Niraj Ranjan, Oprichter en CEO van Hiver – Interview Serie

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, waar hij geavanceerde emulatiesoftware ontwikkelde voor FPGA-gebaseerde systemen, een ervaring die zijn aanpak voor het bouwen van high-performance, schaalbare producten en het creëren van sterke engineeringsculturen vormde.

Hiver is een modern AI-gebaseerd klantenservice-platform dat is ontworpen om communicatiekanalen zoals e-mail, chat, spraak en messaging samen te voegen in één 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 ticketroutering, responsopmaak en gegevensanalyse afhandelt. Het platform is gebouwd om legacy-helpdesksystemen te vervangen door een meer intuïtieve en schaalbare oplossing, waardoor organisaties hun responstijden kunnen verbeteren, prestatieparameters kunnen bijhouden en consistent klantenservice 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 werden gebruikt om complexe elektronische ontwerpen te simuleren voordat ze fysiek werden gebouwd. Later richtte u Mobicules op en breidde u het uit van een klein team van drie personen naar een 35-koppige onderneming voordat u Hiver lanceerde. Hoe hebben die diepe technische fundamenten en vroege ervaringen met schaalvergroting uw aanpak beïnvloed om AI te bouwen die betrouwbaar werkt in real-world, high-pressure ondersteuningsomgevingen?

Werken aan hardware-emulatiesystemen vormt uw manier van denken over betrouwbaarheid. Die systemen bestaan omdat complexe ontwerpen zich anders gedragen zodra ze echte omstandigheden tegenkomen. Randgevallen verschijnen, interacties tussen componenten veranderen de resultaten en het schone model breekt af. Die mentaliteit draagt over naar klantenservice-omgevingen. Conversaties arriveren met ontbrekende context, emotionele urgentie en afhankelijkheden over meerdere interne systemen.

Het schaalvergroten van een bedrijf onthult een andere laag van complexiteit. Naarmate teams groeien, wordt operationele wrijving zeer zichtbaar. Agents besteden tijd aan het in elkaar passen van informatie uit verschillende tools en intern coördineren voordat ze zelfs maar kunnen reageren. Die ervaring vormde onze denkwijze bij Hiver. We kijken naar de hele ondersteuningslevenscyclus, van het moment dat een verzoek arriveert tot het moment dat het is opgelost, en vragen ons af waar AI die wrijving kan verwijderen, zodat teams meer energie kunnen besteden aan het oplossen van het probleem.

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

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

Oordeel komt in beeld wanneer de conversatie emotie, verantwoordelijkheid of ambiguïteit betreft. Een gefrustreerde klant of een servicefout 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 dagelijkse productiegebruik. Wat hebt u geleerd over de kloof tussen AI die goed demonstreert en AI die consistent werkt in high-volume ondersteuningsinboxes?

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

Een les die duidelijk wordt in productie, is dat de reactie zelf slechts één 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 wanneer het de stroom van het werk ondersteunt. Het helpen van agents om de context van een conversatie snel te begrijpen, maakt een significante verschil wanneer de inbox begint vol te raken.

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

Het maakt een groot verschil, omdat ondersteuningsteams al onder druk opereren. Wanneer een nieuw hulpmiddel hen vraagt om hun manier van werken te veranderen of tussen systemen te springen, verschijnt de wrijving onmiddellijk. De meeste ondersteuningsconversaties beginnen nog steeds per 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 staat, moet de agent extra werk doen om de technologie te gebruiken.

We hebben gezien dat teams sneller bewegen wanneer de intelligentie binnen de workflow verschijnt waarop ze al vertrouwen. Een agent die een lange e-mailthread opent, kan onmiddellijk 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 verminderen in plaats van wrijving toe te voegen in die momenten?

Ondersteuningswerk legt een constante vraag op aandacht. Een agent kan tientallen conversaties in parallel 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 wanneer het die inspanning vermindert. Het openen van een thread en onmiddellijk 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 de manier waarop 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 optionele add-on?

De teams die echte waarde zien in AI, beginnen meestal met een paar specifieke momenten in de workflow waar agents elke dag tijd verliezen. Conversatiesamenvattingen zijn een goed voorbeeld. Wanneer een agent een lange thread opent en onmiddellijk begrijpt wat er is gebeurd, begint de interactie anders. Hetzelfde geldt wanneer het systeem het exacte helpartikel of beleid naar voren brengt dat nodig is om de vraag te beantwoorden. Wanneer die momenten echt helpen, beginnen agents 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 veel sterkere adoptie, omdat de suggesties nuttig en betrouwbaar blijven. Na verloop van tijd wordt AI onderdeel van de manier waarop het team werkt, simpelweg omdat het hen helpt om door conversaties te navigeren met meer duidelijkheid.

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

Klantenservice is een van die omgevingen waar kleine fouten verhoudingsgewijs grote gevolgen kunnen hebben. Een reactie die een factuurprobleem verkeerd begrijpt of een gefrustreerde klant kan meer werk voor het team creëren en vertrouwen snel beschadigen. Die realiteit dwingt een zeer bewuste aanpak af van 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 van invloed zijn op omzet, beleidsinterpretatie of klantrelaties vereisen een veel hoger niveau van zekerheid.

Productstrategie wordt een oefening in het koppelen van AI-mogelijkheden aan 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 agents blijven en dat feedback behandelen als het primaire signaal voor wat eerstvolgend 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 geheel 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. Naarmate AI taken zoals conversatiesamenvatting, inkomende verzoeken organiseren en antwoorden helpen opmaken, zullen agents meer tijd besteden aan het begrijpen van wat er echt 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 nauwkeurige documentatie, duidelijke processen en betrouwbare kennisbronnen. Het onderhouden van die systemen wordt een continue taak, dus ondersteuningsorganisaties zullen waarschijnlijk aandacht besteden aan het beheren van kennis, workflows verbeteren en ervoor zorgen dat AI blijft bieden nuttige richtlijnen naarmate producten en beleid evolueren.

Hiver opereert in een concurrerende helpdeskmarkt. Welke fundamentele verschuivingen in klantverwachtingen denkt u dat legacy-platforms niet zijn gelukt om aan te passen?

Klanten verwachten steeds vaker continuïteit wanneer ze contact opnemen voor ondersteuning. Ze willen dat de organisatie eerder interacties onthoudt en die context doorheen de hele conversatie draagt. Het herhalen van informatie over meerdere uitwisselingen wordt snel frustrerend.

Ondersteuningskwesties gaan 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 gewoon gemakkelijker aanvoelen voor de klant. Ze nemen contact op, het team begrijpt de situatie snel en de conversatie verloopt zonder veel heen-en-weer om te 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 er toe doet, terwijl de agent zich richt op het begrijpen van de klant en het probleem naar de oplossing leidt. De bedrijven die floreert, zijn degenen 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.