Mark Hughes, medgrunnlegger og CEO i Solidroad – Intervju-serie

Mark Hughes, medgrunnlegger og CEO i Solidroad, er en gjentakende entrepreneur og go-to-market leder som har bygget sin karriere i skjæringspunktet mellom salg, kundeopplevelse og teknologi. Han grunnla tidligere Gradguide, en karriere- og rekrutteringsplattform som samlet inn 2 millioner euro og senere ble kjøpt opp, og hadde senior kommersielle roller i Chargify, der han ledet EMEA-operasjoner etter sammenslåingen med Maxio. Tidligere i sin karriere utviklet han dypt ekspertise i høyhastighetssalg og bedriftssalg i Intercom, hvor han ledet komplekse avtalesykluser og hjalp til å skalerer inntektslag. I dag leder han Solidroad fra San Francisco, og anvender denne erfaringen til å tenke om hvordan bedrifter kan evaluere og forbedre kundeinteraksjoner med AI, med fokus på å heve kvalitetsstandarden både for menneskelige og automatiserte støttesystemer.

Solidroad er en AI-drevet kvalitetsikring- og treningsplattform designet for moderne kundeopplevelse-team, bygget for å analysere og forbedre hver kundeinteraksjon i skala. Plattformen innhenter samtaler på tvers av kanaler, vurderer ytelse mot bedriftens standarder og genererer personlige treningsstimuleringer for å kontinuerlig optimere både menneskelige agenter og AI-systemer. I stedet for å erstatte kundesupport-team, fokuserer Solidroad på å forbedre dem, og gjør hver interaksjon til en tilbakemeldingsloop som forbedrer resultater som svartid, effektivitet og kundetilfredshet. Bedriften stiller seg som infrastruktur for høytytende CX-team, og hjelper organisasjoner med å levere konsistente, høykvalitetsopplevelser uten å øke driftskostnadene.

De fleste bedrifter avhenger fortsatt av å gjennomgå en liten del av kundeinteraksjoner for å evaluere ytelse. Hva overbeviste deg om at denne tilnærmingen er fundamentalt feil, og hvordan ledet denne erkjennelsen til å bygge Solidroads tilnærming til kontinuerlig overvåking, scoring og forbedring av både menneskelige og AI-agenter?

Patrick og jeg hadde begge tilbragt år rundt kundesupport-team før vi startet Solidroad, og ett problem fortsatte å være fremtredende: bedrifter hadde hundredtusener av samtaler med kunder, men hvis du spurte hvordan disse samtaler faktisk gikk, visste de ikke det. Og det de visste, var basert på en så liten del av interaksjonene at det ikke var nøyaktig.

Dette var allerede en usikker grunn når mennesker håndterte hver enkelt billett. Nå, med AI som kommer inn i bildet, har spillreglene endret seg. En dårlig mønster kan spille ut over tusener av samtaler samtidig, og gå uoppdaget fordi de fleste team bare gjennomgår 1-2% av interaksjonene.

Vi så dette skje hos bedrifter gang på gang, og de tapte kunder på grunn av det, så vi bestemte oss for å lage en løsning. Vi erkjente at dette ultimate var et infrastrukturproblem. Bedrifter hadde ikke systemene som trengs for å virkelig forstå ytelsen til deres kundesupportagenter.

Solidroad ble bygget for å møte dette blinde punktet. Vi gir bedrifter verktøyene for å se hva som faktisk skjer i skala, og sikre at hver samtale – menneskelig, AI eller begge – leverer verdi.

Solidroad er blitt beskrevet som en “flysimulator” for kundeorienterte team. Kan du forklare hvordan din AI faktisk simulerer virkelige kundeinteraksjoner, og hva som gjør disse simulasjonene effektive for trening i skala?

Flysimulator-analogien fungerer fordi kjernen i ideen er den samme. Du ønsker ikke at noen persons første erfaring med å håndtere en vanskelig situasjon skal skje foran en virkelig kunde.

Hva som gjør våre simulasjoner effektive, er at de er basert på hva som faktisk skjer i virkelige samtaler i bedriften. Når en agent får noe galt i en live-interaksjon, genererer systemet en målrettet simulasjon rundt nettopp den type scenario, så de kan øve det før det skjer igjen. Det er ikke generisk treningsinnhold.

Tilbakemeldingsloopet er det som driver læringen. Agenter går gjennom et scenario, får spesifikk veiledning på hva som fungerte og hva som ikke, og prøver igjen. Feil skjer i en trygg miljø, og læringen holder fordi den er knyttet til virkelige situasjoner i stedet for abstrakte klasseromøvelser.

Ditt plattform scorer ikke bare agenter, men også live-interaksjoner mot tilpassede retningslinjer. Hvordan designer du disse scoringsystemene for å reflektere virkelige forretningsresultater som CSAT, opprettholdelse eller omsetning?

For å lage disse retningslinjene, starter vi alltid med hva den spesifikke bedriften faktisk bryr seg om. En finansinstitusjon som håndterer fakturingskonflikter har andre kvalitetsstandarder enn en e-handelsmerke som håndterer returer under høysesongen. Så scoring er bygget rundt hver organisations egne retningslinjer, deres politikker, deres merkevare og hva en god løsning ser ut for dem.

Og forretningsresultater som forbedrede CSAT-poeng og opprettholdelse kommer fra høykvalitets kundeinteraksjoner. I stedet for å spore poeng retrospektivt, fokuserer vi på atferdene som forutsier disse resultater: konsistent ytelse over agenter, følge riktige prosesser og de myke ferdighetene som former hvordan kunder føler seg etter en samtale.

Målet er å gi ledere et klart, praktisk bilde av hva som er bra for deres bedrift, så de kan veilede deres team, gjenta suksess og vokse det over hele organisasjonen.

Mange bedrifter gjennomgår bare en liten prosent av kundeinteraksjoner. Hvordan muliggjør Solidroad full dekning av analyse, og hva slags innsikt blir mulig når du går fra å prøve ut til å analysere alt?

Vår nylige State of CX-undersøkelse viste at rundt 81% av support-samtaler aldri ble gjennomgått for kvalitet, og at team bare gjennomgikk en så liten del av samtaler at de i realiteten bare prøvde ut og håpet det var representativt. Når en bedrift begynner å evaluere hver enkelt kundeinteraksjon, blir mønster som aldri ville dukke opp i en tilfeldig prøve åpenbare. Team begynner å se hvilke typer forespørsler som håndteres dårlig, hvor AI- og menneskelige agenter avviker på uventede måter og hvilke problemer er gjentakende før de noen gang viser seg i en kunde klage.

Solidroad bruker AI for å automatisk gjennomgå hver kundeinteraksjon på tvers av chat, e-post og tale, og gjør full dekning mulig. Denne overgangen fra prøving til 100% gjennomgang er det som avslører konsistente mønster i kvalitet, kunde friksjon og ytelse som ellers ville forbli skjult.

Crypto.com er et godt eksempel på hva full dekning faktisk låser opp. Før Solidroad, hadde deres team ingen pålitelig måte å måle agentkvalitet i skala eller verifisere at agenter var klare før de håndterte live-billetter. Problemer dukket bare opp etter at de allerede hadde påvirket kunder. Ved å gå over til automatisert scoring over 800 000 månedlige samtaler, kunne de fange kvalitetsproblemer tidlig, validere agenter før utrulling og bekrefte at forbedringene faktisk holdt. Resultatene var en 18% reduksjon i gjennomsnittlig håndteringstid og en 3% økning i CSAT (som er betydelig på den skalaen de opererer på). Etterhvert som deres samtalevolum øker, øker også kvalitetsvisningen med det, i stedet for å falle ytterligere bakover.

Dette er virkelig hva full dekning endrer. Det skifter kvalitet fra noe reaktivt til noe proaktivt som kan håndteres på forhånd.

DU arbeider med bedrifter som Crypto.com og Ryanair, hvor kundeopplevelse er kritisk. Hvilke mønster eller vanlige svakheter har du identifisert hos store support-team?

Noen ting dukker opp jevnt. Først er gapet mellom hva bedrifter tror skjer i deres kundeinteraksjoner og hva som faktisk skjer. De fleste team er trygge på sin supportkvalitet helt til de får full visning, og da innser de at bildet er mer komplisert enn deres metrikker opprinnelig viste.

Det er også en konsistent misforståelse mellom hvordan team måler ytelse og hva som faktisk driver kundeutfall. Hastighetsmetrikker og billett-tellere er lett å spore, så de tenderer å dominere evalueringer. Men disse tallene forteller ikke bedrifter om kundens problem ble løst, agenten representerte merkevaren riktig eller om interaksjonen etterlot kunden med en god følelse for bedriften. I høyrisiko-miljøer som finansielle tjenester eller helsevesen, kan denne misforståelsen mellom måling og resultat ha alvorlige konsekvenser.

Det er en økende bekymring for at AI i kundeservice kan forringe den menneskelige opplevelsen. Hvordan sikrer du at ditt system forbedrer kvalitet i stedet for å skyve team mot for mye skriptede eller robotiske interaksjoner?

Dette er en gyldig bekymring, men en som vanligvis kommer fra QA-systemer som utnytter AI for feil ting. Hvis en bedrift scorer agenter utelukkende på basis av overholdelse av et skript eller hvor raskt de lukker en billett, vil de ende opp med interaksjoner som teknisk sett møter kravene, men føles hule eller upersonlige for kunden.

Vår tilnærming er å bygge scoring rundt hva som faktisk gjør at en kunde forlater en interaksjon og føler seg støttet. Vi ser på ting som om agenten lyttet aktivt, viste empati når det var nødvendig og faktisk hjalp kunden med å løse problemet.

Det samme gjelder for AI-agenter. Målet er å bruke AI til å gjøre kundeinteraksjoner mer konsistente, nøyaktige og passende responsive til hva kunden faktisk opplever. Når kvalitetskontroll er bygget rundt disse resultater i stedet for bare prosess-overholdelse, tenderer det til å skyve interaksjoner i en bedre retning, ikke en mer skriptet en.

Solidroad befinner seg på skjæringspunktet mellom menneskelige agenter og AI-agenter. Hvordan ser du på utviklingen av forholdet mellom de to, særlig når AI begynner å håndtere flere frontlinjeinteraksjoner?

Det er viktig å se på menneskelige agenter og AI-agenter som et team, som deler arbeidsoppgaver. Jeg tror fremtiden for menneskelige og AI-agenter er hybrid.

AI håndterer høyvolum, enkle forespørsler svært godt, og de beste AI-agentene løser faktisk de fleste av disse samtaler på egen hånd, noe som er virkelig imponerende.

Men resultatet av dette er at interaksjonene som når menneskelige agenter, er økende komplekse, emosjonelt ladde og høyrisiko. Kunden som er frustrert, situasjonen som ikke passer en standardmal, samtalen som krever ekte dømmekraft. Så kvalitetskravene til menneskelige agenter øker faktisk, ikke faller.

Dette er nettopp hvorfor tilsyn over både menneskelige og AI-agenter blir så viktig. AI må håndtere volumet sitt konsistent og nøyaktig. Menneskelige agenter må være godt forberedt på de vanskelige samtaler de nå primært håndterer. Og det må være en uavhengig lag som sitter over både, og gir bedrifter et klart bilde av hva som fungerer og hva som ikke gjør det. Dette er det hybride modellen vi tror vil definere CX fremover, og det vi bygger mot.

Ditt system gir sanntids tilbakemelding og veiledning. Hvor viktig er øyeblikkelighet i å forbedre agent-ytelse, og hvordan sammenligner dette med tradisjonelle trenings- og QA-arbeidsflyter?

Øyeblikkelighet er virkelig viktig, og forskningen støtter at tilbakemelding er mest effektiv når den er knyttet til den spesifikke situasjonen som genererte den. Tradisjonelle QA-arbeidsflyter bryter denne koblingen nesten ved design. En leder gjennomgår en samtale dager eller uker etter at den skjedde, deler tilbakemelding i en periodevis gjennomgang, og på det tidspunktet har agenten hatt dusinvis av andre interaksjoner hvor feilen sannsynligvis er gjentatt. Uten å gi tilbakemelding i sanntid, varer feilene og agentene må lære av praksisene de alltid er vant til.

Hva vi har funnet, er at tilbakemelding er mest effektiv når den dukker opp umiddelbart etter en virkelig samtale. Den fungerer best når den er knyttet direkte til hva agenten nettopp håndterte og kombinert med en spesifikk simulasjon de kan kjøre rett away. I dette formatet, oversetter det til faktisk atferdsendring mye raskere. Agenter hører ikke bare at de må forbedre, de øver forbedringen i kontekst, mens det fortsatt er ferskt.

Kontrasten med tradisjonell onboarding er det tydeligste eksempelet på dette. Våre data viser at over halvparten av menneskelige agenter sier at det hardeste med onboarding er å anvende hva de lærte i treningsklasser til virkelige kundesituasjoner. Denne diskrepansen eksisterer fordi klasseromslæring og live-støtte føles ikke likt ut. Kontinuerlig, situasjonsbestemt tilbakemelding løser dette på en måte som periodiske gjennomganger aldri virkelig kunne.

DU har vist forbedringer som reduksjon av onboarding-tid og høyere CSAT. Hvilken metrikk er kunder mest opptatt av når de tar i bruk din plattform, og hvordan demonstrerer du ROI tidlig i forholdet?

Det varierer avhengig av hvor kundens smertepunkter ligger, men de to tingene som kommer opp mest konsekvent er kvalitetsikring-dekning og tidssparing. Team som manuelt gjennomgår en liten del av samtaler ser umiddelbart verdien i å gå over til 100% dekning, både for innsiktene Solidroad overflater og for timene det gir tilbake til deres QA-team. Over vår kundebase ser vi vanligvis en 20-ganger økning i QA-dekning og 90% reduksjon i manuell gjennomgangstid.

På ROI-siden prøver vi å knytte resultater til metrikker som allerede betyr noe for bedriften. Hos Podium var overskriften på onboarding-tid. Nye agenter nådde ytelsesbenchmarks på 60 dager i stedet for 90, og løste problemer 33% raskere når de gikk live. Hos Crypto.com var det løsningstid og samtalevolum-visning. For Ryanair viste det seg i rekrutterings-timer spart.

Det spesifikke varierer, men mønsteret er det samme: når du kan se hva som skjer over dine kundeinteraksjoner og handle på det raskt, følger forbedringer i metrikker som betyr noe.

Ser du fremover, ser du Solidroad forbli fokusert på trening og QA, eller utvikle seg til en bredere orkestreringslag for å håndtere både menneskelige og AI-kundeinteraksjoner?

Trenings- og QA-er hvor vi startet, men visjonen er større enn det. Vi tenker på kvalitetsikring som kommer til å bli nøkkel-infrastruktur for noen bedrift som kjører AI i kundeservice. På samme måte som sikkerhets sertifiseringer ble uunnværlige når bedrifter flyttet data til skyen, vil kvalitetssertifisering bli essensiell når kunde-samtaler flyttes til AI.

Nordstjernen er at “Solidroad Certified” bærer virkelig mening: bevis på at en bedrift møter en høy standard for hvordan de behandler kunder, uavhengig av om interaksjonen ble håndtert av en person eller en AI.

Hva det betyr praktisk er at vi ønsker å være systemet organisasjoner avhenger av for å håndtere og forbedre kundeinteraksjonskvalitet over hele linjen, ikke bare flagge problemer på baksiden. Dette er en stor del av hvorfor vi samlet inn våre 25 millioner dollar i Series A-ledelse av Hedosophia – det gir oss løpebanen til å bygge mot denne visjonen. Det inkluderer å utvide våre produktmuligheter og team for å hjelpe enda flere bedrifter med å evaluere 100% av deres kundeinteraksjoner.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Solidroad.