Mark Hughes, Co-Fondatore e Amministratore Delegato di Solidroad – Serie di Interviste

Mark Hughes, Co-Fondatore e Amministratore Delegato di Solidroad, è un imprenditore seriale e leader di go-to-market che ha costruito la sua carriera all’intersezione di vendite, esperienza del cliente e tecnologia. In precedenza, ha fondato Gradguide, una piattaforma di carriera e reclutamento che ha raccolto 2 milioni di euro e successivamente è stata acquisita, e ha ricoperto ruoli commerciali senior in Chargify, dove ha guidato le operazioni EMEA dopo la fusione con Maxio. All’inizio della sua carriera, ha sviluppato una profonda esperienza nel settore delle vendite ad alta velocità e aziendale presso Intercom, gestendo cicli di negoziazione complessi e aiutando a scalare i team di revenue. Oggi, guida Solidroad da San Francisco, applicando quell’esperienza per ripensare come le aziende valutano e migliorano le interazioni con i clienti utilizzando l’AI, con un focus sul miglioramento della qualità in entrambi i sistemi di supporto umano e automatizzato.

Solidroad è una piattaforma di assicurazione della qualità e formazione alimentata da AI, progettata per i team di esperienza del cliente moderni, costruita per analizzare e migliorare ogni interazione con il cliente su larga scala. La piattaforma inghiotte le conversazioni attraverso canali, valuta le prestazioni rispetto agli standard aziendali e genera simulazioni di formazione personalizzate per ottimizzare continuamente sia gli agenti umani che i sistemi AI. Piuttosto che sostituire i team di supporto clienti, Solidroad si concentra sull’migliorarli, trasformando ogni interazione in un ciclo di feedback che migliora i risultati come la qualità delle risposte, l’efficienza e la soddisfazione del cliente. L’azienda si posiziona come infrastruttura per i team di CX ad alte prestazioni, aiutando le organizzazioni a fornire esperienze coerenti e di alta qualità senza aumentare i costi operativi.

La maggior parte delle aziende si affida ancora alla revisione di un piccolo campione di interazioni con i clienti per valutare le prestazioni. Cosa ti ha convinto che questo approccio è fondamentalmente rotto, e come ha portato alla creazione dell’approccio di Solidroad per monitorare, valutare e migliorare continuamente sia gli agenti umani che quelli AI?

Patrick e io avevamo entrambi trascorso anni intorno ai team di supporto clienti prima di iniziare Solidroad, e un problema continuava a spiccare: le aziende avevano centinaia di migliaia di conversazioni con i clienti, ma se chiedevi come stavano andando quelle conversazioni, non lo sapevano realmente. E ciò che sapevano era basato su un campione così piccolo delle interazioni che non era accurato.

Era già una base incerta quando gli umani gestivano ogni biglietto. Ora, con l’AI che entra in scena, le poste in gioco sono cambiate. Un cattivo modello potrebbe riprodursi attraverso migliaia di conversazioni simultaneamente e passare inosservato perché la maggior parte dei team sta revisionando solo l’1-2% delle interazioni.

Abbiamo visto che questo stava accadendo in aziende ripetutamente e stavano perdendo clienti a causa di questo, quindi abbiamo deciso di creare una soluzione. Abbiamo riconosciuto che questo era fondamentalmente un problema di infrastruttura. Le aziende semplicemente non avevano i sistemi necessari per comprendere realmente le prestazioni dei loro agenti di supporto clienti.

Solidroad è stata costruita per affrontare quel punto cieco. Forniamo alle aziende gli strumenti per vedere cosa sta realmente accadendo su larga scala e assicurare che ogni conversazione – umana, AI o entrambe – fornisca valore.

Solidroad è stata descritta come un “simulatore di volo” per i team di front-line. Puoi spiegare come il tuo AI simula realmente le interazioni con i clienti e cosa rende quelle simulazioni efficaci per la formazione su larga scala?

L’analogia del simulatore di volo funziona perché l’idea di base è la stessa. Non vuoi che la prima esperienza di qualcuno nel gestire una situazione difficile si verifichi di fronte a un cliente reale.

Cosa rende le nostre simulazioni efficaci è che sono radicate in ciò che sta realmente accadendo nelle conversazioni reali dell’azienda. Quando un agente sbaglia qualcosa in un’interazione live, il sistema genera una simulazione mirata proprio su quel tipo di scenario in modo che possano esercitarsi prima che si verifichi di nuovo. Non è contenuto di formazione generico.

Il ciclo di feedback è ciò che guida l’apprendimento. Gli agenti eseguono uno scenario, ricevono indicazioni specifiche su cosa ha funzionato e cosa no, e ci riprovano. Gli errori si verificano in un ambiente sicuro e l’apprendimento rimane perché è legato a situazioni reali piuttosto che a esercizi astratti in aula.

La tua piattaforma non forma solo gli agenti, ma valuta anche le interazioni live contro linee guida personalizzate. Come progetti questi sistemi di valutazione per riflettere risultati aziendali reali come CSAT, fidelizzazione o entrate?

Per creare queste linee guida, iniziamo sempre con ciò che quell’azienda specifica si preoccupa realmente. Un’azienda di servizi finanziari che gestisce dispute di fatturazione ha standard di qualità diversi rispetto a un marchio di e-commerce che gestisce resi durante la stagione di picco. Quindi la valutazione è costruita intorno alle linee guida, alle politiche, alla voce del marchio e a ciò che una buona risoluzione significa per loro.

E i risultati aziendali come i punteggi CSAT migliorati e la fidelizzazione derivano da interazioni con i clienti di alta qualità. Piuttosto che tracciare i punteggi in modo retroattivo, ci concentriamo sui comportamenti che prevedono quei risultati: prestazioni coerenti tra gli agenti, seguire i processi giusti e le competenze morbide che plasmano come i clienti si sentono alla fine di una conversazione.

L’obiettivo è fornire ai leader un’immagine chiara e pratica di cosa significa “buono” per la loro azienda, in modo che possano allenare i loro team, replicare il successo e farlo crescere in tutta l’organizzazione.

Molte aziende revisionano solo una piccola percentuale di conversazioni con i clienti. Come Solidroad consente l’analisi della copertura completa e quali tipi di informazioni diventano possibili quando si passa dal campionamento all’analisi di tutto?

Il nostro recente Stato del CX survey ha mostrato che circa l’81% delle conversazioni di supporto non vengono mai revisionate per la qualità, lasciando i team a revisionare una frazione così piccola delle conversazioni che stanno essenzialmente campionando e sperando che sia rappresentativo. Quando un’azienda inizia a valutare ogni conversazione con il cliente, modelli che non sarebbero mai emersi in un campione casuale diventano ovvi. I team iniziano a vedere quali tipi di richieste vengono gestite costantemente in modo scadente, dove gli agenti umani e AI si discostano in modi inaspettati e quali problemi sono ricorrenti prima che si verifichino in una lamentela del cliente.

Solidroad utilizza l’AI per revisionare automaticamente ogni conversazione con il cliente attraverso chat, email e voce, rendendo possibile l’analisi della copertura completa. Quel passaggio dal campionamento alla revisione al 100% è ciò che rivela modelli coerenti di qualità, attrito del cliente e prestazioni che altrimenti rimarrebbero nascosti.

Crypto.com è un ottimo esempio di cosa sblocca la copertura completa. Prima di Solidroad, il loro team non aveva un modo affidabile per misurare la qualità degli agenti su larga scala o verificare se gli agenti erano pronti prima di gestire biglietti live. I problemi emergevano solo dopo aver già influenzato i clienti. Passando alla valutazione automatizzata su 800.000 conversazioni mensili, potevano individuare problemi di qualità precocemente, convalidare gli agenti prima del dispiegamento e confermare che i miglioramenti stavano realmente funzionando. I risultati sono stati una riduzione del 18% del tempo di gestione medio e un aumento del 3% della CSAT (che è significativo alla scala in cui operano). Mentre il volume delle conversazioni continua a crescere, la visibilità della qualità si scala con esso piuttosto che cadere ulteriormente.

È proprio ciò che la copertura completa cambia. Passa dalla qualità da qualcosa di reattivo a qualcosa di proattivo che può essere gestito in anticipo.

Lavori con aziende come Crypto.com e Ryanair, dove l’esperienza del cliente è fondamentale. Quali modelli o debolezze comuni hai identificato nei team di supporto su larga scala?

Alcune cose si verificano costantemente. La prima è il divario tra ciò che le aziende pensano stia accadendo nelle loro conversazioni con i clienti e ciò che sta realmente accadendo. La maggior parte dei team è fiduciosa nella qualità del supporto fino a quando non ottengono una visibilità completa, poi si rendono conto che l’immagine è più complessa di quanto i loro metriche iniziali suggerissero.

C’è anche una disconnessione costante tra come i team misurano le prestazioni e ciò che realmente guida i risultati del cliente. Le metriche di velocità e i conteggi dei biglietti sono facili da tracciare, quindi tendono a dominare le valutazioni. Ma quei numeri non dicono alle aziende se il problema del cliente è stato risolto, se l’agente ha rappresentato il marchio in modo accurato o se l’interazione ha lasciato il cliente con una sensazione positiva nei confronti dell’azienda. In ambienti ad alto rischio come fintech o sanità, quella disallineazione tra misurazione e risultato può avere gravi conseguenze.

C’è una crescente preoccupazione che l’AI nel servizio clienti possa degradare l’esperienza umana. Come assicuri che il tuo sistema migliori la qualità piuttosto che spingere i team verso interazioni troppo scriptate o robotiche?

È una preoccupazione valida, ma una che di solito deriva da sistemi di QA (Assicurazione della Qualità) che sfruttano l’AI per le cose sbagliate. Se un’azienda valuta gli agenti solo in base all’aderenza a uno script o a quanto velocemente chiudono un biglietto, finiranno per avere interazioni che tecnicamente spuntano le caselle ma sembrano vuote o impersonali al cliente.

Il nostro approccio è costruire la valutazione intorno a ciò che fa realmente sentire il cliente supportato. Guardiamo a cose come se l’agente ha ascoltato attivamente, ha mostrato empatia quando necessario e ha realmente aiutato il cliente a risolvere il suo problema.

La stessa cosa si applica agli agenti AI. L’obiettivo è utilizzare l’AI per rendere le interazioni con i clienti più coerenti, accurate e adeguatamente rispondenti a ciò che il cliente sta realmente sperimentando. Quando la supervisione della qualità è costruita intorno a quei risultati piuttosto che solo al rispetto del processo, tende a spingere le interazioni in una direzione migliore, non più scriptata.

Solidroad si trova all’intersezione degli agenti umani e degli agenti AI. Come vedi l’evoluzione della relazione tra i due, specialmente mentre l’AI inizia a gestire più interazioni di prima linea?

È importante considerare gli agenti umani e gli agenti AI come un team, dividendo il lavoro. Penso che il futuro per gli agenti umani e AI sia ibrido.

L’AI gestisce le richieste ad alta volumetria e semplici molto bene e i migliori agenti AI risolvono la maggior parte di quelle conversazioni da soli, il che è veramente impressionante.

Ma il risultato di ciò è che le interazioni che raggiungono gli agenti umani sono sempre più complesse, cariche emotivamente e ad alto rischio. Il cliente frustrato, la situazione che non si adatta a un modello standard, la conversazione che richiede un giudizio reale. Quindi la barra per gli agenti umani sta effettivamente salendo, non calando.

È esattamente per questo che la supervisione su entrambi diventa così importante. L’AI deve gestire il suo volume in modo coerente e accurato. Gli umani devono essere ben preparati per le conversazioni più difficili che stanno ora gestendo principalmente. E deve esserci uno strato indipendente che siede su entrambi, dando alle aziende un’immagine chiara di ciò che funziona e ciò che non funziona. È il modello ibrido che pensiamo definirà CX in futuro e verso cui stiamo costruendo.

Il tuo sistema fornisce feedback e coaching in tempo reale. Quanto è importante l’immediato miglioramento delle prestazioni degli agenti e come si confronta con i flussi di lavoro di formazione e QA tradizionali?

L’immediato è veramente importante e la ricerca lo supporta. Il feedback è più efficace quando è collegato alla situazione specifica che lo ha generato. I flussi di lavoro di QA tradizionali rompono quel collegamento quasi per design. Un manager revisiona una conversazione giorni o settimane dopo che si è verificata, condivide il feedback in una revisione periodica e a quel punto l’agente ha avuto già dozzine di altre interazioni in cui quell’errore è stato probabilmente ripetuto. Senza fornire il feedback in tempo reale, gli errori persistono e gli agenti devono disimparare le pratiche a cui sono abituati.

Cosa abbiamo trovato è che il feedback è più efficace quando emerge immediatamente dopo una conversazione reale. Funziona meglio quando è legato direttamente a ciò che l’agente ha appena gestito e abbinato a una simulazione specifica che possono eseguire subito. In questo formato, si traduce in un cambiamento comportamentale reale molto più velocemente. Gli agenti non stanno solo ascoltando che devono migliorare, stanno praticando il miglioramento nel contesto, mentre è ancora fresco.

Il contrasto con la formazione tradizionale è l’esempio più chiaro di ciò. I nostri dati mostrano che più della metà degli agenti umani dice che la parte più difficile dell’onboarding è applicare ciò che hanno imparato nella formazione alle situazioni reali dei clienti. Quella discrepanza esiste perché l’apprendimento in aula e il supporto live sentono nulla di simile. Il feedback continuo e situazionale risolve questo in un modo che le revisioni periodiche non avrebbero mai potuto.

Avete mostrato miglioramenti come riduzione del tempo di onboarding e aumento della CSAT. Quale metrica i clienti si curano di più nell’adozione della tua piattaforma e come dimostri il ROI presto nella relazione?

Varia a seconda di dove si trovano i punti deboli del cliente, ma le due cose che emergono più costantemente sono la copertura dell’assicurazione della qualità e il risparmio di tempo. I team che revisionano manualmente una piccola frazione di conversazioni vedono immediatamente il valore nel passare alla copertura del 100%, sia per le informazioni che Solidroad fornisce che per le ore che restituisce ai loro team di QA. Nel nostro insieme di clienti, vediamo tipicamente un aumento di 20 volte della copertura di QA e una riduzione del 90% del tempo di revisione manuale.

Sul lato ROI, cerchiamo di collegare i risultati ai metriche che già interessano a quell’azienda. A Podium, l’attenzione era sul tempo di onboarding. I nuovi agenti raggiungevano i benchmark di prestazione in 60 giorni invece di 90 e risolvevano i problemi il 33% più velocemente una volta entrati in funzione. Con Crypto.com, si trattava del tempo di risoluzione e della visibilità del volume delle conversazioni. Per Ryanair, si è visto nel risparmio di ore di reclutamento.

I dettagli differiscono, ma il modello è lo stesso: quando puoi realmente vedere cosa sta accadendo nelle tue interazioni con i clienti e agire rapidamente, i miglioramenti seguono nelle metriche che contano.

Guardando avanti, vedi Solidroad rimanere focalizzato sulla formazione e sulla QA o evolversi in uno strato di orchestrazione più ampio per la gestione di entrambe le interazioni con i clienti umani e AI?

La formazione e la QA sono dove abbiamo iniziato, ma la visione è più grande di questo. Il modo in cui pensiamo a questo è che la supervisione della qualità diventerà un’infrastruttura chiave per qualsiasi azienda che esegue l’AI nel servizio clienti. Allo stesso modo in cui le certificazioni di sicurezza sono diventate imprescindibili una volta che le aziende hanno spostato i dati nel cloud, la certificazione di qualità diventerà essenziale mentre le conversazioni con i clienti si spostano verso l’AI.

La stella polare è che “Solidroad Certified” porta un significato reale: la prova che un’azienda soddisfa un alto standard per come tratta i clienti, indipendentemente dal fatto che l’interazione sia stata gestita da una persona o da un’AI.

Cosa significa praticamente è che vogliamo essere il sistema su cui le organizzazioni si affidano per gestire e migliorare la qualità delle interazioni con i clienti su larga scala, non solo segnalare problemi sul retro. È una grande parte del motivo per cui abbiamo raccolto i nostri 25 milioni di dollari di Serie A guidati da Hedosophia – ci dà la corsia per costruire verso quella visione. Ciò include l’espansione delle nostre capacità di prodotto e dei team per aiutare ancora più aziende a valutare il 100% delle loro interazioni con i clienti.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Solidroad.