Fran Loftus, Chief Experience Officer, EliseAI – Seri Wawancara

Fran Loftus, Chief Experience Officer, EliseAI adalah seorang pemimpin dinamis yang dikenal karena energi kreatif dan latar belakang yang beragam, menggabungkan dorongan kewirausahaan dengan keahlian operasional yang mendalam. Sebelum bergabung dengan EliseAI, dia mendirikan HOM, sebuah platform amenitas dan penglibatan yang diaktifkan teknologi yang diakuisisi oleh Alfred, di mana dia kemudian menjabat dalam beberapa peran eksekutif yang membentuk pengalaman penduduk di seluruh ratusan ribu unit. Di EliseAI, dia telah menjabat posisi kepemimpinan operasional senior yang melaporkan kepada CEO dan Dewan, mengarahkan efisiensi perusahaan, mengawasi hasil klien, dan bermitra erat dengan tim insinyur dan penjualan pada strategi produk dan peluncuran. Diakui sebagai pendiri dan pemimpin industri, dia telah dinominasikan sebagai Pendiri Terbaik di MIPIM dan secara terus-menerus dinamai sebagai salah satu pengaruh wanita teratas di CRETech.

EliseAI adalah perusahaan perangkat lunak AI yang berbasis di New York yang mengubah cara organisasi perumahan dan kesehatan mengelola komunikasi volume tinggi dan alur kerja operasional melalui kecerdasan buatan konversasional dan agen yang canggih. Platformnya mengotomatisasi tugas-tugas seperti penjadwalan tur, komunikasi pemasaran, permintaan perawatan, perpanjangan, penerimaan pasien, dan dukungan administratif melalui teks, suara, email, dan obrolan, memungkinkan tim untuk beroperasi lebih efisien sambil meningkatkan responsivitas dan pengalaman pelanggan. Dengan mengintegrasikan interaksi ini ke dalam sistem AI yang terpadu, EliseAI membantu organisasi memperluas operasi, mengurangi beban kerja manual, dan memberikan perbaikan kinerja yang dapat diukur di seluruh fungsi kritis.

Sebagai Chief Experience Officer di EliseAI, Anda membawa campuran langka pengalaman di bidang komunitas, operasional, dan teknologi. Anda mendirikan HOM, sebuah platform yang membantu bangunan multifungsi menyediakan amenitas dan rasa komunitas dalam skala besar, kemudian memimpin pengalaman dan pengiriman layanan di Alfred, sebuah perusahaan layanan residensial yang tertanam di dalam ribuan bangunan apartemen. Bagaimana pengalaman tersebut mempengaruhi cara Anda merancang dan mengoperasikan pengalaman AI di EliseAI hari ini?

Latar belakang saya di manajemen properti fisik mengajarkan saya bahwa teknologi hanya sebaik layanan yang sebenarnya disampaikan di lapangan. Di HOM dan Alfred, saya belajar bahwa penduduk tidak peduli dengan antarmuka yang ramping jika permintaan perawatan mereka masuk ke lubang hitam atau pindahan mereka tertunda. Ini membuat saya obsesif untuk menutup loop. Saya tidak merancang AI hanya untuk menangani percakapan, saya merancangnya untuk mengelola seluruh siklus tugas. Saya memprioritaskan penduduk dalam krisis atau staf yang terlalu sibuk, memastikan bahwa AI tidak hanya menjadi hal lain untuk mereka pantau, tetapi menjadi alat yang mengambil beban dari bahu mereka.

Dari perspektif CX, apa yang terlihat seperti AI yang efektif di lingkungan perumahan dan kesehatan di mana kepercayaan, kejelasan, dan tindak lanjut sama pentingnya dengan kecepatan atau otomatisasi?

Di perumahan dan kesehatan, menjadi cepat itu bagus, tetapi sebenarnya mengikuti adalah apa yang membangun kepercayaan. AI yang baik tidak hanya memberikan jawaban cepat; itu perlu memastikan sesuatu benar-benar terjadi. Jika pasien bertanya tentang tagihan atau penyewa ingin memperbarui sewa mereka, AI perlu memperbarui catatan, menginformasikan manajer yang tepat, dan memberi tahu orang tersebut bahwa roda sudah berputar. Ini tentang menjadi jelas dan proaktif sehingga orang tidak merasa perlu menelepon kembali tiga kali hanya untuk memeriksa status.

EliseAI telah mengambil pendekatan vertikal-pertama daripada menawarkan lapisan AI umum. Bagaimana keputusan itu mengubah pengalaman sehari-hari untuk tim properti, penduduk, dan staf kesehatan dibandingkan dengan alat AI horizontal?

Alat AI umum memerlukan pelanggan untuk melakukan pekerjaan berat mengajar perangkat lunak aturan industri. Karena kami adalah solusi vertikal yang fokus secara eksklusif pada perumahan dan kesehatan, sistem kami tiba dengan pemahaman yang mendalam tentang alur kerja khusus, seperti peraturan deposit keamanan atau nuansa penjadwalan pasien. Bagi staf di lapangan, ini berarti mereka tidak mengelola chatbot generik yang mungkin menghasilkan kebijakan. Mereka bekerja dengan sistem yang sudah terintegrasi dengan perangkat lunak existing dan berbicara bahasa operasional sehari-hari mereka sejak hari pertama.

Apakah Anda bisa menjelaskan bagaimana mengikuti pekerja garis depan untuk menangkap alur kerja ujung-ke-ujung memperbaiki perilaku model dan pengalaman pelanggan akhir, dibandingkan dengan pelatihan pada data abstrak saja?

Data abstrak menunjukkan “apa”, tetapi berada di lapangan dengan pelanggan menunjukkan “bagaimana”. Ketika tim saya menghabiskan waktu di lingkungan nyata di mana perangkat lunak diterapkan, mereka melihat titik gesekan yang akan dilewatkan oleh set data. Misalnya, selama sesi penemuan dengan operator perumahan militer, kami mengidentifikasi alur persetujuan kompleks dan konstrain harian ketat yang tidak ada dalam manual. Dengan menangkap detail nyata yang berantakan dan menerjemahkannya ke dalam produk, kami dapat membangun AI yang tidak hanya bekerja dalam demo, tetapi juga bertahan dalam kekacauan kantor sibuk.

Ketika sistem AI bergerak melampaui menjawab pertanyaan untuk mengeksekusi tugas, apa risiko pengalaman baru yang muncul, dan bagaimana Anda memastikan otomatisasi terasa mendukung dan dapat diandalkan daripada mengganggu atau tidak transparan?

Risiko utama bergeser dari AI mengatakan sesuatu yang salah ke AI melakukan sesuatu yang salah. Untuk memitigasi ini, saya telah membangun model solusi produk di mana kami memiliki ahli—banyak di antaranya adalah pendiri—yang memiliki domain spesifik produk. Mereka menetapkan aturan dan pembatas spesifik untuk bagaimana AI mengeksekusi tugas, memastikan itu tidak pernah mengambil tindakan yang akan mengejutkan atau membingungkan staf manusia.

Di perumahan dan kesehatan, bahkan gangguan kecil dapat dengan cepat mengikis kepercayaan. Bagaimana Anda merancang sistem AI agen yang tetap transparan, dapat diprediksi, dan mudah bagi manusia untuk mengoreksi ketika diperlukan?

Merancang untuk kepercayaan dimulai dengan bergerak menjauh dari pola pikir reaktif tradisional di mana Anda hanya menunggu hal-hal rusak. Sebagai gantinya, saya telah membangun tim yang bertindak sebagai jembatan antara kekacauan operasional dunia nyata dan logika AI. Mereka bukanlah agen dukungan – mereka adalah strategi dan pendiri yang memiliki domain produk tertentu dari ujung ke ujung.

Mereka menghabiskan waktu mereka mengikuti pekerja untuk memahami aturan non-negosiasi industri seperti alur persetujuan perumahan militer yang kompleks atau waktu respons medis yang ketat, dan mereka memasaknya langsung ke dalam bagaimana AI berperilaku. Transparansi berasal dari kenyataan bahwa sistem kami dirancang untuk menandai potensi masalah secara proaktif sebelum mereka menjadi keluhan penduduk atau pasien. Ketika AI mendeteksi situasi emosi tinggi atau permintaan kompleks yang tidak terlatih, itu tidak menebak. Ini memicu pengalihan yang memberikan staf manusia dengan sejarah dan konteks penuh interaksi, memungkinkan mereka untuk masuk sebagai mitra yang terinformasi daripada memulai dari nol.

Dari sudut pandang Anda yang mengawasi implementasi dan keberhasilan klien, apa poin gesekan paling umum yang dihadapi pelanggan saat mengadopsi AI ke dalam alur kerja operasional, dan bagaimana EliseAI mengurangi gesekan tersebut awal dalam penerapan?

Gesekan terbesar biasanya bukanlah teknologi itu sendiri, tetapi kecemasan bahwa teknologi akan mengganggu aliran tim. Kami mengatasi ini dengan fokus pada bantuan praktis segera. Dalam minggu pertama, kami menggunakan AI untuk mengambil alih tugas berulang dengan volume tinggi yang biasanya menyebabkan kelelahan, seperti tindak lanjut awal timbul. Kami juga menggunakan AI kami sendiri untuk mengelola operasi perusahaan internal. Ini membantu kami memahami titik stres exact dari perubahan alur kerja, sehingga kami dapat menjadi mitra yang lebih baik ketika pelanggan kami melewati transisi yang sama.

Banyak organisasi kesulitan melampaui fase pilot. Bagaimana Anda membantu pelanggan berkembang proses dan harapan mereka sehingga AI menjadi bagian integral dari operasional sehari-hari daripada tetap menjadi eksperimen sampingan?

AI hanya menempel ketika itu berhenti menjadi proyek samping dan menjadi bagian normal dari hari kerja; kami membantu pemimpin mereorganisasi tim mereka sehingga ketika AI menangani pekerjaan sibuk, orang dapat fokus pada tugas yang sebenarnya memerlukan sentuhan manusia.

EliseAI sekarang mendukung sekitar satu dari enam apartemen AS. Bagaimana harapan pelanggan bergeser pada tingkat skala ini, dan apa tantangan pengalaman baru yang muncul ketika AI menjadi bagian dari operasional standar?

Pada skala ini, AI tidak lagi inovasi yang keren. Ini adalah utilitas, seperti listrik. Harapan bergeser dari itu yang mengesankan ketika bekerja menjadi tidak dapat diterima ketika gagal. Kami harus mengelola varians ini sambil mempertahankan keandalan 100%.

Menghadap ke depan 2 hingga 3 tahun, bagaimana Anda melihat peran Chief Experience Officer berkembang ketika sistem AI mengambil tanggung jawab lebih besar di dalam layanan esensial seperti perumahan dan kesehatan?

Peran akan berkembang dari mengelola layanan pelanggan ke mengatur kemitraan antara manusia dan AI. Ketika AI mengambil alih bagian administratif dan berulang dari pekerjaan, fokus CXO akan bergeser sepenuhnya ke titik sentuh strategis dan emosional. Tanggung jawab kami akan memastikan bahwa ketika dunia menjadi lebih otomatis, interaksi manusia di perumahan dan kesehatan menjadi lebih sengaja dan lebih berdampak.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi EliseAI.