Niraj Ranjan, Pendiri dan CEO Hiver – Seri Wawancara

Niraj Ranjan, pendiri dan CEO Hiver, adalah seorang wirausaha berpengalaman dan teknolog yang telah membangun karirnya di persimpangan antara rekayasa perangkat lunak, pengembangan produk, dan pengalaman pelanggan. Ia mendirikan Hiver pada 2017 untuk membayangkan kembali perangkat lunak layanan pelanggan, menggambar dari pengalaman sebelumnya sebagai co-pendiri Mobicules, di mana ia memperluas perusahaan dari tim kecil menjadi operasi 35 orang sambil bekerja langsung sebagai programmer dan arsitek. Sebelum memulai wirausaha, ia menghabiskan hampir lima tahun di Mentor Graphics mengembangkan perangkat lunak emulasi canggih untuk sistem berbasis FPGA, pengalaman yang membentuk pendekatannya dalam membangun produk dengan kinerja tinggi dan budaya rekayasa yang kuat.

Hiver adalah platform layanan pelanggan modern yang ditenagai AI yang dirancang untuk mempersatukan saluran komunikasi seperti email, chat, suara, dan pesan menjadi satu ruang kerja. Ini memungkinkan tim untuk mengelola kotak masuk bersama, mengotomatisasi alur kerja, dan berkolaborasi secara real-time sambil AI menangani tugas berulang seperti pengaturan tiket, penulisan respons, dan analisis data. Platform ini dibangun untuk menggantikan sistem bantuan legacy dengan solusi yang lebih intuitif dan scalable, membantu organisasi memperbaiki waktu respons, melacak metrik kinerja, dan menyampaikan pengalaman pelanggan yang konsisten di seluruh saluran, dan dipercaya oleh lebih dari 10.000 tim di seluruh dunia.

Awal di karir Anda di Mentor Graphics, Anda bekerja pada sistem emulasi perangkat keras canggih yang digunakan untuk mensimulasikan desain elektronik kompleks sebelum mereka dibangun secara fisik. Kemudian, Anda co-mendirikan dan memperluas Mobicules dari startup tiga orang menjadi perusahaan 35 orang sebelum meluncurkan Hiver. Bagaimana fondasi teknis yang mendalam dan pengalaman penskalaan awal membentuk pendekatan Anda dalam membangun AI yang berperforma andal di lingkungan dukungan nyata dengan tekanan tinggi?

Bekerja pada sistem emulasi perangkat keras membentuk cara berpikir tentang keandalan. Sistem tersebut ada karena desain kompleks berperilaku berbeda sekali mereka menghadapi kondisi nyata. Kasus tepi muncul, interaksi antara komponen mengubah hasil, dan model yang bersih runtuh. Pola pikir itu membawa ke lingkungan dukungan pelanggan. Percakapan datang dengan konteks yang hilang, urgensi emosional, dan ketergantungan di seluruh sistem internal.

Menskala perusahaan mengungkap lapisan kompleksitas lain. Ketika tim tumbuh, gesekan operasional menjadi sangat terlihat. Agen menghabiskan waktu untuk menyatukan informasi dari alat yang berbeda dan mengkoordinasikan secara internal sebelum mereka bahkan dapat merespons. Pengalaman itu membentuk pemikiran kami di Hiver. Kami melihat seluruh siklus dukungan, dari saat permintaan tiba hingga titik itu diselesaikan, dan bertanya di mana AI dapat menghilangkan gesekan itu sehingga tim menghabiskan lebih banyak energi untuk memecahkan masalah.

Hiver menekankan menggunakan AI untuk menghilangkan pekerjaan sibuk daripada menggantikan penilaian manusia atau empati. Di mana Anda menggambar garis antara otomatisasi yang berguna dan otomatisasi berlebihan dalam dukungan pelanggan?

Pekerjaan dukungan mengandung banyak upaya operasional yang tidak pernah muncul dalam respons akhir. Agen mengkategorikan permintaan, mencari kebijakan, menarik informasi akun, dan melacak sejarah percakapan panjang sebelum mereka dapat memutuskan apa yang harus dikatakan. AI menangani pekerjaan dasar itu dengan baik. Ketika sistem dapat merangkum thread atau menampilkan artikel pengetahuan yang tepat pada saat yang tepat, agen memulai percakapan dengan pemahaman situasi yang jauh lebih jelas.

Penilaian memasuki gambaran ketika percakapan melibatkan emosi, akuntabilitas, atau ketidakjelasan. Pelanggan yang frustrasi atau kegagalan layanan memerlukan interpretasi dan perawatan dalam cara respons dibingkai. AI dapat menyediakan konteks dan saran dalam momen-momen itu, meskipun keputusan akhir tentang nada dan resolusi tetap dengan orang yang bertanggung jawab atas pengalaman pelanggan.

Banyak alat AI terlihat mengesankan dalam demo produk tetapi berjuang dalam penggunaan produksi sehari-hari. Apa yang telah Anda pelajari tentang kesenjangan antara AI yang demo dengan baik dan AI yang konsisten bertahan di dalam kotak masuk dukungan volume tinggi?

Demo menangkap skenario yang bersih. Pertanyaannya dapat diprediksi, basis pengetahuan terorganisir, dan sistem menghasilkan respons. Pekerjaan dukungan nyata jarang terjadi dengan cara itu. Permintaan datang dengan informasi sebagian, percakapan meluas di seluruh pertukaran beberapa, dan agen sering memerlukan input dari tim lain atau sistem sebelum situasi menjadi jelas.

Salah satu pelajaran yang menjadi jelas dalam produksi adalah bahwa respons itu sendiri hanya satu bagian dari pekerjaan. Banyak upaya berada di sekitar memahami apa yang terjadi dan memutuskan bagaimana masalah harus dilanjutkan. AI bertahan jauh lebih baik ketika mendukung alur kerja itu. Membantu agen memahami konteks percakapan dengan cepat membuat perbedaan yang signifikan ketika kotak masuk mulai terisi.

Hiver terintegrasi dengan baik ke dalam alur kerja komunikasi yang ada daripada memaksa tim untuk bergerak ke sistem baru. Seberapa penting filosofi “bertemu pengguna di mana mereka sudah bekerja” ini ketika menggelar AI di lingkungan yang bergerak cepat?

Hal ini sangat penting karena tim dukungan sudah bekerja di bawah tekanan. Ketika alat baru meminta mereka untuk mengubah cara mereka bekerja atau melompat antara sistem, gesekan muncul segera. Sebagian besar percakapan dukungan masih dimulai dengan email, dan pekerjaan di sekitar percakapan tersebut melibatkan menarik konteks dari sistem lain dan mengkoordinasikan secara internal dengan rekan. Jika AI berada di luar lingkungan itu, agen berakhir dengan melakukan pekerjaan ekstra hanya untuk menggunakan teknologi.

Kami telah melihat bahwa tim bergerak jauh lebih cepat ketika kecerdasan muncul di dalam alur kerja yang mereka andalkan. Agen yang membuka thread email panjang segera dapat melihat ringkasan percakapan, konteks pelanggan yang relevan, dan saran yang membantu mereka melanjutkan masalah. Perubahan kecil itu mengurangi waktu yang dihabiskan untuk merekonstruksi apa yang terjadi dan memberi agen lebih banyak ruang untuk fokus pada memecahkan masalah itu sendiri.

Tim dukungan sering beroperasi di bawah tekanan intens, terutama ketika menangani pelanggan yang frustrasi atau masalah yang mendesak. Bagaimana Anda merancang sistem AI yang mengurangi beban kognitif daripada menambah gesekan dalam momen-momen tersebut?

Pekerjaan dukungan menempatkan tuntutan konstan pada perhatian. Agen mungkin menangani puluhan percakapan secara paralel, masing-masing dengan nada, urgensi, dan sejarahnya sendiri. Banyak upaya mental pergi ke merekonstruksi situasi sebelum memutuskan bagaimana merespons.

AI membantu paling ketika mengurangi upaya itu. Membuka thread dan segera melihat ringkasan yang jelas atau artikel pengetahuan yang relevan mengubah titik awal interaksi. Agen menghabiskan lebih sedikit waktu untuk menyatukan apa yang terjadi dan lebih banyak waktu untuk memikirkan cara terbaik untuk menyelesaikan masalah.

Dengan lebih dari 10.000 tim menggunakan Hiver secara global, apa pola yang telah Anda amati dalam cara adopsi AI berkembang setelah peluncuran awal? Apa yang membedakan tim yang benar-benar mengintegrasikan AI ke dalam alur kerja sehari-hari dari mereka yang memperlakukannya sebagai tambahan opsional?

Tim yang melihat nilai nyata dari AI biasanya memulai dengan beberapa momen spesifik dalam alur kerja di mana agen kehilangan waktu setiap hari. Ringkasan percakapan adalah contoh yang baik. Ketika agen membuka thread panjang dan segera memahami apa yang terjadi, seluruh interaksi dimulai secara berbeda. Hal yang sama berlaku ketika sistem menampilkan artikel pengetahuan yang tepat atau kebijakan yang diperlukan untuk menjawab pertanyaan. Ketika momen-momen itu benar-benar membantu, agen mulai menggunakan AI secara alami karena membuat hari mereka lebih mudah.

Faktor lain adalah kualitas pengetahuan di balik sistem. Saran AI sangat bergantung pada dokumentasi dan proses yang ditarik. Tim dengan basis pengetahuan yang jelas dan terpelihara dengan baik cenderung melihat adopsi yang jauh lebih kuat karena saran tetap berguna dan dapat dipercaya. Seiring waktu, AI menjadi bagian dari cara tim bekerja, hanya karena membantu mereka melalui percakapan dengan lebih jelas.

Dari perspektif strategi produk, bagaimana Anda menyeimbangkan kecepatan inovasi AI dengan mempertahankan keandalan dan kepercayaan — terutama di lingkungan di mana kesalahan dapat merusak hubungan pelanggan?

Dukungan pelanggan adalah salah satu lingkungan di mana kesalahan kecil membawa konsekuensi yang besar. Balasan yang salah mengerti masalah penagihan atau pelanggan yang frustrasi dapat menciptakan lebih banyak pekerjaan untuk tim dan merusak kepercayaan dengan cepat. Kenyataan itu memaksa pendekatan yang sangat sengaja tentang di mana AI mengambil tindakan dan di mana mendukung agen manusia. Beberapa tugas, seperti kategorisasi atau merangkum percakapan, toleran terhadap tingkat otomatisasi yang tinggi. Keputusan yang mempengaruhi pendapatan, interpretasi kebijakan, atau hubungan pelanggan memerlukan tingkat kepastian yang jauh lebih tinggi.

Strategi produk menjadi latihan dalam mencocokkan kemampuan AI dengan tingkat keandalan yang dituntut oleh tugas. Model dan teknik baru muncul secara konstan, namun tes nyata adalah apakah mereka berperforma konsisten di dalam operasi dukungan sehari-hari. Tim yang membangun sistem ini perlu tetap dekat dengan cara agen bekerja dan memperlakukan umpan balik itu sebagai sinyal utama untuk apa yang harus dikirim berikutnya.

Bagaimana Anda pikir AI akan mengubah struktur tim dukungan dalam lima tahun ke depan? Apakah akan bergeser ke pengawasan dan penilaian, atau akan muncul kategori pekerjaan baru?

Struktur tim dukungan kemungkinan akan bergeser ke lebih sedikit orang yang menangani pemrosesan tiket berulang dan lebih banyak orang yang fokus pada menyelesaikan masalah kompleks. Ketika AI menangani tugas seperti merangkum percakapan, mengatur permintaan masuk, dan membantu menulis respons, agen akan menghabiskan lebih banyak waktu untuk memahami apa yang sebenarnya terjadi dalam situasi dan mengkoordinasikan dengan tim lain untuk memperbaikinya. Ini menjadi kurang tentang memindahkan tiket melalui antrian dan lebih tentang memiliki hasil dari masalah pelanggan.

Tim juga akan memerlukan orang yang bertanggung jawab atas sistem yang membuat AI bermanfaat. Dukungan yang dibantu AI sangat bergantung pada dokumentasi yang akurat, proses yang jelas, dan sumber pengetahuan yang dapat diandalkan. Memelihara sistem tersebut menjadi pekerjaan yang berkelanjutan, sehingga organisasi dukungan kemungkinan akan menambahkan fokus pada pengelolaan pengetahuan, memperbaiki alur kerja, dan memastikan AI terus menyediakan panduan yang berguna ketika produk dan kebijakan berkembang.

Hiver beroperasi di pasar help desk yang kompetitif. Apa pergeseran mendasar dalam harapan pelanggan yang Anda percaya platform legacy gagal adaptasi?

Pelanggan semakin mengharapkan kontinuitas ketika mereka menghubungi dukungan. Mereka ingin organisasi untuk mengingat interaksi sebelumnya dan membawa konteks itu melalui seluruh percakapan. Mengulangi informasi di seluruh beberapa pertukaran dengan cepat menjadi frustrasi.

Masalah dukungan juga meluas di luar tim dukungan itu sendiri. Tim produk, tim operasional, dan manajer akun sering berkontribusi pada resolusi. Platform yang membawa komunikasi dan konteks operasional ke dalam alur kerja yang sama membuatnya lebih mudah untuk menjaga kepemilikan masalah tetap jelas dari awal hingga akhir.

Melihat ke depan, apa yang tampak seperti “dukungan pelanggan yang hebat” di dunia AI-pertama — dan apa kemampuan yang akan membedakan perusahaan yang berkembang dari mereka yang tertinggal?

Dukungan yang hebat di dunia AI-pertama akan terasa lebih mudah bagi pelanggan. Mereka menghubungi, tim memahami situasi dengan cepat, dan percakapan berlanjut tanpa banyak bolak-balik untuk merekonstruksi apa yang terjadi. Teknologi di baliknya tetap sebagian besar tidak terlihat. Apa yang pelanggan perhatikan adalah bahwa masalah mereka dipahami dan diselesaikan tanpa usaha yang tidak perlu.

Untuk tim yang menjalankan dukungan, pengalaman itu datang dari memiliki konteks yang tepat tersedia saat percakapan dimulai. AI membantu mengatur informasi dan menyediakan apa yang penting sementara agen fokus pada memahami pelanggan dan mengarahkan masalah ke resolusi. Perusahaan yang berkembang akan menjadi mereka yang membangun operasi dukungan mereka di sekitar kejelasan dan kontinuitas dalam interaksi.

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