Niraj Ranjan, Oprichter en CEO van Hiver – Interviewreeks

Niraj Ranjan, oprichter en CEO van Hiver, is een ervaren ondernemer en technoloog die zijn carrière heeft opgebouwd op het snijvlak van software-engineering, productontwikkeling en klantenservice. Hij richtte Hiver op in 2017 om klantenservice-software opnieuw uit te vinden, waarbij hij zijn eerdere ervaring als mede-oprichter van Mobicules gebruikte, waar hij het bedrijf van een klein team naar een 35-koppige onderneming uitbreidde terwijl hij hands-on werkte als zowel programmeur als architect. Voordat hij ondernemer werd, werkte hij bijna vijf jaar bij Mentor Graphics aan het ontwikkelen van geavanceerde emulatiesoftware voor FPGA-gebaseerde systemen, een ervaring die zijn aanpak voor het bouwen van hoogwaardige, schaalbare producten en het creëren van sterke ingenieurscultures vormde.

Hiver is een moderne AI-gebaseerde klantenservice-platform ontworpen om communicatiekanalen zoals e-mail, chat, spraak en messaging te verenigen in een enkele workspace. Het stelt teams in staat om gedeelde inboxes te beheren, workflows te automatiseren en in real-time samen te werken terwijl AI repetitieve taken zoals ticket-routing, responsopmaak en gegevensanalyse afhandelt. Het platform is ontworpen om legacy-helpdesksystemen te vervangen door een meer intuïtieve en schaalbare oplossing, waardoor organisaties hun responstijden kunnen verbeteren, prestatieparameters kunnen bijhouden en consistente klantenservicemogelijkheden kunnen bieden over alle kanalen, en wordt vertrouwd door meer dan 10.000 teams wereldwijd.

Vroeg in uw carrière bij Mentor Graphics, werkte u aan geavanceerde hardware-emulatiesystemen die complexe elektronische ontwerpen simuleerden voordat ze fysiek werden gebouwd. Later richtte u Mobicules op en breidde u het uit van een driemansstartup naar een 35-koppige onderneming voordat u Hiver lanceerde. Hoe hebben die diepe technische fundamenten en vroege schaalerfaringen uw aanpak voor het bouwen van AI die betrouwbaar werkt in echte, hoge-druksupportomgevingen, gevormd?

Het werken aan hardware-emulatiesystemen vormt hoe je denkt over betrouwbaarheid. Die systemen bestaan omdat complexe ontwerpen anders gedragen als ze in echte omstandigheden terechtkomen. Randgevallen verschijnen, interacties tussen componenten veranderen de resultaten en het schone model breekt af. Die mentaliteit draagt direct over naar klantenservice-omgevingen. Conversaties komen met ontbrekende context, emotionele urgentie en afhankelijkheden van meerdere interne systemen.

Het opschalen van een bedrijf onthult een andere laag van complexiteit. Als teams groeien, wordt operationele wrijving heel zichtbaar. Agenten besteden tijd aan het in elkaar passen van informatie uit verschillende tools en coördineren intern voordat ze zelfs maar kunnen reageren. Die ervaring heeft ons denken bij Hiver gevormd. We kijken naar de hele supportlevenscyclus, van het moment dat een verzoek binnenkomt tot het moment dat het is opgelost, en vragen waar AI die wrijving kan wegnemen, zodat teams meer energie kunnen besteden aan het oplossen van het probleem.

Hiver benadrukt het gebruik van AI om tijdrovende taken te verwijderen in plaats van menselijke oordeel of empathie te vervangen. Waar trekt u de grens tussen nuttige automatisering en over-automatisering in klantenservice?

Ondersteuningswerk bevat veel operationele inspanning die nooit zichtbaar wordt in de definitieve reactie. Agenten categoriseren verzoeken, zoeken naar beleid, halen accountinformatie op en traceren lange conversatiegeschiedenissen voordat ze kunnen beslissen wat te zeggen. AI behandelt die voorbereidende werkzaamheden goed. Als een systeem een draad kan samenvatten of het juiste kennisartikel op het juiste moment naar voren kan brengen, begint de agent de conversatie met een veel duidelijker begrip van de situatie.

Oordeel komt in beeld als de conversatie emotie, verantwoordelijkheid of ambiguïteit betreft. Een gefrustreerde klant of een servicestoring vereist interpretatie en zorg in de manier waarop de reactie wordt geformuleerd. AI kan context en suggesties bieden in die momenten, hoewel de definitieve beslissing over toon en oplossing bij de persoon blijft die verantwoordelijk is voor de klantenservice.

Veel AI-hulpmiddelen zien er indrukwekkend uit in productdemonstraties, maar worstelen in de dagelijkse productiegebruik. Wat hebt u geleerd over de kloof tussen AI die goed demonstreert en AI die consistent goed presteert in hoge-volumeklantenservice-inboxen?

Een demonstratie vat een schone scenario samen. De vraag is voorspelbaar, de kennisbasis is georganiseerd en het systeem produceert een reactie. Echte ondersteuningswerk verloopt zelden op die manier. Verzoeken komen met gedeeltelijke informatie, de conversatie strekt zich uit over meerdere uitwisselingen en de agent heeft vaak input van andere teams of systemen nodig voordat de situatie duidelijk is.

Een les die duidelijk wordt in productie, is dat de reactie zelf slechts een onderdeel van de taak is. Veel van de inspanning zit rondom het begrijpen van wat er is gebeurd en het beslissen hoe het probleem verder moet gaan. AI houdt het veel beter vol als het die werkstroom ondersteunt. Het helpen van agenten om de context van een conversatie snel te begrijpen, maakt een significante verschil als de inbox begint vol te raken.

Hiver integreert naadloos in bestaande communicatie-workflows in plaats van teams te dwingen om naar helemaal nieuwe systemen te gaan. Hoe belangrijk is deze “ontmoet gebruikers waar ze al werken”-filosofie bij het inzetten van AI in snel veranderende omgevingen?

Het is heel belangrijk, omdat ondersteuningsteams al onder druk opereren. Als een nieuw hulpmiddel hen vraagt om hun manier van werken te veranderen of tussen systemen te springen, wordt de wrijving meteen zichtbaar. De meeste ondersteuningsconversaties beginnen nog steeds met e-mail, en het werk rond die conversaties omvat het ophalen van context uit andere systemen en coördineren met collega’s. Als AI buiten die omgeving zit, moet de agent extra werk doen om de technologie te gebruiken.

We hebben gezien dat teams veel sneller bewegen als de intelligentie binnen de workflow verschijnt die ze al vertrouwen. Een agent die een lange e-maildraad opent, kan meteen een samenvatting van de conversatie zien, de relevante klantcontext en suggesties die helpen om het probleem verder te helpen. Die kleine verschuiving vermindert de tijd die wordt besteed aan het reconstrueren van wat er is gebeurd en geeft de agent meer ruimte om zich te concentreren op het oplossen van het probleem zelf.

Ondersteuningsteams opereren vaak onder intense druk, vooral bij het omgaan met gefrustreerde klanten of dringende kwesties. Hoe ontwerpt u AI-systemen die de cognitieve belasting verlagen in plaats van wrijving toe te voegen in die momenten?

Ondersteuningswerk legt een constante vraag op de aandacht. Een agent kan tientallen conversaties tegelijk afhandelen, elk met zijn eigen toon, urgentie en geschiedenis. Veel van de mentale inspanning gaat naar het reconstrueren van de situatie voordat ze kunnen reageren.

AI helpt het meest als het die inspanning vermindert. Het openen van een draad en meteen een duidelijke samenvatting of het relevante kennisartikel zien, verandert het startpunt van de interactie. De agent besteedt minder tijd aan het in elkaar passen van wat er is gebeurd en meer tijd aan het denken over de beste manier om het probleem op te lossen.

Met meer dan 10.000 teams die Hiver wereldwijd gebruiken, welke patronen hebt u waargenomen in hoe AI-adoptie evolueert na de initiële rollout? Wat onderscheidt teams die AI echt integreren in hun dagelijkse workflows van diegenen die het behandelen als een optioneel add-on?

De teams die echt waarde zien van AI, beginnen meestal met een paar specifieke momenten in de workflow waar agenten elke dag tijd verliezen. Conversatiesamenvattingen zijn een goed voorbeeld. Als een agent een lange draad opent en meteen begrijpt wat er is gebeurd, begint de hele interactie anders. Hetzelfde geldt als het systeem het juiste helpartikel of beleid naar voren brengt om de vraag te beantwoorden. Als die momenten echt helpen, beginnen agenten de AI natuurlijk te gebruiken omdat het hun dag gemakkelijker maakt.

Het andere factor is de kwaliteit van de kennis achter het systeem. AI-suggesties zijn sterk afhankelijk van de documentatie en processen waaruit ze putten. Teams met duidelijke, goed onderhouden kennisbases zien over het algemeen een sterkere adoptie, omdat de suggesties nuttig en betrouwbaar blijven. Na verloop van tijd wordt de AI onderdeel van hoe het team werkt, simpelweg omdat het hen helpt om door conversaties heen te werken met meer duidelijkheid.

Vanuit een productstrategieperspectief, hoe balanceert u de snelheid van AI-innovatie met het behouden van betrouwbaarheid en vertrouwen — vooral in omgevingen waar fouten klantrelaties kunnen schaden?

Klantenservice is een van die omgevingen waar kleine fouten onevenredig grote gevolgen hebben. Een reactie die een factuurprobleem verkeerd begrijpt of een gefrustreerde klant kan meer werk voor het team creëren en vertrouwen snel schaden. Die realiteit dwingt een zeer doordachte aanpak af voor waar AI actie onderneemt en waar het de menselijke agent ondersteunt. Sommige taken, zoals categorisatie of conversatiesamenvatting, tolereren een hoge mate van automatisering. Beslissingen die omzet, beleidsinterpretatie of klantrelaties beïnvloeden, vereisen een veel hoger niveau van zekerheid.

Productstrategie wordt een oefening in het matchen van AI-mogelijkheden met het niveau van betrouwbaarheid dat een taak vereist. Nieuwe modellen en technieken verschijnen constant, maar de echte test is of ze consistent presteren in dagelijkse ondersteuningsoperaties. De teams die deze systemen bouwen, moeten dicht bij de manier van werken van agenten blijven en die feedback behandelen als het primaire signaal voor wat als volgende moet worden uitgebracht.

Hoe denkt u dat AI de structuur van ondersteuningsteams zal veranderen in de komende vijf jaar? Zal de verschuiving plaatsvinden naar toezicht en oordeel, of zullen helemaal nieuwe categorieën van werk ontstaan?

De structuur van ondersteuningsteams zal waarschijnlijk verschuiven naar minder mensen die repetitieve ticketverwerking afhandelen en meer mensen die zich richten op het oplossen van complexe problemen. Als AI taken zoals conversatiesamenvatting, inkomende verzoeken organiseren en reacties helpen opstellen, zullen agenten meer tijd besteden aan het begrijpen van wat er werkelijk in een situatie is gebeurd en coördineren met andere teams om het op te lossen. Het wordt minder over het verplaatsen van tickets door een wachtrij en meer over het bezitten van de uitkomst van het klantprobleem.

Teams zullen ook mensen nodig hebben die verantwoordelijk zijn voor de systemen die AI nuttig maken. AI-ondersteunde ondersteuning is sterk afhankelijk van accurate documentatie, duidelijke processen en betrouwbare kennisbronnen. Het onderhouden van die systemen wordt een voortdurende taak, dus ondersteuningsorganisaties zullen waarschijnlijk taken toevoegen die zich richten op het beheren van kennis, het verbeteren van workflows en het zorgen dat AI blijft bieden wat nuttige richtlijnen biedt naarmate producten en beleid evolueren.

Hiver opereert in een concurrerende helpdeskmarkt. Welke fundamentele verschuivingen in klantverwachtingen denkt u dat legacy-platforms niet zijn aangepast?

Klanten verwachten steeds meer continuïteit als ze contact opnemen voor ondersteuning. Ze willen dat de organisatie eerder interacties onthoudt en die context door de hele conversatie heen meeneemt. Het herhalen van informatie over meerdere uitwisselingen wordt snel frustrerend.

Ondersteuningsproblemen gaan ook verder dan het ondersteuningsteam zelf. Productteams, operationele teams en accountmanagers dragen vaak bij aan de oplossing. Platforms die communicatie en operationele context in dezelfde workflow brengen, maken het gemakkelijker om de eigenaar van het probleem duidelijk te houden van begin tot einde.

Als we vooruitkijken, wat ziet “geweldige klantenservice” eruit in een AI-geleide wereld — en welke capaciteiten zullen bedrijven die floreert onderscheiden van diegenen die achterblijven?

Geweldige ondersteuning in een AI-geleide wereld zal voor de klant gewoon gemakkelijker aanvoelen. Ze nemen contact op, het team begrijpt de situatie snel en de conversatie gaat verder zonder veel heen en weer te hoeven reconstrueren wat er is gebeurd. De technologie erachter blijft grotendeels onzichtbaar. Wat klanten opmerken, is dat hun probleem wordt begrepen en opgelost zonder onnodige inspanning.

Voor de teams die ondersteuning uitvoeren, komt die ervaring voort uit het hebben van de juiste context beschikbaar op het moment dat een conversatie begint. AI helpt bij het organiseren van informatie en het naar voren brengen van wat belangrijk is, terwijl de agent zich richt op het begrijpen van de klant en het leiden van het probleem naar de oplossing. De bedrijven die floreert zullen degenen zijn die hun ondersteuningsoperaties opbouwen rond die duidelijkheid en continuïteit in de interactie.

Bedankt voor het geweldige interview. Lezers die meer willen leren, kunnen Hiver bezoeken.