Hiver의 창립자 및 CEO인 Niraj Ranjan – 인터뷰 시리즈

Niraj Ranjan, Hiver의 창립자이자 CEO는 소프트웨어 엔지니어링, 제품 개발, 고객 경험의 교차점에서 경력을 쌓은 경험豊富한 기업가이자 기술 전문가입니다. 그는 2017년 Hiver를 설립하여 고객 서비스 소프트웨어를 재창조하기 위해 이전에 Mobicules를 공동 설립한 경험을 활용했습니다. 그는 작은 팀에서 35명으로 성장하는 동안 프로그래머 및 아키텍트로서 직접 작업했습니다. 기업가 이전에 그는 Mentor Graphics에서 거의 5년 동안 FPGA 기반 시스템을 위한 고급 에뮬레이션 소프트웨어를 개발했으며, 이는 높은 성능, 확장 가능한 제품을 구축하고 강한 엔지니어링 문화를 조성하는 그의 접근 방식을 형성했습니다.

Hiver는 이메일, 채팅, 음성, 메시징을 단일 작업 공간으로 통합하는 현대적인 AI 기반 고객 서비스 플랫폼입니다. 공유 인박스를 관리하고, 워크플ロー 자동화 및 실시간 협력을 가능하게 하며, AI가 반복적인 작업을 처리하는 동안 티켓 라우팅, 응답 작성, 데이터 분석을 처리합니다. 이 플랫폼은 레거시 헬프 데스크 시스템을 더 직관적이고 확장 가능한 솔루션으로 대체하여 조직이 응답 시간을 개선하고 성능 메트릭을 추적하며 채널 전체에서 일관된 고객 경험을 제공하는 것을 도와줍니다. 현재 10,000개 이상의 팀이 전 세계적으로 신뢰하고 있습니다.

당신의 경력 초기에 Mentor Graphics에서 고급 하드웨어 에뮬레이션 시스템을 작업했습니다. 그 후 Mobicules를 공동 설립하여 3명으로 시작하여 35명으로 성장했습니다. 그리고 나서 Hiver를 출시했습니다. 그 깊은 기술적 기반과 초기 확장 경험은 어떻게 고객 지원 환경에서 안정적으로 작동하는 AI를 구축하는 데 영향을 주었나요?

하드웨어 에뮬레이션 시스템에서 일하는 것은 신뢰성에 대한 생각을 형성합니다. 이러한 시스템은 복잡한 설계가 실제 조건을 만났을 때 다르게 작동하기 때문에 존재합니다. 에지 케이스가 나타나고, 구성 요소 간의 상호 작용이 결과를 변경하며, 깨끗한 모델이 깨집니다. 이러한 사고 방식은 고객 지원 환경에 직접적으로 적용됩니다. 대화는 컨텍스트가 없는 상태로 도착하고, 감정적 긴급성과 여러 내부 시스템에 대한 의존성이 있습니다.

회사를 확장하는 것은 또 다른 복잡성의 층을 노출합니다. 팀이 성장함에 따라 운영 마찰이 매우 명확해집니다. 에이전트는 여러 도구에서 정보를 조각조각 모으고 내부적으로 조정하기 전에 응답하기 위해 시간을 보냅니다. 이러한 경험은 Hiver에서 우리의 생각을 형성했습니다. 우리는 지원 생애 주기 전체를 살펴보고, 요청이 도착한 시점부터 해결될 때까지 어디에서 AI가 그 마찰을 제거할 수 있는지 묻습니다. 따라서 팀은 더 많은 에너지를 문제 해결에 집중할 수 있습니다.

Hiver는 고객 지원에서 바쁜 일들을 제거하는 데 AI를 사용하는 것을 강조합니다. 고객 지원에서 유용한 자동화와過度 자동화 사이의 경계를 어디에 두시나요?

지원 작업에는 최종 응답에 나타나지 않는 많은 운영 노력이 포함됩니다. 에이전트는 요청을 분류하고, 정책을 검색하고, 계정 정보를 끌어오고, 긴 대화 기록을 추적하기 전에 무엇을 말할지 결정하기 전에 시간을 보냅니다. AI는 그 기본 작업을 잘 처리합니다. 시스템이 스레드를 요약하거나 올바른 지식 문서를 올바른 순간에 표면화할 때, 에이전트는 상황에 대한 더 명확한 이해를 시작으로 대화를 시작합니다.

판단은 대화가 감정, 책임, 모호함을 포함할 때 나타납니다. 화난 고객이나 서비스 실패는 응답이 프레임되는 방식에 대한 해석과 주의가 필요합니다. AI는 그 순간에 컨텍스트와 제안을 제공할 수 있지만, 최종 결정은 고객 경험을 책임지는 사람에게 있습니다.

많은 AI 도구는 제품 데모에서 인상적이지만 일상적인 생산 사용에서 어려움을 겪습니다. 높은 볼륨의 지원 인박스 내에서 일관되게 작동하는 AI와 데모에서 잘 작동하는 AI 사이의 차이를 무엇이라고 생각하시나요?

데모는 깨끗한 시나리오를 캡처합니다. 질문은 예측 가능하고, 지식 베이스는 조직되어 있으며, 시스템이 응답을 생성합니다. 실제 지원 작업은 거의 그렇게 진행되지 않습니다. 요청은 부분 정보로 도착하고, 대화는 여러 교환으로 확장되고, 에이전트는 상황이 명확해지기 전에 다른 팀이나 시스템의 입력이 필요할 수 있습니다.

생산에서 분명해지는 한 가지 교훈은 응답 자체가 작업의 일부만이라는 것입니다. 많은 노력은 상황을 이해하고 어떻게 진행해야 하는지 결정하는 데 있습니다. AI는 그 작업 흐름을 지원할 때 더 잘 작동합니다. 에이전트가 대화의 컨텍스트를 빠르게 이해하는 것은 인박스가 채워질 때 의미있는 차이를 만듭니다.

Hiver는 새로운 시스템으로 팀을 강제하지 않고 기존 커뮤니케이션 워크플로에 통합됩니다. 빠르게 움직이는 환경에서 AI를 배포할 때 “사용자에게 이미 작업하는 곳에서 만난다”라는 철학이 얼마나 중요한가요?

그것은 매우 중요합니다. 지원 팀은 이미 압박하에 작동합니다. 새로운 도구가 그들에게 작업 방식을 변경하거나 시스템 사이를 이동하도록 요청하면 마찰이 즉시 나타납니다. 대부분의 지원 대화는 여전히 이메일에서 시작하며, 그 대화 주변의 작업은 다른 시스템에서 컨텍스트를 끌어오고 내부적으로 동료와 조정하는 것을 포함합니다. AI가 그 환경 외부에 있으면 에이전트는 기술을 사용하기 위해 추가 작업을 해야 합니다.

우리는 지능이 이미頼하고 있는 워크플로 내에서 나타날 때 팀이 더 빠르게 이동한다는 것을 보았습니다. 에이전트가 긴 이메일 스레드를 열면 즉시 대화의 요약, 관련 고객 컨텍스트 및 문제를 진행시키는 데 도움이 되는 제안을 볼 수 있습니다. 이러한 작은 시프트는 상황을 재구성하는 데 보낸 시간을 줄이고 에이전트가 문제 자체를 해결하는 데 더 많은 공간을 제공합니다.

지원 팀은 특히 화난 고객이나 긴급한 문제를 처리할 때 강한 압박하에 작동합니다. 높은 압박 상황에서 인지 부하를 줄이지 않고 마찰을 추가하지 않는 AI 시스템을 어떻게 설계하시나요?

지원 작업은不断적인 주의 요구를 đặt습니다. 에이전트는 각기 다른 톤, 긴급성 및 기록을 가진 수십 개의 대화를 동시에 처리할 수 있습니다. 많은 정신적 노력은 상황을 재구성하기 전에 투입됩니다.

AI는 그 노력을 줄일 때 가장 도움이 됩니다. 스레드를 열고 즉시 명확한 요약이나 관련 지식 문서를 보는 것은 상호작용의 시작점을 변경합니다. 에이전트는 상황을 이해하기 위해 더少한 시간을 보냅니다. 문제를 해결하는 데 더 많은 시간을 생각합니다.

Hiver는 10,000개 이상의 팀이 전 세계적으로 사용하고 있습니다. 초기 론칭 이후 AI 채택이 어떻게 진화하는지 관찰한 패턴은 무엇인가요? AI를 일일 워크플로에真正로 통합하는 팀과 선택적 추가 기능으로 취급하는 팀을 구분하는 것은 무엇인가요?

실제 가치를 보는 팀은 일반적으로 워크플로의 특정 순간에서 시작합니다. 에이전트가 매일 시간을 잃는 곳입니다. 대화 요약은 좋은 예입니다. 에이전트가 긴 스레드를 열고 즉시 상황을 이해할 때, 전체 상호작용은 다르게 시작됩니다. 동일한 적용이 시스템이 올바른 지식 문서나 정책을 올바른 순간에 표면화할 때에도 적용됩니다. 이러한 순간이真正로 도움이 되면 에이전트는 자연스럽게 AI를 사용하기 시작합니다. 그것은 그들의 하루를 더 쉽게 만드는 때문입니다.

또 다른 요인은 시스템을 뒷받침하는 지식의 품질입니다. AI 제안은 сильно 의존합니다. 문서화 및 프로세스에서 그들이 끌어옵니다. 명확하고 잘 유지되는 지식 베이스를 갖춘 팀은 훨씬 더 강한 채택을 보입니다. 제안은 유용하고 신뢰할 수 있기 때문입니다. 시간이 지남에 따라 AI는 팀이 작동하는 방식의 일부가 됩니다. 그것은 단순히 문제를 더 명확하게 이동하는 데 도움이 되기 때문입니다.

제품 전략 관점에서 AI 혁신의 속도와 신뢰성 및 신뢰를 유지하는 것을 어떻게 균형시킵니까? 특히 고객 관계를 손상할 수 있는 환경에서?

고객 지원은 작은 오류가 큰 결과를 초래할 수 있는 환경 중 하나입니다. 잘못된 청구 문제나 화난 고객에 대한 응답은 팀에 더 많은 작업을 생성하고 신뢰를 빠르게 손상시킬 수 있습니다. 이러한 현실은 AI가 작동하고 인간 에이전트가 지원하는 곳을 매우 의도적으로 접근하도록 강요합니다. 일부 작업, 즉 분류 또는 대화 요약은 높은 수준의 자동화를 허용할 수 있습니다. 수익, 정책 해석 또는 고객 관계에 영향을 미치는 결정은 훨씬 더 높은 수준의 확신이 필요합니다.

제품 전략은 AI 기능을 작업에 대한 신뢰성 수준과 일치시키는 것입니다. 새로운 모델과 기술이 끊임없이 나타납니다. 실제 테스트는 그들이 일상적인 지원 작업에서 일관되게 수행하는 것입니다. 이러한 시스템을 구축하는 팀은 실제로 작동하는 에이전트와ใกล이 있어야 하며, 그 피드백을 다음에 무엇을 발송할지에 대한 주요 신호로 취급해야 합니다.

5년 내에 AI가 지원 팀의 구조를 어떻게 변경시킬까요? 감독 및 판단으로 이동할까요, 아니면 완전히 새로운 작업 범주가 나타날까요?

지원 팀의 구조는 반복적인 티켓 처리를 처리하는 사람보다 적고, 복잡한 문제를 해결하는 사람보다 더 많은 사람으로 이동할 가능성이 있습니다. AI가 대화 요약, 수신 요청 조직, 응답 초안 및 데이터 분석과 같은 작업을 처리할 때, 에이전트는 상황을 이해하고 다른 팀과 조정하여 이를 해결하는 데 더 많은 시간을 보낼 것입니다. 그것은 더 이상 티켓을 큐에 넣는 것이 아니라 고객 문제의 결과를 소유하는 것입니다.

팀은 또한 유용한 AI를 만드는 시스템을 책임지는 사람들을 필요로 할 것입니다. AI 지원은 정확한 문서화, 명확한 프로세스 및 신뢰할 수 있는 지식 소스에 크게 의존합니다. 이러한 시스템을 유지하는 것은 지속적인 일이 됩니다. 따라서 지원 조직은 지식, 워크플로 개선 및 AI가 제품 및 정책이 발전함에 따라 계속 유용한 지침을 제공하는 것을 책임지는 사람들을 추가할 가능성이 있습니다.

Hiver는 경쟁적인 헬프 데스크 시장에서 운영됩니다. 기존 플랫폼이 적응하지 못한 고객 기대에 대한 근본적인 변화는 무엇이라고 생각하시나요?

고객은 점점 더 지속성을 기대합니다. 그들은 조직이 이전 상호작용을 기억하고 전체 대화에 걸쳐 그 컨텍스트를 유지하기를 원합니다. 여러 교환에 걸쳐 정보를 반복하는 것은 빠르게 화가 납니다.

지원 문제는 지원 팀 자체를 넘어섭니다. 제품 팀, 운영 팀 및 계정 관리자가 해결에 기여할 수 있습니다. 통신 및 운영 컨텍스트를 동일한 워크플로에 가져오는 플랫폼은 시작부터 끝까지 문제의 소유권을 명확하게 유지하는 데 도움이 됩니다.

앞으로, AI 우선 세계에서 “훌륭한 고객 지원”은 어떤 모습일까요? 그리고 어떤 기능이 고객을 지원하는 회사와 뒤처지는 회사之间의 차이를 만들까요?

AI 우선 세계의 훌륭한 지원은 단순히 고객에게 더 쉽게 느껴질 것입니다. 고객이 도움을 청하고, 팀이 상황을 빠르게 이해하고, 대화가 불필요한 노력 없이 진행됩니다. 기술은 대부분 보이지 않습니다. 고객이 주목하는 것은 문제가 이해되고 해결되는 것입니다.

지원을 운영하는 팀에게 그것은 대화가 시작될 때 올바른 컨텍스트를 갖는 것입니다. AI는 정보를 구성하고 중요한 것을 표면화하는 데 도움이 되며, 에이전트는 고객을 이해하고 문제를 해결하는 데 집중합니다. 그 클라리티와 상호작용의 연속성에 대한 지원 운영을 구축하는 회사들이 번창할 것입니다.

훌륭한 인터뷰에 감사드립니다. 더 많은 정보를 배우고 싶은 독자는 Hiver를 방문하십시오.