda o la política adecuada en el momento adecuado. Cuando esos momentos realmente ayudan, los agentes comienzan a usar la IA de manera natural porque les hace que su día sea más fácil.

El otro factor es la calidad del conocimiento detrás del sistema. Las sugerencias de la IA 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 permanecen útiles y confiables. Con el tiempo, la IA se convierte en parte de cómo trabaja el equipo, simplemente porque les ayuda a moverse a través de conversaciones con más claridad.

Desde una perspectiva de estrategia de producto, ¿cómo equilibras la velocidad de la innovación en IA 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 los 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 IA toma acción y dónde apoya al agente humano. Algunas tareas, como la categorización o la resolución 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 más alto de certeza.

La estrategia de producto se convierte en un ejercicio para equiparar la capacidad de la IA con el nivel de confiabilidad que una tarea exige. Nuevos modelos y técnicas aparecen constantemente, aunque la verdadera prueba es si se desempeñan consistentemente 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 para qué debe enviarse a continuación.

¿Cómo crees que la IA 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 enfocadas en resolver problemas complejos. A medida que la IA maneja tareas como la resolución de conversaciones, la organización de solicitudes entrantes y la ayuda para redactar respuestas, los agentes pasarán más tiempo entendiendo lo que realmente sucedió en una situación y coordinando con otros equipos para solucionarlo. El enfoque se desplaza de mover tickets a través de una cola y se centra más en poseer el resultado del problema del cliente.

Los equipos también necesitarán personas responsables de los sistemas que hacen que la IA sea útil. El soporte asistido por IA 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 roles centrados en la gestión del conocimiento, la mejora de los flujos de trabajo y la garantía de que la IA continúe brindando orientación útil a medida que los productos y las políticas evolucionan.

Hiver opera en un mercado de help desk competitivo. ¿Qué cambios fundamentales en las expectativas de los clientes crees que las plataformas heredadas han fallado en adaptar?

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

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 traen la comunicación y el contexto operativo al mismo flujo de trabajo facilitan que se mantenga la propiedad del problema desde el principio hasta el final.

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

Un gran soporte en un mundo primero de IA simplemente se sentirá más fácil para el cliente. Se ponen en contacto, el equipo entiende la situación rápidamente y la conversación avanza sin mucha ida y vuelta para reconstruir lo que 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 IA ayuda a organizar la información y a mostrar lo que importa mientras el agente se centra en entender al cliente y guiar el problema hacia la resolución. Las empresas que prosperarán serán aquellas que construyan sus operaciones de soporte alrededor de esa claridad y continuidad en la interacción.

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