Rebecca Greene, CTO en mede-oprichter van Regal – Interviewreeks

Rebecca Greene, CTO en mede-oprichter van Regal, is een technisch directeur, productleider en investeerder met uitgebreide ervaring in het opbouwen van klantgerichte digitale bedrijven. Voordat ze in 2020 Regal mede-oprichtte, was ze Chief Product Officer bij Handy, waar ze het product-, ontwerp- en datateam leidde en de integratie van het bedrijf met ANGI Homeservices ondersteunde na de overname. Eerder in haar carrière werkte Greene in productmanagement bij Amazon (AMZN ) en had ze strategie-, consultancy- en financiële rollen bij Booz & Company, First Manhattan Consulting Group en Bear Stearns. Ze is ook partner bij Blue Trail Partners, waar ze founders ondersteunt bij het opbouwen van bedrijven met hoge impact.

Regal is een enterprise voice AI-platform dat contactcenters in staat stelt om autonome AI-agents te bouwen, in te zetten, te verbeteren en te beheren voor verkoop, klantenservice en operationele workflows. Het platform combineert voice-technologie, geavanceerde prompting en real-time klantgegevens om gepersonaliseerde inkomende en uitgaande conversaties te leveren, terwijl het integreert met bestaande klantrelatiemanagementsystemen, contactcenter-, telefoon- en databasesystemen. Opgericht in 2020 is het bedrijf ontworpen om ondernemingen te helpen bij het automatiseren van klantinteracties zonder hun bestaande technologie-infrastructuur te vervangen.

U heeft geholpen om Handy van een vroeg stadium startup tot een bedrijf te laten groeien dat uiteindelijk deel uitmaakte van ANGI, waardoor u eerste-hand ervaring kreeg met het opbouwen van producten door hypergroei. Welke lessen uit die reis hebben u overtuigd om Regal mede-op te richten, en welk klantervaringsprobleem kon volgens u eenvoudigweg niet worden opgelost met bestaande contactcenter-technologie?

Toen we bij ANGI waren, waren mijn mede-oprichter, Alex, en ik een contactdienstcentrum met 3.000 mensen aan het runnen dat bijna 100 miljoen klantinteracties per jaar afhandelde. Aanvankelijk was mijn doel om klanten zo min mogelijk te laten bellen, omdat iedereen in de technologie zei “voice is dead”, dus speelden we in op die anti-telefoonmentaliteit. FAQs, chatbots, het verstoppen van het telefoonnummer op de website. We deden alles wat we konden om klanten naar selfservice te duwen.

Maar klanten bleven bellen. Mensen willen echt de telefoon opnemen als iets belangrijk, dringend of te ingewikkeld is om in een tekstvak uit te leggen. Dat is wanneer we een diepere blik gingen nemen in voice als uitgaand kanaal, aangezien gegevens begonnen te laten zien dat het buitengewoon effectief was. Als u een klant wilt laten updaten van een creditcard of herinneren aan een afspraak, krijgt u met e-mail misschien een klikratio van 2%. Met telefoontjes konden we 20 tot 30% van de mensen laten antwoorden. Dat is 10 keer beter.

Het probleem was dat geen enkele bestaande contactcenter-technologie bedrijven in staat stelde om aan die vraag te voldoen tegen een betaalbare prijs. Voice-gesprekken kosten ongeveer 10 dollar per gesprek om te bemannen, dus werden de meeste bedrijven aangemoedigd om ze te vermijden, zelfs als klanten ze wilden. De kloof tussen de hoge vraag naar voice, zonder kosteneffectieve manier om het goed te leveren, is wat mijn mede-oprichter en mij ertoe bracht om Regal in 2020 op te richten.

Regal heeft nu honderden miljoenen AI-gegenereerde klantinteracties afgehandeld bij ondernemingen. Wat waren de grootste technische uitdagingen om voice AI betrouwbaar genoeg te maken voor productie op enterprise-schaal, en welke doorbraken maakten brede adoptie mogelijk?

Regal heeft onlangs de grens van 500 miljoen AI-gehandelde gesprekken bereikt, wat overeenkomt met ongeveer 408 jaar conversatie. We hebben nu 100+ AI-stemmen, 33 talen en 26 LLM’s, en hebben 9 miljard dollar aan omzet gegenereerd voor onze klanten.

Voor ons en onze klanten was de grootste uitdaging ervoor zorgen dat agents de juiste context hadden wanneer ze met een klant spraken en accurate advies gaven. We werken met bedrijven in enkele van de meest streng gereguleerde industrieën, zoals de gezondheidszorg en verzekeringen, waar het essentieel is dat de AI begrijpt wat het wel en niet kan zeggen. Dus behandelen we onze AI als medewerkers: u moet ze trainen, toezicht houden en hun prestaties constant evalueren.

De echte ontgrendeling was de komst van LLM’s met echte redenering en taalgeneratie, waardoor het voor het eerst mogelijk werd om complexe, meervoudige gesprekken te automatiseren.

Veel mensen associëren AI-stemagents nog steeds met frustrerende IVR-systemen of robotachtige chatbots. Wat is de afgelopen jaren fundamenteel veranderd, waardoor moderne stemagents in staat zijn om veel natuurlijkere conversaties te voeren?

AI-stemagents zijn compleet anders dan de IVR-systemen van het verleden. Iedereen die nog steeds een IVR gebruikt, is erg beperkt, omdat ze deterministisch zijn. Vandaag de dag redeneren agents echt door een conversatie, net zoals een persoon dat zou doen, met behulp van LLM’s voor taalgeneratie en aangedreven door context en gegevens van 500 miljoen eerdere conversaties. In combinatie met betere voice-kwaliteit, verbeterde latentietijd en meer natuurlijke conversatielogica, kunnen de meeste van onze klantenklanten vandaag de dag echt niet vertellen dat ze met AI praten, of het kan ze niet schelen, zolang het de gewenste output produceert.

Als CTO, hoe balanseert u de snelle vooruitgang in basismodellen met de behoefte aan stabiliteit, beveiliging en voorspelbaar gedrag voor ondernemingsklanten?

Dit is de kernspanning die ik als CTO beheer: basismodellen bewegen zich ongelooflijk snel, maar onze ondernemingsklanten in gereguleerde industrieën hebben voorspelbaarheid, beveiliging en consistent gedrag nodig.

We zijn zelf geen modelaanbieder; we bieden een toepassing voor het bouwen van AI-agents, en we zitten naast andere contactcenter-software. Die scheiding laat ons toe om verbeteringen aan te brengen zonder de railing, integraties en compliance-controles van onze klanten te destabiliseren. Het is ook de reden waarom we ons hebben gericht op het laten bouwen van AI-agents die complexe workflows in weken kunnen afhandelen, in plaats van maanden. We hebben onlangs een product gelanceerd genaamd Copilot, dat met één conversatie een werkende eerste versie van een stemagent voor teams kan bouwen met de specifieke bedrijfslogica, merk en beveiliging van het bedrijf al ingebakken.

Regals platform verbindt AI-agents met klantcontext en bedrijfsworkflows in plaats van alleen maar vragen te beantwoorden. Waarom wordt toegang tot klantgegevens en bedrijfssystemen net zo belangrijk als de vooruitgang in taalmodellen zelf?

Op zichzelf kan een taalmodel een conversatie voeren, maar het kan niets doen voor uw klant. Het moment dat u het vraagt om een bestelling te controleren, een korting toe te passen, een zaak te escaleren of een record bij te werken, heeft de AI-agent toegang nodig tot dezelfde systemen die uw menselijke agents gebruiken – zoals hun CRM- en factureringssystemen.

Naarmate de modellen zelf in kwaliteit verbeteren, is toegang tot echte klantgegevens en bedrijfssystemen wat echt het verschil maakt tussen een geweldige AI-gehandelde ervaring en een frustrerende.

Uw platform dient ondernemingen in verschillende industrieën, zoals de gezondheidszorg, verzekeringen, onderwijs en financiële dienstverlening. Wat hebben deze streng gereguleerde sectoren u geleerd over het verantwoord inzetten van AI, terwijl u de vertrouwen van klanten behoudt?

We richten ons bewust op streng gereguleerde, complexere industrieën in plaats van de eenvoudigere lage-stakes use cases, deels vanwege mijn eigen achtergrond in het leiden van product, ontwerp en data, en het werken met ondernemingscontactcenters.

Vertrouwen en compliance zijn echt belangrijk in deze interacties. Verantwoordelijke AI-inzet gaat over het zorgen dat agents de juiste railing, accurate account-niveau-context en een duidelijke weg naar een mens hebben wanneer iets buiten hun bereik valt. Vertrouwen in gereguleerde industrieën komt niet van AI die foutloos is, maar van AI die voorspelbaar en herstelbaar is.

Veel mensen gaan ervan uit dat AI menselijke contactcenter-agents zal vervangen. Hoe ziet u de relatie evolueren tussen menselijke werknemers en AI-agents in de komende vijf jaar, en welke verantwoordelijkheden moeten altijd door mensen worden uitgevoerd?

AI gaat niet ieders baan overnemen zoals veel mensen vreesden, maar het zal de baan veranderen.

De belangrijkere menselijke rol in de komende jaren is niet de traditionele contactcenter-agent – het is een geheel nieuwe rol. Mijn mede-oprichter en ik noemen het de CX-Engineer: iemand die de AI-agents zelf beheert en toezicht houdt, door terug te werken van de klantreis in plaats van te zitten in afzonderlijke gesprekken. U kunt deze verschuiving al bredere zien gebeuren, met AWS die net 1 miljard dollar heeft geïnvesteerd in een Forward Deployed Engineering-unit om klanten te helpen bij het bouwen met AI, een rol die een jaar geleden nog niet echt bestond.

We kunnen een soortgelijke verschuiving in CX verwachten: naarmate AI-agents meer van het volume afhandelen, worden de mensen die deze agents orkestreren, beheren en controleren, essentiële aanwervingen.

Stem-AI is dramatisch verbeterd, maar klanten worden steeds meer bewust dat ze met AI praten. Wat is de rol van transparantie en openbaarmaking bij het opbouwen van langetermijnvertrouwen, en moeten bedrijven klanten altijd vertellen dat ze met een AI-agent praten?

Klanten kunnen altijd om een mens vragen, en we bouwen dat in elke implementatie in. Wat we in de praktijk zien, is dat de meeste mensen niet kunnen vertellen dat ze met AI praten of het niet erg vinden zodra ze beseffen dat het er niet toe doet wie aan de andere kant zit.

Er is ook een structurele reden waarom dit niet meer wordt besproken: sommige bedrijven draaien al het merendeel van hun klantinteracties op AI, maar adverteren het nog niet. Ik denk dat transparantie het meest telt op het moment dat een klant ernaar vraagt, maar is niet nodig als een algemene vereiste voor elke interactie.

Met AI die nu in staat is om steeds complexere conversaties te voeren, welke metrics moeten ondernemingen zich richten op los van eenvoudige kostenvermindering bij het evalueren of een AI-implementatie de klantervaring echt heeft verbeterd?

Intern moeten ondernemingen letten op hoeveel hun eigen team daadwerkelijk AI gebruikt, en zware gebruikers behandelen als een algemeen goed teken. Maar de grotere metric die bedrijven moeten overwegen, is omzet per werknemer. Als AI echt werkt, zou dat getal omhoog moeten gaan, en dat is wat groei en betere marges financiert. AI vervangt uw mensen niet, maar de mensen die het goed gebruiken, doen uiteindelijk veel meer terwijl ze hetzelfde team behouden. Ze kunnen meer klanten bedienen, meer deals sluiten en meer bouwen wanneer omzet per werknemer de metric is waar u naar kijkt.

Kijkend naar de toekomst, welke opkomende technologieën of capaciteiten denkt u dat de volgende generatie van ondernemings-AI-agents zullen definiëren, en welke ontwikkelingen bent u het meest enthousiast om naar de markt te brengen in de komende jaren?

Vandaag de dag is stem al 60-70% van de klantinteracties, met de rest verdeeld over chat, e-mail en tekst. Naarmate AI steminteracties van hogere kwaliteit en capabeler maakt, verwacht ik dat stem het dominante kanaal zal worden en uiteindelijk 95% van alle klantinteracties zal bereiken.

Wat de volgende generatie van ondernemings-AI-agents zal definiëren, is hoe proactief en betrokken ze zijn bij klantinteracties. De nieuwheid van AI in klantervaringen slijt af, en iedereen weet dat het steeds capabeler wordt, maar ik ben enthousiast om de grenzen te verleggen en het te laten presteren in nog complexere use cases.

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