Niraj Ranjan, Fondatore e Amministratore Delegato di Hiver – Serie di Interviste

Niraj Ranjan, fondatore e amministratore delegato di Hiver, è un imprenditore e tecnologo esperto che ha costruito la sua carriera all’intersezione dell’ingegneria del software, dello sviluppo di prodotti e dell’esperienza del cliente. Ha fondato Hiver nel 2017 per ripensare il software di servizio clienti, attingendo alla sua precedente esperienza come co-fondatore di Mobicules, dove ha scalato l’azienda da un piccolo team a un’operazione di 35 persone lavorando a stretto contatto come programmatore e architetto. Prima di diventare imprenditore, ha trascorso quasi cinque anni alla Mentor Graphics sviluppando software di emulazione avanzata per sistemi basati su FPGA, un’esperienza che ha plasmato il suo approccio alla costruzione di prodotti ad alte prestazioni e alla creazione di forti culture ingegneristiche.

Hiver è una piattaforma di servizio clienti moderna e alimentata da intelligenza artificiale progettata per unificare canali di comunicazione come e-mail, chat, voce e messaggistica in un unico spazio di lavoro. Consente ai team di gestire caselle di posta condivise, automatizzare i flussi di lavoro e collaborare in tempo reale mentre l’intelligenza artificiale gestisce compiti ripetitivi come il routing dei biglietti, la stesura delle risposte e l’analisi dei dati. La piattaforma è costruita per sostituire i sistemi di help desk legacy con una soluzione più intuitiva e scalabile, aiutando le organizzazioni a migliorare i tempi di risposta, tenere traccia delle metriche di prestazione e offrire esperienze del cliente coerenti attraverso i canali, e viene utilizzata da oltre 10.000 team in tutto il mondo.

All’inizio della tua carriera alla Mentor Graphics, hai lavorato su sistemi di emulazione hardware avanzati utilizzati per simulare progetti elettronici complessi prima che fossero costruiti fisicamente. Successivamente, hai co-fondato e scalato Mobicules da una startup di tre persone a un’azienda di 35 persone prima di lanciare Hiver. Come hanno influenzato quelle solide basi tecniche e quelle prime esperienze di scalabilità il tuo approccio alla costruzione di intelligenza artificiale che si esegue in modo affidabile in ambienti di supporto ad alta pressione e nel mondo reale?

Lavorare su sistemi di emulazione hardware influenza il modo in cui si pensa all’affidabilità. Quei sistemi esistono perché progetti complessi si comportano diversamente una volta che incontrano condizioni reali. I casi limite appaiono, le interazioni tra componenti cambiano gli esiti e il modello pulito si rompe. Quella mentalità si trasferisce direttamente agli ambienti di supporto clienti. Le conversazioni arrivano con contesto mancante, urgenza emotiva e dipendenze attraverso diversi sistemi interni.

Scalare un’azienda espone un altro livello di complessità. Man mano che i team crescono, l’attrito operativo diventa molto visibile. Gli agenti trascorrono del tempo assemblando informazioni da diversi strumenti e coordinandosi internamente prima di poter anche solo rispondere. Quell’esperienza ha plasmato il nostro pensiero a Hiver. Guardiamo all’intero ciclo di vita del supporto, dal momento in cui arriva una richiesta al punto in cui viene risolta, e chiediamo dove l’intelligenza artificiale possa rimuovere quell’attrito in modo che i team spendano più energia nel risolvere il problema.

Hiver enfatizza l’uso dell’intelligenza artificiale per rimuovere il lavoro ripetitivo piuttosto che sostituire il giudizio o l’empatia umana. Dove tracci la linea tra automazione utile e sovra-automazione nel supporto clienti?

Il lavoro di supporto contiene molta fatica operativa che non si manifesta nella risposta finale. Gli agenti categorizzano le richieste, cercano politiche, recuperano informazioni sui conti e tracciano lunghe storie di conversazioni prima di poter decidere cosa dire. L’intelligenza artificiale gestisce bene quel lavoro di base. Quando un sistema può riassumere una conversazione o portare in superficie l’articolo di conoscenza giusto al momento giusto, l’agente inizia la conversazione con una comprensione molto più chiara della situazione.

Il giudizio entra in scena quando la conversazione coinvolge emozione, responsabilità o ambiguità. Un cliente frustrato o un fallimento del servizio richiede interpretazione e cura nel modo in cui la risposta viene formulata. L’intelligenza artificiale può fornire contesto e suggerimenti in quei momenti, sebbene la decisione finale sulla tonalità e sulla risoluzione rimanga con la persona responsabile dell’esperienza del cliente.

Molti strumenti di intelligenza artificiale sembrano impressionanti nelle demo di prodotto, ma lottano nell’uso quotidiano della produzione. Cosa hai imparato sul divario tra l’intelligenza artificiale che si esegue bene nelle demo e l’intelligenza artificiale che si mantiene costantemente all’interno di caselle di posta di supporto ad alta volumetria?

Una demo cattura uno scenario pulito. La domanda è prevedibile, la base di conoscenza è organizzata e il sistema produce una risposta. Il lavoro di supporto reale raramente si svolge in quel modo. Le richieste arrivano con informazioni parziali, la conversazione si estende attraverso più scambi e l’agente spesso necessita di input da altri team o sistemi prima che la situazione sia chiara.

Una lezione che diventa ovvia nella produzione è che la risposta stessa è solo una parte del lavoro. Molto dello sforzo si trova intorno al comprendere cosa è successo e decidere come la questione dovrebbe procedere. L’intelligenza artificiale si mantiene molto meglio quando supporta quel flusso di lavoro. Aiutare gli agenti a comprendere rapidamente il contesto di una conversazione fa una differenza significativa quando la casella di posta inizia a riempirsi.

Hiver si integra perfettamente nei flussi di lavoro di comunicazione esistenti invece di costringere i team a entrare in sistemi completamente nuovi. Quanto è importante questa filosofia “incontrare gli utenti dove già lavorano” quando si distribuisce l’intelligenza artificiale in ambienti in rapida evoluzione?

È molto importante perché i team di supporto già operano sotto pressione. Quando uno strumento nuovo chiede loro di cambiare il modo in cui lavorano o di saltare tra sistemi, l’attrito si manifesta immediatamente. La maggior parte delle conversazioni di supporto inizia ancora via e-mail, e il lavoro intorno a quelle conversazioni coinvolge il recupero di contesto da altri sistemi e la coordinazione interna con i colleghi. Se l’intelligenza artificiale si trova al di fuori di quell’ambiente, l’agente finisce per fare lavoro extra solo per utilizzare la tecnologia.

Abbiamo visto che i team si muovono molto più velocemente quando l’intelligenza si manifesta all’interno del flusso di lavoro su cui già si affidano. Un agente che apre una lunga conversazione via e-mail può immediatamente vedere un riassunto della conversazione, il contesto del cliente rilevante e suggerimenti che aiutano a far procedere la questione. Quel piccolo spostamento riduce il tempo trascorso a ricostruire cosa è successo e dà all’agente più spazio per concentrarsi sul risolvere il problema stesso.

I team di supporto spesso operano sotto pressione intensa, specialmente quando si occupano di clienti frustrati o questioni urgenti. Come progetti sistemi di intelligenza artificiale che riducono il carico cognitivo piuttosto che aggiungere attrito in quei momenti?

Il lavoro di supporto pone una costante richiesta di attenzione. Un agente può gestire decine di conversazioni in parallelo, ognuna con il proprio tono, urgenza e storia. Molto dello sforzo mentale va nella ricostruzione della situazione prima di decidere come rispondere.

L’intelligenza artificiale aiuta di più quando riduce quello sforzo. Aprire una conversazione e vedere immediatamente un riassunto chiaro o l’articolo di conoscenza rilevante cambia il punto di partenza dell’interazione. L’agente trascorre meno tempo assemblando cosa è successo e più tempo a pensare al miglior modo per risolvere la questione.

Con oltre 10.000 team che utilizzano Hiver in tutto il mondo, quali modelli hai osservato nell’evoluzione dell’adozione dell’intelligenza artificiale dopo il rollout iniziale? Cosa separa i team che integrano veramente l’intelligenza artificiale nei flussi di lavoro quotidiani da quelli che la trattano come un’aggiunta opzionale?

I team che vedono un valore reale dall’intelligenza artificiale di solito iniziano con alcuni momenti molto specifici nel flusso di lavoro in cui gli agenti perdono tempo ogni giorno. I riassunti delle conversazioni sono un buon esempio. Quando un agente apre una lunga conversazione e comprende immediatamente cosa è successo, l’intera interazione inizia in modo diverso. Lo stesso si applica quando il sistema porta in superficie l’articolo di aiuto o la politica giusta per rispondere alla domanda. Quando quei momenti aiutano veramente, gli agenti iniziano a utilizzare l’intelligenza artificiale in modo naturale perché rende la loro giornata più facile.

Un altro fattore è la qualità della conoscenza dietro il sistema. Le suggerimenti dell’intelligenza artificiale dipendono fortemente dalla documentazione e dai processi da cui attinge. I team con basi di conoscenza chiare e ben mantenute tendono a vedere un’adozione molto più forte perché le suggerimenti rimangono utili e degne di fiducia. Nel tempo, l’intelligenza artificiale diventa parte di come il team lavora, semplicemente perché aiuta a muoversi attraverso le conversazioni con più chiarezza.

Da una prospettiva di strategia di prodotto, come bilanci la velocità dell’innovazione dell’intelligenza artificiale con il mantenimento dell’affidabilità e della fiducia — in particolare in ambienti in cui gli errori possono danneggiare le relazioni con i clienti?

Il supporto clienti è uno di quegli ambienti in cui piccoli errori portano a conseguenze sproporzionate. Una risposta che fraintende una questione di fatturazione o un cliente frustrato può creare più lavoro per il team e danneggiare la fiducia rapidamente. Quella realtà costringe un approccio molto deliberato a dove l’intelligenza artificiale prende azione e dove supporta l’agente umano. Alcuni compiti, come la categorizzazione o il riassunto delle conversazioni, tollerano un alto grado di automazione. Le decisioni che influenzano i ricavi, l’interpretazione delle politiche o le relazioni con i clienti richiedono un livello di certezza molto più alto.

La strategia di prodotto diventa un esercizio di abbinamento delle capacità dell’intelligenza artificiale con il livello di affidabilità che un compito richiede. Nuovi modelli e tecniche appaiono costantemente, sebbene la vera prova sia se si eseguono costantemente all’interno delle operazioni di supporto quotidiano. I team che costruiscono questi sistemi devono rimanere vicini a come gli agenti lavorano effettivamente e trattare quel feedback come il segnale principale per cosa dovrebbe essere consegnato dopo.

Come pensi che l’intelligenza artificiale cambierà la struttura dei team di supporto nei prossimi cinque anni? Si sposterà verso la supervisione e il giudizio, o emergeranno interamente nuove categorie di lavoro?

La struttura dei team di supporto probabilmente si sposterà verso meno persone che gestiscono l’elaborazione dei biglietti ripetitivi e più persone concentrate sulla risoluzione di questioni complesse. Man mano che l’intelligenza artificiale gestisce compiti come il riassunto delle conversazioni, l’organizzazione delle richieste in entrata e l’aiuto nella stesura delle risposte, gli agenti trascorreranno più tempo a comprendere cosa è realmente successo in una situazione e a coordinarsi con altri team per risolverlo. Ciò diventa meno questione di spostare biglietti attraverso una coda e più questione di possedere l’esito della questione del cliente.

I team avranno anche bisogno di persone responsabili dei sistemi che rendono l’intelligenza artificiale utile. Il supporto assistito dall’intelligenza artificiale dipende fortemente da documentazione accurata, processi chiari e fonti di conoscenza affidabili. Mantenere quei sistemi diventa un lavoro continuo, quindi le organizzazioni di supporto probabilmente aggiungeranno ruoli focalizzati sulla gestione della conoscenza, il miglioramento dei flussi di lavoro e assicurarsi che l’intelligenza artificiale continui a fornire indicazioni utili man mano che i prodotti e le politiche evolvono.

Hiver opera in un mercato di help desk competitivo. Quali sono i cambiamenti fondamentali nelle aspettative dei clienti che ritieni che le piattaforme legacy non siano riuscite ad adattare?

I clienti si aspettano sempre più la continuità quando si rivolgono al supporto. Vogliono che l’organizzazione ricordi le interazioni precedenti e porti quel contesto attraverso l’intera conversazione. Ripetere le informazioni attraverso più scambi diventa rapidamente frustrante.

Le questioni di supporto si estendono anche oltre il team di supporto stesso. I team di prodotto, le squadre operative e i responsabili di account contribuiscono spesso alla risoluzione. Le piattaforme che portano la comunicazione e il contesto operativo nello stesso flusso di lavoro rendono più facile mantenere la proprietà della questione chiara dall’inizio alla fine.

Guardando avanti, cosa significa “grande supporto clienti” in un mondo guidato dall’intelligenza artificiale — e quali capacità separeranno le aziende che prosperano da quelle che rimangono indietro?

Un grande supporto in un mondo guidato dall’intelligenza artificiale sarà semplicemente più facile per il cliente. Si rivolgono, il team comprende rapidamente la situazione e la conversazione procede senza molto andirivieni per ricostruire cosa è successo. La tecnologia dietro di esso rimane in gran parte invisibile. Ciò che i clienti notano è che la loro questione è compresa e risolta senza sforzo inutile.

Per i team che gestiscono il supporto, quell’esperienza deriva dall’avere il contesto giusto disponibile nel momento in cui inizia la conversazione. L’intelligenza artificiale aiuta a organizzare le informazioni e a portare in superficie ciò che conta mentre l’agente si concentra sul comprendere il cliente e guidare la questione verso la risoluzione. Le aziende che prosperano saranno quelle che costruiscono le loro operazioni di supporto intorno a quella chiarezza e continuità nell’interazione.

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