Mark Hughes, Co-Founder dan CEO di Solidroad – Seri Wawancara

Mark Hughes, Co-Founder dan CEO di Solidroad, adalah seorang wirausaha berulang kali dan pemimpin go-to-market yang telah membangun karirnya di persimpangan penjualan, pengalaman pelanggan, dan teknologi. Sebelumnya, ia mendirikan Gradguide, sebuah platform karir dan rekrutmen yang mengumpulkan €2 juta dan kemudian diakuisisi, dan memegang peran komersial senior di Chargify, di mana ia memimpin operasi EMEA setelah merger ke Maxio. Awal dalam karirnya, ia mengembangkan keahlian yang mendalam dalam penjualan berkecepatan tinggi dan perusahaan di Intercom, mengelola siklus penawaran yang kompleks dan membantu meningkatkan tim pendapatan. Hari ini, ia memimpin Solidroad dari San Francisco, menerapkan pengalaman itu untuk memikirkan kembali bagaimana perusahaan mengevaluasi dan meningkatkan interaksi pelanggan menggunakan AI, dengan fokus pada meningkatkan standar kualitas di seluruh sistem dukungan manusia dan otomatis.

Solidroad adalah platform asuransi kualitas dan pelatihan yang ditenagai AI, dirancang untuk tim pengalaman pelanggan modern, dibangun untuk menganalisis dan meningkatkan setiap interaksi pelanggan secara besar-besaran. Platform ini mengonsumsi percakapan di seluruh saluran, mengevaluasi kinerja terhadap standar perusahaan, dan menghasilkan simulasi pelatihan yang dipersonalisasi untuk terus-menerus mengoptimalkan baik agen manusia maupun sistem AI. Daripada menggantikan tim dukungan pelanggan, Solidroad fokus pada meningkatkan mereka, mengubah setiap interaksi menjadi umpan balik yang meningkatkan hasil seperti kualitas respons, efisiensi, dan kepuasan pelanggan. Perusahaan ini memposisikan diri sebagai infrastruktur untuk tim CX yang berkinerja tinggi, membantu organisasi menyampaikan pengalaman yang konsisten dan berkualitas tinggi tanpa meningkatkan biaya operasional.

Sebagian besar perusahaan masih bergantung pada meninjau sampel kecil interaksi pelanggan untuk mengevaluasi kinerja. Apa yang membuat Anda yakin bahwa pendekatan ini pada dasarnya rusak, dan bagaimana kesadaran itu memimpin Anda untuk membangun pendekatan Solidroad untuk terus-menerus memantau, menilai, dan meningkatkan baik agen manusia maupun AI?

Patrick dan saya telah menghabiskan bertahun-tahun di sekitar tim dukungan pelanggan sebelum memulai Solidroad, dan satu masalah terus muncul: perusahaan memiliki ratusan ribu percakapan dengan pelanggan, tetapi jika Anda bertanya bagaimana percakapan tersebut sebenarnya berjalan, mereka tidak benar-benar tahu. Dan apa yang mereka ketahui didasarkan pada sampel interaksi yang sangat kecil sehingga tidak akurat.

Itu sudah menjadi fondasi yang goyah ketika manusia menangani setiap tiket. Sekarang, dengan AI memasuki gambaran, taruhan telah berubah. Pola buruk dapat dimainkan di seluruh ribuan percakapan secara bersamaan, dan tidak terdeteksi karena sebagian besar tim hanya meninjau 1-2% interaksi.

Kami melihat ini terjadi di perusahaan berulang kali dan mereka kehilangan pelanggan karena itu, jadi kami memutuskan untuk menciptakan solusi. Kami mengakui bahwa ini pada dasarnya adalah masalah infrastruktur. Perusahaan tidak memiliki sistem yang diperlukan untuk benar-benar memahami kinerja agen dukungan pelanggan mereka.

Solidroad dibangun untuk mengatasi kebutaan itu. Kami memberikan perusahaan alat untuk melihat apa yang sebenarnya terjadi secara besar-besaran, dan memastikan setiap percakapan—manusia, AI, atau keduanya—menghasilkan nilai.

Solidroad telah digambarkan sebagai “simulator penerbangan” untuk tim yang berhadapan dengan pelanggan. Bisakah Anda menjelaskan bagaimana AI Anda sebenarnya mensimulasikan interaksi pelanggan nyata, dan apa yang membuat simulasi tersebut efektif untuk pelatihan secara besar-besaran?

Analogi simulator penerbangan bekerja karena ide intinya sama. Anda tidak ingin seseorang mengalami situasi sulit untuk pertama kalinya di depan pelanggan nyata.

Apa yang membuat simulasi kami efektif adalah bahwa mereka didasarkan pada apa yang sebenarnya terjadi dalam percakapan nyata perusahaan. Ketika agen melakukan kesalahan dalam interaksi langsung, sistem menghasilkan simulasi yang ditargetkan di sekitar skenario yang tepat sehingga mereka dapat berlatih sebelum itu terjadi lagi. Ini bukanlah konten pelatihan generik.

Umpan balik adalah apa yang menggerakkan pembelajaran. Agen menjalani skenario, mendapatkan bimbingan spesifik tentang apa yang berhasil dan apa yang tidak, dan mencoba lagi. Kesalahan terjadi dalam lingkungan yang aman, dan pembelajaran tetap karena terkait dengan situasi nyata daripada latihan kelas abstrak.

Platform Anda tidak hanya melatih agen, tetapi juga menilai interaksi langsung terhadap pedoman khusus. Bagaimana Anda merancang sistem penilaian ini untuk mencerminkan hasil bisnis nyata seperti CSAT, retensi, atau pendapatan?

Untuk membuat pedoman ini, kami selalu memulai dengan apa yang sebenarnya peduli perusahaan tersebut. Perusahaan jasa keuangan yang menangani sengketa tagihan memiliki standar kualitas yang berbeda dengan merek e-commerce yang mengelola pengembalian selama musim puncak. Jadi penilaian dibangun di sekitar pedoman organisasi, kebijakan, suara merek, dan apa yang terlihat seperti resolusi yang baik bagi mereka.

Dan hasil bisnis seperti skor CSAT yang ditingkatkan dan retensi berasal dari interaksi pelanggan yang berkualitas tinggi. Daripada melacak skor secara retrospektif, kami fokus pada perilaku yang memprediksi hasil tersebut: kinerja konsisten di seluruh agen, mengikuti proses yang tepat, dan keterampilan lunak yang membentuk bagaimana pelanggan merasa di akhir percakapan.

Tujuannya adalah untuk memberikan pemimpin gambaran yang jelas dan praktis tentang apa yang terlihat baik untuk perusahaan mereka, sehingga mereka dapat melatih tim mereka, mengulangi kesuksesan, dan tumbuh di seluruh organisasi.

Banyak perusahaan hanya meninjau persentase kecil percakapan pelanggan. Bagaimana Solidroad memungkinkan analisis cakupan penuh, dan apa jenis wawasan yang menjadi mungkin ketika Anda beralih dari sampling ke menganalisis semua?

Survei State of CX kami baru-baru ini menunjukkan bahwa sekitar 81% percakapan dukungan tidak pernah ditinjau untuk kualitas, meninggalkan tim yang meninjau sebagian kecil percakapan sehingga mereka sebenarnya hanya sampling dan berharap itu representatif. Ketika sebuah perusahaan mulai mengevaluasi setiap percakapan pelanggan, pola yang tidak akan muncul dalam sampel acak menjadi jelas. Tim mulai melihat jenis permintaan yang secara konsisten ditangani dengan buruk, di mana agen AI dan manusia menyimpang dengan cara yang tidak terduga, dan masalah apa yang berulang sebelum mereka muncul dalam keluhan pelanggan.

Solidroad menggunakan AI untuk secara otomatis meninjau setiap percakapan pelanggan di seluruh obrolan, email, dan suara, membuat analisis cakupan penuh menjadi mungkin. Perubahan dari sampling ke tinjauan 100% adalah apa yang mengungkapkan pola konsisten dalam kualitas, friksi pelanggan, dan kinerja yang tidak akan terungkap secara lain.

Crypto.com adalah contoh yang baik tentang apa yang dikunci cakupan penuh. Sebelum Solidroad, tim mereka tidak memiliki cara yang handal untuk mengukur kualitas agen secara besar-besaran atau memverifikasi agen siap sebelum menangani tiket langsung. Masalah hanya muncul setelah mereka telah mempengaruhi pelanggan. Dengan beralih ke penilaian otomatis di seluruh 800.000 percakapan bulanan, mereka bisa menangkap masalah kualitas lebih awal, memverifikasi agen sebelum penerapan, dan mengonfirmasi perbaikan yang sebenarnya menempel. Hasilnya adalah pengurangan 18% dalam waktu penanganan rata-rata dan peningkatan 3% dalam CSAT (yang signifikan pada skala mereka operasikan). Ketika volume percakapan mereka terus tumbuh, visibilitas kualitas mereka meningkat bersamaan dengan itu, bukan jatuh lebih jauh.

Itulah yang sebenarnya berubah dengan cakupan penuh. Ini menggeser kualitas dari sesuatu yang reaktif ke sesuatu yang proaktif yang dapat dikelola sebelumnya.

Anda bekerja dengan perusahaan seperti Crypto.com dan Ryanair, di mana pengalaman pelanggan sangat kritis. Apa pola atau kelemahan umum yang telah Anda identifikasi di seluruh tim dukungan skala besar?

Beberapa hal yang konsisten muncul. Yang pertama adalah kesenjangan antara apa yang perusahaan pikir terjadi dalam percakapan pelanggan dan apa yang sebenarnya terjadi. Sebagian besar tim yakin dengan kualitas dukungan mereka sampai mereka mendapatkan visibilitas penuh, kemudian mereka menyadari gambarannya lebih rumit daripada yang metrics awalnya sarankan.

Ada juga pemutusan konsisten antara bagaimana tim mengukur kinerja dan apa yang sebenarnya mengarah pada hasil pelanggan. Metrik kecepatan dan hitungan tiket mudah dilacak, sehingga mereka cenderung mendominasi evaluasi. Tapi angka-angka itu tidak memberitahu perusahaan apakah masalah pelanggan diselesaikan, apakah agen menggambarkan merek dengan akurat, atau apakah interaksi meninggalkan pelanggan merasa baik tentang perusahaan. Dalam lingkungan yang berisiko tinggi seperti fintech atau perawatan kesehatan, kesenjangan antara pengukuran dan hasil dapat memiliki konsekuensi serius.

Ada kekhawatiran yang tumbuh bahwa AI dalam layanan pelanggan dapat merusak pengalaman manusia. Bagaimana Anda memastikan bahwa sistem Anda meningkatkan kualitas daripada mendorong tim menuju interaksi yang terlalu disusun atau robotik?

Ini adalah kekhawatiran yang valid, tetapi salah satu yang biasanya berasal dari sistem QA (Quality Assurance) yang menggunakan AI untuk hal-hal yang salah. Jika sebuah perusahaan menilai agen hanya berdasarkan ketaatan pada skrip atau seberapa cepat mereka menutup tiket, mereka akan berakhir dengan interaksi yang secara teknis memeriksa kotak-kotak tetapi terasa kosong atau tidak pribadi bagi pelanggan.

Pendekatan kami adalah untuk membangun penilaian di sekitar apa yang sebenarnya membuat pelanggan meninggalkan interaksi merasa didukung. Kami melihat hal-hal seperti apakah agen mendengarkan secara aktif, menunjukkan empati ketika diperlukan, dan benar-benar membantu pelanggan menyelesaikan masalah mereka.

Hal yang sama berlaku untuk agen AI. Tujuannya adalah untuk menggunakan AI untuk membuat interaksi pelanggan lebih konsisten, akurat, dan responsif terhadap apa yang sebenarnya dialami pelanggan. Ketika pengawasan kualitas dibangun di sekitar hasil tersebut daripada hanya kepatuhan proses, cenderung mendorong interaksi ke arah yang lebih baik, bukan yang lebih disusun.

Solidroad berada di persimpangan agen manusia dan agen AI. Bagaimana Anda melihat hubungan antara keduanya berkembang, terutama karena AI mulai menangani lebih banyak interaksi garis depan?

Penting untuk melihat agen manusia dan agen AI sebagai tim, membagi divisi tenaga kerja. Saya pikir masa depan untuk agen manusia dan AI adalah hibrida.

AI menangani permintaan volume tinggi dan sederhana dengan sangat baik, dan agen AI terbaik bahkan menyelesaikan sebagian besar percakapan tersebut sendiri, yang sangat mengesankan.

Tapi hasilnya adalah bahwa interaksi yang mencapai agen manusia semakin kompleks, emosional, dan berisiko tinggi. Pelanggan yang frustrasi, situasi yang tidak sesuai dengan template standar, percakapan yang memerlukan penilaian nyata. Jadi batang untuk agen manusia sebenarnya naik, bukan turun.

Itulah mengapa pengawasan di seluruh keduanya menjadi sangat penting. AI perlu menangani volumenya secara konsisten dan akurat. Manusia perlu dipersiapkan dengan baik untuk percakapan yang lebih sulit yang sekarang mereka tangani terutama. Dan perlu ada lapisan independen yang duduk di seluruh keduanya, memberikan perusahaan gambaran yang jelas tentang apa yang berhasil dan apa yang tidak. Itulah model hibrida yang kami pikir akan mendefinisikan CX ke depan, dan itulah yang kami bangun.

Sistem Anda menyediakan umpan balik dan pelatihan waktu nyata. Seberapa pentingkah segera dalam meningkatkan kinerja agen, dan bagaimana perbandingannya dengan alur kerja pelatihan dan QA tradisional?

Ketepatan waktu sangat penting, dan penelitian mendukung bahwa umpan balik paling efektif ketika terkait dengan situasi spesifik yang menghasilkannya. Alur kerja QA tradisional memutuskan hubungan itu hampir dengan desain. Seorang manajer meninjau percakapan beberapa hari atau minggu setelah itu terjadi, berbagi umpan balik dalam tinjauan berkala, dan pada saat itu agen telah memiliki puluhan interaksi lain di mana kesalahan itu kemungkinan berulang. Tanpa memberikan umpan balik secara real-time, kesalahan bertahan dan agen harus mempelajari kembali praktik yang mereka gunakan.

Apa yang kami temukan adalah bahwa umpan balik paling efektif ketika muncul segera setelah percakapan nyata. Ini bekerja terbaik ketika terkait langsung dengan apa yang agen baru saja tangani dan dipasangkan dengan simulasi spesifik yang dapat mereka jalankan segera. Dalam format ini, itu diterjemahkan menjadi perubahan perilaku yang sebenarnya lebih cepat. Agen tidak hanya mendengar bahwa mereka perlu memperbaiki, mereka berlatih perbaikan dalam konteks, sementara itu masih segar.

Kontras dengan onboarding tradisional adalah contoh paling jelas dari ini. Data kami menunjukkan bahwa lebih dari setengah agen manusia mengatakan bagian tersulit dari onboarding adalah menerapkan apa yang mereka pelajari dalam pelatihan ke situasi pelanggan nyata. Diskrepanksi ini ada karena pembelajaran kelas dan dukungan langsung terasa tidak sama. Umpan balik yang berkelanjutan dan situasional memecahkan ini dengan cara yang tinjauan berkala tidak pernah bisa.

Anda telah menunjukkan perbaikan seperti pengurangan waktu onboarding dan CSAT yang lebih tinggi. Metrik apa yang paling dipedulikan pelanggan ketika mengadopsi platform Anda, dan bagaimana Anda mendemonstrasikan ROI awal dalam hubungan?

Ini bervariasi tergantung pada di mana titik nyeri pelanggan berada, tetapi dua hal yang paling sering disebutkan adalah cakupan asuransi kualitas dan penghematan waktu. Tim yang secara manual meninjau sebagian kecil percakapan segera melihat nilai dalam beralih ke cakupan 100%, baik untuk wawasan yang disampaikan Solidroad maupun untuk jam yang diberikan kembali kepada tim QA mereka. Di seluruh basis pelanggan kami, kami biasanya melihat peningkatan 20x dalam cakupan QA dan pengurangan 90% dalam waktu tinjauan manual.

Di sisi ROI, kami mencoba menghubungkan hasil dengan metrik yang sudah penting bagi bisnis tersebut. Di Podium, headline-nya adalah waktu onboarding. Agen baru mencapai benchmark kinerja dalam 60 hari bukan 90, dan menyelesaikan masalah 33% lebih cepat setelah mereka langsung. Dengan Crypto.com, itu adalah waktu resolusi dan visibilitas volume percakapan. Untuk Ryanair, itu menunjukkan penghematan jam perekrutan.

Spesifiknya berbeda, tetapi polanya sama: ketika Anda dapat benar-benar melihat apa yang terjadi di seluruh interaksi pelanggan dan bertindak atas dasar itu dengan cepat, perbaikan mengikuti dalam metrik yang penting.

Menghadap ke depan, apakah Anda melihat Solidroad tetap fokus pada pelatihan dan QA, atau berkembang menjadi lapisan orkestrasi yang lebih luas untuk mengelola baik interaksi pelanggan manusia maupun AI?

Pelatihan dan QA adalah di mana kami memulai, tetapi visinya lebih besar dari itu. Cara kami memikirkan tentang hal itu, pengawasan kualitas akan menjadi infrastruktur kunci untuk setiap perusahaan yang menjalankan AI dalam dukungan pelanggan. Dengan cara yang sama sertifikasi keamanan menjadi tidak dapat dinegosiasikan setelah perusahaan memindahkan data ke cloud, sertifikasi kualitas akan menjadi penting ketika percakapan pelanggan berpindah ke AI.

Bintang utara adalah bahwa “Solidroad Certified” membawa makna nyata: bukti bahwa sebuah perusahaan memenuhi standar tinggi untuk bagaimana mereka memperlakukan pelanggan, terlepas dari apakah interaksi itu ditangani oleh orang atau AI.

Apa yang itu maksudkan secara praktis adalah bahwa kami ingin menjadi sistem yang organisasi andalkan untuk mengelola dan meningkatkan kualitas interaksi pelanggan secara keseluruhan, bukan hanya menandai masalah di belakang. Itulah sebagian besar alasan kami mengumpulkan $25 juta Seri A yang dipimpin oleh Hedosophia—itu memberi kami landasan untuk membangun menuju visi itu. Itu termasuk memperluas kemampuan produk dan tim kami untuk membantu lebih banyak perusahaan mengevaluasi 100% interaksi pelanggan mereka.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Solidroad.