Niraj Ranjan, Fondateur et PDG de Hiver – Série d’entretiens

Niraj Ranjan, fondateur et PDG de Hiver, est un entrepreneur expérimenté et un technologue qui a construit sa carrière à l’intersection de l’ingénierie logicielle, du développement de produits et de l’expérience client. Il a fondé Hiver en 2017 pour réinventer les logiciels de service client, en tirant parti de son expérience précédente en tant que co-fondateur de Mobicules, où il a fait passer l’entreprise d’une petite équipe à une opération de 35 personnes tout en travaillant à la fois en tant que programmeur et architecte. Avant de devenir entrepreneur, il a passé près de cinq ans chez Mentor Graphics à développer des logiciels d’émulation avancés pour les systèmes basés sur FPGA, une expérience qui a façonné son approche de la construction de produits à haute performance et évolutifs, ainsi que de la création de fortes cultures d’ingénierie.

Hiver est une plateforme de service client moderne alimentée par l’IA, conçue pour unifier les canaux de communication tels que l’e-mail, le chat, la voix et les messages dans un seul espace de travail. Elle permet aux équipes de gérer les boîtes de réception partagées, d’automatiser les flux de travail et de collaborer en temps réel, tandis que l’IA gère les tâches répétitives comme le routage des tickets, la rédaction des réponses et l’analyse des données. La plateforme est conçue pour remplacer les systèmes de helpdesk hérités par une solution plus intuitive et plus évolutives, aidant les organisations à améliorer les temps de réponse, à suivre les indicateurs de performance et à offrir des expériences client cohérentes sur tous les canaux, et est utilisée par plus de 10 000 équipes dans le monde.

Au début de votre carrière chez Mentor Graphics, vous avez travaillé sur des systèmes d’émulation de matériel avancés utilisés pour simuler des conceptions électroniques complexes avant qu’elles ne soient physiquement construites. Plus tard, vous avez co-fondé et développé Mobicules à partir d’une startup de trois personnes à une entreprise de 35 personnes avant de lancer Hiver. Comment ces fondements techniques profonds et ces expériences de mise à l’échelle précoces ont-ils façonné votre approche de la construction d’une IA qui fonctionne de manière fiable dans des environnements de support à haute pression en temps réel ?

Travailler sur des systèmes d’émulation de matériel façonne la façon dont on pense à la fiabilité. Ces systèmes existent parce que les conceptions complexes se comportent différemment une fois qu’elles rencontrent des conditions réelles. Les cas de bordure apparaissent, les interactions entre les composants changent les résultats, et le modèle propre se décompose. Cette mentalité se transpose directement aux environnements de support client. Les conversations arrivent avec un contexte manquant, une urgence émotionnelle et des dépendances à travers plusieurs systèmes internes.

La mise à l’échelle d’une entreprise expose une autre couche de complexité. À mesure que les équipes grandissent, la friction opérationnelle devient très visible. Les agents passent du temps à reconstituer les informations à partir de différents outils et à coordonner internement avant de pouvoir même répondre. Cette expérience a façonné notre réflexion chez Hiver. Nous regardons l’ensemble du cycle de vie du support, du moment où une demande arrive à celui où elle est résolue, et nous nous demandons où l’IA peut supprimer cette friction afin que les équipes consacrent plus d’énergie à résoudre le problème.

Hiver met l’accent sur l’utilisation de l’IA pour supprimer les tâches fastidieuses plutôt que de remplacer le jugement ou l’empathie humaine. Où tracez-vous la ligne entre l’automatisation utile et l’automatisation excessive dans le support client ?

Le travail de support contient beaucoup d’efforts opérationnels qui n’apparaissent jamais dans la réponse finale. Les agents catégorisent les demandes, recherchent des politiques, extraient des informations de compte et retracent de longues histoires de conversation avant de pouvoir décider quoi dire. L’IA gère bien ces tâches de base. Lorsqu’un système peut résumer un fil de conversation ou faire surface à l’article de connaissance approprié au bon moment, l’agent commence la conversation avec une compréhension beaucoup plus claire de la situation.

Le jugement entre en jeu lorsque la conversation implique de l’émotion, de la responsabilité ou de l’ambiguïté. Un client frustré ou un échec de service nécessite une interprétation et des soins dans la façon dont la réponse est formulée. L’IA peut fournir du contexte et des suggestions dans ces moments, bien que la décision finale concernant le ton et la résolution reste avec la personne responsable de l’expérience client.

De nombreux outils d’IA semblent impressionnants lors des démonstrations de produits mais ont du mal à fonctionner dans l’utilisation quotidienne de production. Qu’avez-vous appris sur l’écart entre l’IA qui fonctionne bien dans les démonstrations et l’IA qui tient constamment dans les boîtes de réception de support à haute volume ?

Une démonstration capture un scénario propre. La question est prévisible, la base de connaissances est organisée, et le système produit une réponse. Le travail de support réel se déroule rarement de cette façon. Les demandes arrivent avec des informations partielles, la conversation s’étend sur plusieurs échanges, et l’agent a souvent besoin de contributions d’autres équipes ou systèmes avant que la situation ne soit claire.

Une leçon qui devient évidente en production est que la réponse elle-même n’est qu’une partie du travail. Beaucoup d’efforts se situent autour de la compréhension de ce qui s’est passé et de la décision de la façon dont le problème devrait avancer. L’IA tient beaucoup mieux lorsqu’elle soutient ce flux de travail. Aider les agents à comprendre le contexte d’une conversation rapidement fait une différence significative lorsque la boîte de réception commence à se remplir.

Hiver s’intègre parfaitement dans les flux de travail de communication existants au lieu de forcer les équipes à adopter de nouveaux systèmes. Combien est-il important que cette philosophie « rencontrer les utilisateurs là où ils travaillent déjà » soit déployée dans des environnements en mouvement rapide ?

Cela compte beaucoup parce que les équipes de support travaillent déjà sous pression. Lorsqu’un nouvel outil leur demande de changer leur façon de travailler ou de passer d’un système à un autre, la friction apparaît immédiatement. La plupart des conversations de support commencent encore par e-mail, et le travail autour de ces conversations implique d’extraire du contexte d’autres systèmes et de coordonner internement avec des collègues. Si l’IA se situe en dehors de cet environnement, l’agent se retrouve à faire un travail supplémentaire juste pour utiliser la technologie.

Nous avons vu que les équipes avancent beaucoup plus rapidement lorsque l’intelligence apparaît à l’intérieur du flux de travail sur lequel elles comptent déjà. Un agent qui ouvre un long fil de conversation peut immédiatement voir un résumé de la conversation, le contexte client pertinent et des suggestions qui l’aident à faire avancer le problème. Ce petit déplacement réduit le temps passé à reconstituer ce qui s’est passé et donne à l’agent plus d’espace pour se concentrer sur la résolution du problème lui-même.

Les équipes de support fonctionnent souvent sous une pression intense, en particulier lorsqu’elles traitent des clients frustrés ou des problèmes urgents. Comment concevez-vous des systèmes d’IA qui réduisent la charge cognitive plutôt que d’ajouter de la friction dans ces moments ?

Le travail de support impose une demande constante sur l’attention. Un agent peut gérer des dizaines de conversations en parallèle, chacune avec son propre ton, son urgence et son histoire. Beaucoup d’efforts mentaux sont consacrés à reconstituer la situation avant de décider comment répondre.

L’IA aide le plus lorsqu’elle réduit ces efforts. Ouvrir un fil de conversation et voir immédiatement un résumé clair ou l’article de connaissance pertinent change le point de départ de l’interaction. L’agent passe moins de temps à reconstituer ce qui s’est passé et plus de temps à réfléchir à la meilleure façon de résoudre le problème.

Avec plus de 10 000 équipes utilisant Hiver dans le monde, quels modèles avez-vous observés dans l’évolution de l’adoption de l’IA après le lancement initial ? Qu’est-ce qui sépare les équipes qui intègrent vraiment l’IA dans leurs flux de travail quotidiens de celles qui la traitent comme un ajout facultatif ?

Les équipes qui voient une véritable valeur dans l’IA commencent généralement par quelques moments très spécifiques dans le flux de travail où les agents perdent du temps chaque jour. Les résumés de conversations sont un bon exemple. Lorsqu’un agent ouvre un long fil de conversation et comprend immédiatement ce qui s’est passé, l’interaction entière commence différemment. La même chose s’applique lorsque le système fait surface à l’article d’aide ou à la politique nécessaire pour répondre à la question. Lorsque ces moments aident vraiment, les agents commencent à utiliser l’IA naturellement parce qu’elle rend leur journée plus facile.

L’autre facteur est la qualité des connaissances derrière le système. Les suggestions de l’IA dépendent fortement de la documentation et des processus dont elles sont issues. Les équipes dotées de bases de connaissances claires et bien entretenues tendent à voir une adoption beaucoup plus forte parce que les suggestions restent utiles et fiables. Au fil du temps, l’IA devient une partie intégrante de la façon dont l’équipe travaille, simplement parce qu’elle les aide à passer à travers les conversations avec plus de clarté.

D’un point de vue stratégique de produit, comment équilibrez-vous la vitesse de l’innovation de l’IA avec le maintien de la fiabilité et de la confiance — en particulier dans des environnements où les erreurs peuvent endommager les relations client ?

Le support client est l’un de ces environnements où de petites erreurs ont des conséquences démesurées. Une réponse qui mal comprend une question de facturation ou un client frustré peut créer plus de travail pour l’équipe et endommager la confiance rapidement. Cette réalité force une approche très délibérée pour déterminer où l’IA prend des mesures et où elle soutient l’agent humain. Certaines tâches, comme la catégorisation ou la synthèse des conversations, tolèrent un degré élevé d’automatisation. Les décisions qui affectent les revenus, l’interprétation des politiques ou les relations client nécessitent un niveau de certitude beaucoup plus élevé.

La stratégie produit devient un exercice pour faire correspondre les capacités de l’IA avec le niveau de fiabilité qu’une tâche exige. De nouveaux modèles et techniques apparaissent constamment, mais la véritable épreuve est de savoir s’ils fonctionnent de manière cohérente dans les opérations de support quotidiennes. Les équipes qui construisent ces systèmes doivent rester proches de la façon dont les agents travaillent vraiment et traiter ces retours comme le signal principal pour déterminer ce qui doit être livré ensuite.

Pensez-vous que l’IA changera la structure des équipes de support au cours des cinq prochaines années ? Le déplacement se fera-t-il vers la supervision et le jugement, ou de nouvelles catégories de travail émergeront-elles ?

La structure des équipes de support va probablement se déplacer vers moins de personnes gérant le traitement répétitif des tickets et plus de personnes se concentrant sur la résolution de problèmes complexes. À mesure que l’IA gère des tâches telles que la synthèse des conversations, l’organisation des demandes entrantes et l’aide à la rédaction des réponses, les agents passeront plus de temps à comprendre ce qui s’est réellement passé dans une situation et à coordonner avec d’autres équipes pour le résoudre. Le travail devient moins axé sur le déplacement des tickets dans une file d’attente et plus sur la possession du résultat de la question client.

Les équipes auront également besoin de personnes responsables des systèmes qui rendent l’IA utile. Le support assisté par l’IA dépend fortement de la documentation précise, de processus clairs et de sources de connaissances fiables. Maintenir ces systèmes devient un travail en cours, donc les organisations de support vont probablement ajouter des postes axés sur la gestion des connaissances, l’amélioration des flux de travail et la garantie que l’IA continue à fournir des conseils utiles à mesure que les produits et les politiques évoluent.

Hiver opère sur un marché de helpdesk compétitif. Quels changements fondamentaux dans les attentes des clients pensez-vous que les plates-formes héritées n’ont pas réussi à s’adapter ?

Les clients s’attendent de plus en plus à une continuité lorsqu’ils contactent le support. Ils veulent que l’organisation se souvienne des interactions précédentes et fasse porter ce contexte tout au long de la conversation. Répéter des informations à travers plusieurs échanges devient rapidement frustrant.

Les problèmes de support s’étendent au-delà de l’équipe de support elle-même. Les équipes de produits, les équipes d’exploitation et les gestionnaires de comptes contribuent souvent à la résolution. Les plates-formes qui intègrent la communication et le contexte opérationnel dans le même flux de travail facilitent la clarté de la propriété du problème de début à fin.

En regardant vers l’avenir, à quoi ressemblera un « grand support client » dans un monde où l’IA est première — et quels seront les capacités qui sépareront les entreprises qui prospèrent de celles qui restent en arrière ?

Un excellent support dans un monde où l’IA est première sera simplement plus facile pour le client. Il contacte le support, l’équipe comprend la situation rapidement, et la conversation avance sans trop de va-et-vient pour reconstituer ce qui s’est passé. La technologie derrière cela reste en grande partie invisible. Ce que les clients remarquent, c’est que leur problème est compris et résolu sans effort inutile.

Pour les équipes qui gèrent le support, cette expérience vient du fait d’avoir le contexte approprié disponible dès le début de la conversation. L’IA aide à organiser les informations et à faire surface ce qui compte, tandis que l’agent se concentre sur la compréhension du client et la résolution du problème. Les entreprises qui prospèrent seront celles qui construisent leurs opérations de support autour de cette clarté et de cette continuité dans l’interaction.

Merci pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter Hiver.