Mark Hughes, mede-oprichter en CEO van Solidroad – Interviewreeks

Mark Hughes, mede-oprichter en CEO van Solidroad, is een ondernemer die zijn carrière heeft opgebouwd op het snijvlak van verkoop, klantenservice en technologie. Hij was eerder de oprichter van Gradguide, een carrière- en wervingsplatform dat 2 miljoen euro ophaalde en later werd overgenomen, en bekleedde senior commerciële functies bij Chargify, waar hij de EMEA-operaties leidde na de fusie met Maxio. Eerder in zijn carrière ontwikkelde hij diepgaande expertise in high-velocity en enterprise-verkoop bij Intercom, waar hij complexe deal-cycli beheerde en hielp om omzetteams te schalen. Vandaag leidt hij Solidroad vanuit San Francisco, waar hij die ervaring toepast om na te denken over hoe bedrijven klantinteracties kunnen evalueren en verbeteren met behulp van AI, met een focus op het verhogen van de kwaliteitsstandaard voor zowel menselijke als geautomatiseerde ondersteuningssystemen.

Solidroad is een AI-gebaseerd kwaliteitsborgings- en trainingsplatform ontworpen voor moderne klantenserviceteams, gebouwd om elke klantinteractie op grote schaal te analyseren en te verbeteren. Het platform neemt conversaties over van kanalen, evalueert de prestaties tegen de standaarden van het bedrijf en genereert persoonlijke trainingsimulaties om zowel menselijke agenten als AI-systemen voortdurend te optimaliseren. In plaats van klantenserviceteams te vervangen, richt Solidroad zich op het verbeteren ervan, waarbij elke interactie wordt omgezet in een feedbacklus die resultaten zoals responskwaliteit, efficiëntie en klanttevredenheid verbetert. Het bedrijf positioneert zichzelf als infrastructuur voor high-performing CX-teams, waardoor organisaties consistentie, hoge kwaliteit en ervaringen kunnen bieden zonder operationele kosten te verhogen.

De meeste bedrijven vertrouwen nog steeds op het beoordelen van een kleine steekproef van klantinteracties om de prestaties te evalueren. Wat overtuigde u ervan dat deze aanpak fundamenteel defect is, en hoe leidde die realisatie tot de ontwikkeling van Solidroads benadering van continue monitoring, scoring en verbetering van zowel menselijke als AI-agenten?

Patrick en ik hadden allebei jarenlang met klantenserviceteams gewerkt voordat we Solidroad oprichtten, en één probleem bleef steeds naar voren komen: bedrijven hadden honderdduizenden gesprekken met klanten, maar als je hen vroeg hoe die gesprekken eigenlijk verliepen, wisten ze het niet echt. En wat ze wisten, was gebaseerd op zo’n kleine steekproef van de interacties dat het niet nauwkeurig was.

Dat was al een zwakke basis toen mensen elke ticket afhandelden. Nu AI in beeld komt, zijn de inzetten veranderd. Één slecht patroon kan zich over duizenden gesprekken tegelijk uitstrekken en onopgemerkt blijven omdat de meeste teams slechts 1-2% van de interacties beoordelen.

We zagen dit gebeuren bij bedrijven om en om again en ze verloren klanten als gevolg, dus besloten we een oplossing te creëren. We erkenden dat dit uiteindelijk een infrastructuurprobleem was. Bedrijven hadden gewoonweg geen systemen om de prestaties van hun klantenservicemedewerkers echt te begrijpen.

Solidroad is gebouwd om die blind spot aan te pakken. We geven bedrijven de tools om te zien wat er echt gebeurt op grote schaal en ervoor te zorgen dat elk gesprek – menselijk, AI of beide – waarde levert.

Solidroad wordt beschreven als een “vluchtsimulator” voor klantgerichte teams. Kunt u ons door de manier leiden waarop uw AI echt klantinteracties simuleert, en wat maakt die simulaties effectief voor training op grote schaal?

De vluchtsimulator-analogie werkt omdat het centrale idee hetzelfde is. U wilt niet dat iemands eerste ervaring met het afhandelen van een moeilijke situatie plaatsvindt in het bijzijn van een echte klant.

Wat onze simulaties effectief maakt, is dat ze gebaseerd zijn op wat er echt gebeurt in de echte conversaties van dat bedrijf. Wanneer een agent iets verkeerd doet in een live-interactie, genereert het systeem een gerichte simulatie rond precies dat type scenario, zodat ze het kunnen oefenen voordat het weer gebeurt. Het is geen generieke trainingsinhoud.

De feedbacklus is wat het leren aandrijft. Agenten gaan door een scenario, krijgen specifieke richtlijnen over wat wel en niet werkte, en proberen het opnieuw. Fouten gebeuren in een veilige omgeving, en het leren blijft hangen omdat het gekoppeld is aan echte situaties in plaats van abstracte klaslokaal-oefeningen.

Uw platform traint niet alleen agenten, maar scoort ook live-interacties tegen aangepaste richtlijnen. Hoe ontwerpt u deze scoresystemen om echte bedrijfsresultaten zoals CSAT, retentie of omzet te weerspiegelen?

Om deze richtlijnen te maken, beginnen we altijd met wat dat specifieke bedrijf echt belangrijk vindt. Een financieel dienstverleningsbedrijf dat betalingsgeschillen afhandelt, heeft andere kwaliteitsstandaarden dan een e-commerce-merk dat retourzendingen beheert tijdens het hoogseizoen. Dus scoring is gebouwd rond de eigen richtlijnen van elke organisatie, hun beleid, hun merkstem en wat een goed resultaat voor hen lijkt.

En bedrijfsresultaten zoals verbeterde CSAT-scores en retentie komen voort uit hoge kwaliteit klantinteracties. In plaats van scores retroactief te volgen, richten we ons op het gedrag dat die resultaten voorspelt: consistent presteren over agenten, het volgen van de juiste processen en de zachte vaardigheden die bepalen hoe klanten zich aan het einde van een gesprek voelen.

Het doel is om leiders een duidelijk, praktisch beeld te geven van wat goed is voor hun bedrijf, zodat ze hun teams kunnen coachen, succes kunnen repliceren en het kunnen laten groeien in hun organisatie.

Veel bedrijven beoordelen slechts een kleine percentage van klantconversaties. Hoe maakt Solidroad een volledige dekking mogelijk, en welke inzichten worden mogelijk wanneer u overschakelt van steekproeven naar het analyseren van alles?

Onze recente State of CX-enquête toonde aan dat ongeveer 81% van de ondersteuningsconversaties nooit voor kwaliteit worden beoordeeld, waardoor teams slechts een klein deel van de conversaties beoordelen en hopen dat het representatief is. Wanneer een bedrijf elke klantinteractie begint te evalueren, worden patronen die nooit in een steekproef naar voren zouden komen, duidelijk. Teams beginnen te zien welke soorten verzoeken consistent slecht worden afgehandeld, waar AI- en menselijke agenten op onverwachte wijze afwijken en welke problemen terugkeren voordat ze ooit in een klacht naar voren komen.

Solidroad gebruikt AI om elke klantconversatie automatisch te beoordelen via chat, e-mail en spraak, waardoor volledige dekking mogelijk wordt. Die overgang van steekproeven naar 100% beoordeling is wat consistentie in kwaliteit, klantwrijving en prestaties onthult die anders verborgen zouden blijven.

Crypto.com is een goed voorbeeld van wat volledige dekking ontgrendelt. Voordat Solidroad hun team had, hadden ze geen betrouwbare manier om de kwaliteit van agenten op grote schaal te meten of te verifiëren of agenten klaar waren om live-tickets af te handelen. Problemen kwamen alleen aan het licht nadat ze al klanten hadden beïnvloed. Door over te schakelen naar geautomatiseerde scoring over 800.000 maandelijkse conversaties, konden ze kwaliteitsproblemen vroeg signaleren, agenten valideren voordat ze werden ingezet en bevestigen dat verbeteringen echt effect hadden. De resultaten waren een vermindering van 18% in de gemiddelde afhandeltijd en een stijging van 3% in CSAT (wat significant is op de schaal waarop ze opereren). Naarmate hun conversatievolume blijft groeien, schaalt hun kwaliteitszichtbaarheid mee in plaats van verder achterop te raken.

Dat is echt wat volledige dekking verandert. Het verandert kwaliteit van iets reactiefs in iets proactiefs dat van tevoren kan worden beheerd.

U werkt met bedrijven zoals Crypto.com en Ryanair, waar klantenservice essentieel is. Welke patronen of zwakheden hebt u geïdentificeerd bij grote ondersteuningsteams?

Een aantal dingen komen consistent naar voren. Het eerste is de kloof tussen wat bedrijven denken dat er gebeurt in hun klantconversaties en wat er echt gebeurt. De meeste teams zijn vertrouwd in hun ondersteuningskwaliteit totdat ze volledige zichtbaarheid krijgen, dan realiseren ze zich dat het beeld ingewikkelder is dan hun metrieken aanvankelijk suggereerden.

Er is ook een consistent onderscheid tussen hoe teams prestaties meten en wat de klantresultaten echt aandrijft. Snelheidsmetrieken en tickettellingen zijn gemakkelijk te volgen, dus ze hebben de neiging de evaluaties te domineren. Maar die cijfers vertellen bedrijven niet of het probleem van de klant werd opgelost, of de agent het merk nauwkeurig vertegenwoordigde, of of de interactie de klant een goed gevoel over het bedrijf gaf. In hoge-inzetomgevingen zoals fintech of gezondheidszorg kan die misalignering tussen meting en resultaat ernstige gevolgen hebben.

Er is een groeiende bezorgdheid dat AI in klantenservice de menselijke ervaring kan verslechteren. Hoe waarborgt u dat uw systeem de kwaliteit verbetert in plaats van teams naar te veel geschreven of robotachtige interacties te duwen?

Het is een geldige bezorgdheid, maar één die meestal voortkomt uit QA-systemen (kwaliteitsborging) die AI voor de verkeerde dingen gebruiken. Als een bedrijf agenten alleen scoort op basis van naleving van een script of hoe snel ze een ticket sluiten, zullen ze eindigen met interacties die technisch de vakjes aanvinken, maar hol of onpersoonlijk voor de klant aanvoelen.

Onze aanpak is om scoring te bouwen rond wat een klant echt laat voelen dat hij ondersteund wordt. We kijken naar dingen zoals of de agent actief luisterde, empathie toonde wanneer nodig en de klant daadwerkelijk hielp om zijn probleem op te lossen.

Hetzelfde geldt voor AI-agenten. Het doel is om AI te gebruiken om klantinteracties consistent, nauwkeurig en adequaat te maken voor wat de klant echt meemaakt. Wanneer kwaliteitscontrole is gebouwd rond die resultaten in plaats van alleen procesconformiteit, duwt het interacties meestal in een betere richting, niet in een meer geschreven richting.

Solidroad bevindt zich op het snijvlak van menselijke agenten en AI-agenten. Hoe ziet u de relatie tussen de twee evolueren, vooral nu AI meer frontline-interacties begint af te handelen?

Het is belangrijk om menselijke agenten en AI-agenten als een team te zien, waarbij de verdeling van het werk wordt gesplitst. Ik denk dat de toekomst voor menselijke en AI-agenten hybride is.

AI behandelt high-volume, eenvoudige verzoeken heel goed, en de beste AI-agenten lossen de meeste van die conversaties zelfs op, wat echt indrukwekkend is.

Maar het resultaat daarvan is dat de interacties die menselijke agenten bereiken, steeds complexer, emotioneel geladen en hoogrisico zijn. De klant die gefrustreerd is, de situatie die niet past in een standaard sjabloon, het gesprek dat echt oordeel vereist. Dus de lat voor menselijke agenten stijgt eigenlijk, niet daalt.

Dat is precies waarom toezicht op beide zo belangrijk wordt. AI moet zijn volume consistent en nauwkeurig afhandelen. Mensen moeten goed worden voorbereid op de moeilijkere gesprekken die ze nu voornamelijk afhandelen. En er moet een onafhankelijke laag over beide zitten, waardoor bedrijven een duidelijk beeld krijgen van wat werkt en wat niet. Dat is het hybride model dat we denken dat CX gaat definiëren en waar we naar toe werken.

Uw systeem biedt real-time feedback en coaching. Hoe belangrijk is onmiddellijkheid bij het verbeteren van de prestaties van agenten, en hoe vergelijkt dit met traditionele trainings- en QA-werkprocessen?

Onmiddellijkheid is echt belangrijk, en het onderzoek ondersteunt dat feedback het meest effectief is wanneer het is gekoppeld aan de specifieke situatie die het genereerde. Traditionele QA-werkprocessen breken die verbinding bijna van nature. Een manager beoordeelt een conversatie dagen of weken na het gebeuren, deelt feedback in een periodieke beoordeling en tegen die tijd heeft de agent al tientallen andere interacties gehad waarin die fout waarschijnlijk werd herhaald. Zonder feedback te geven in real-time, blijven fouten bestaan en moeten agenten de praktijken die ze altijd gebruiken, afleren.

Wat we hebben gevonden, is dat feedback het meest effectief is wanneer het onmiddellijk na een echte conversatie naar voren komt. Het werkt het beste wanneer het rechtstreeks is gekoppeld aan wat de agent net heeft afgehandeld en wordt gepaard met een specifieke simulatie die ze meteen kunnen uitvoeren. In dit formaat vertaalt het zich in werkelijke gedragsverandering veel sneller. Agenten horen niet alleen dat ze moeten verbeteren, ze oefenen de verbetering in context, terwijl het nog vers is.

De contrast met traditionele onboarding is het duidelijkste voorbeeld hiervan. Onze gegevens laten zien dat meer dan de helft van de menselijke agenten zegt dat het moeilijkste deel van onboarding is om wat ze in de training hebben geleerd toe te passen op echte klantsituaties. Die discrepantie bestaat omdat klaslokaalonderwijs en live-ondersteuning niets te maken hebben. Continue, situatiegebonden feedback lost dit op een manier op die periodieke beoordelingen nooit echt konden.

U hebt verbeteringen laten zien zoals verkorte onboardingtijd en hogere CSAT. Welke metriek zijn klanten het meest geïnteresseerd in bij het aannemen van uw platform, en hoe demonstreert u ROI vroeg in de relatie?

Het varieert afhankelijk van waar de pijnplekken van de klant liggen, maar de twee dingen die het meest naar voren komen, zijn kwaliteitsborging en tijdbesparing. Teams die handmatig een klein deel van de conversaties beoordelen, zien onmiddellijk de waarde in het overschakelen naar 100% dekking, zowel voor de inzichten die Solidroad naar voren brengt als voor de uren die het teruggeeft aan hun QA-teams. Binnen onze klantenbasis zien we typisch een 20-voudige toename in QA-dekking en een vermindering van 90% in handmatige beoordelings tijd.

Op de ROI-kant proberen we uitkomsten te koppelen aan metrieken die al belangrijk zijn voor dat bedrijf. Bij Podium was de kopregel onboardingtijd. Nieuwe agenten bereikten prestatiebenchmarks in 60 dagen in plaats van 90, en losten problemen 33% sneller op zodra ze live gingen. Bij Crypto.com was het oplossingstijd en conversatievolumezichtbaarheid. Voor Ryanair werd het getoond in recruiter-uren bespaard.

De specifieke details verschillen, maar het patroon is hetzelfde: wanneer u echt kunt zien wat er gebeurt in uw klantinteracties en er snel op kunt reageren, volgen verbeteringen in de metrieken die ertoe doen.

Kijkt u vooruit, ziet u Solidroad blijven focussen op training en QA, of evolueren naar een bredere orkestratielaag voor het beheren van zowel menselijke als AI-klantinteracties?

Training en QA zijn waar we mee begonnen, maar de visie is groter dan dat. De manier waarop we erover denken, is dat kwaliteitscontrole key-infrastructuur gaat worden voor elk bedrijf dat AI in klantenservice gebruikt. Net zoals beveiligingscertificaten onmisbaar werden toen bedrijven gegevens naar de cloud verplaatsten, zal kwaliteitscertificering essentieel worden als klantconversaties naar AI gaan.

De noordster is dat “Solidroad Certified” echte betekenis heeft: bewijs dat een bedrijf een hoge standaard voor de manier waarop het klanten behandelt, ongeacht of de interactie door een persoon of AI werd afgehandeld.

Wat dat in praktijk betekent, is dat we het systeem willen zijn waarop organisaties vertrouwen om klantinteractiekwaliteit over het algemeen te beheren en te verbeteren, niet alleen om problemen op de achtergrond aan te geven. Dat is een groot deel van waarom we onze $25 miljoen Series A financiering van Hedosophia hebben opgehaald – het geeft ons de ruimte om naar die visie toe te werken. Dat omvat het uitbreiden van onze productcapaciteiten en teams om meer bedrijven te helpen 100% van hun klantinteracties te evalueren.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Solidroad bezoeken.