Niraj Ranjan, grunnlegger og CEO av Hiver – Intervju-serie

Niraj Ranjan, grunnlegger og CEO av Hiver, er en erfaren entrepreneur og teknolog som har bygget sin karriere på krysningspunktet mellom programvareutvikling, produktutvikling og kundeopplevelse. Han grunnla Hiver i 2017 for å゛tenke om kundeserviceprogramvare, og bygget på sin tidligere erfaring med å grunnlegge Mobicules, hvor han skalert opp selskapet fra et lite team til en 35-mannsoperasjon mens han arbeidet hånd i hånd som både programmerer og arkitekt. Før han ble entrepreneur, tilbrakte han nesten fem år i Mentor Graphics med å utvikle avansert emulasjonsprogramvare for FPGA-baserte systemer, en erfaring som har formet hans tilnærming til å bygge høy-ytelses-, skalerbare produkter og å fremme sterke ingeniørkulturer.

Hiver er en moderne AI-drevet kundeserviceplattform designet for å samordne kommunikasjonskanaler som e-post, chat, tale og meldinger i ett enkelt arbeidsområde. Den gjør det mulig for team å håndtere felles innbokser, automatisere arbeidsflyter og samarbeide i sanntid mens AI håndterer repetitive oppgaver som billett-ruting, svar-utkast og dataanalyse. Plattformen er bygget for å erstatte legacy helpdesk-systemer med en mer intuitiv og skalerbar løsning, som hjelper organisasjoner med å forbedre respons-tider, spore ytelsesmetrikker og levere konsistente kundeopplevelser på tvers av kanaler, og er tillit av over 10 000 team globalt.

Tidlig i din karriere hos Mentor Graphics, arbeidet du med avanserte hardware-emulasjonssystemer som ble brukt til å simulere komplekse elektroniske design før de ble fysisk bygget. Senere grunnla og skalerte du opp Mobicules fra et tre-manns startup til et 35-manns selskap før du lanserte Hiver. Hvordan har disse dype tekniske grunnlagene og tidlige skalerings-erfaringer formet din tilnærming til å bygge AI som utfører pålitelig i sanntids-, høytrykks støtte-miljøer?

Arbeid med hardware-emulasjonssystemer former hvordan du tenker om pålitelighet. Disse systemene eksisterer fordi komplekse design oppfører seg forskjellig når de møter virkelige forhold. Kant-tilfeller dukker opp, interaksjoner mellom komponenter endrer resultater, og den rene modellen bryter sammen. Denne holdningen bærer over direkte til kundeservice-miljøer. Samtaler ankommer med manglende kontekst, emosjonell hastighet og avhengigheter på tvers av flere interne systemer.

Å skale opp et selskap avdekker en annen lag med kompleksitet. Når team vokser, blir operasjonell friksjon meget synlig. Agenter tilbringer tid med å sette sammen informasjon fra forskjellige verktøy og koordinere internt før de kan svare. Denne erfaringen har formet vår tenkning hos Hiver. Vi ser på hele støtte-livssyklusen, fra øyeblikket en forespørsel ankommer til punktet det er løst, og spør hvor AI kan fjerne den friksjonen så team kan bruke mer energi på å løse problemet.

Hiver betoner å bruke AI til å fjerne arbeid i stedet for å erstatte menneskelig dømmekraft eller empati. Hvor trekker du linjen mellom nyttig automatisering og over-automatisering i kundeservice?

Støtte-arbeid inneholder mye operasjonell innsats som aldri vises i sluttsvar. Agenter kategoriserer forespørsler, søker etter politikker, trekker opp konto-informasjon og sporer lange samtale-historier før de kan bestemme hva de skal si. AI håndterer den grunnarbeidet godt. Når et system kan sammenfatte en tråd eller overflate den riktige kunnskapsartikkelen på riktig tidspunkt, starter samtalen med en mye klarere forståelse av situasjonen.

Dømmekraft kommer inn i bildet når samtalen involverer emosjon, ansvar eller tvetydighet. En frustrert kunde eller en tjenestefeil krever tolkning og omsorg i hvordan svaret er rammet. AI kan gi kontekst og forslag i disse øyeblikkene, selv om den endelige avgjørelsen om tone og løsning forblir med personen som er ansvarlig for kundeopplevelsen.

Mange AI-verktøy ser imponerende ut i produkt-demonstrasjoner, men sliter i dag-til-dag produksjonsbruk. Hva har du lært om gapet mellom AI som demoer godt og AI som konsistent holder i høy-volum støtte-innbokser?

En demo fanger en ren scenario. Spørsmålet er forutsigbart, kunnskapsbasen er organisert, og systemet produserer et svar. Reell støtte-arbeid utvikler seg sjelden på den måten. Forespørsler ankommer med delvis informasjon, samtalen strekker seg over flere utvekslinger, og agenten ofte trenger input fra andre team eller systemer før situasjonen er klar.

En lære som blir åpenbar i produksjon er at svaret selv er bare ett stykke av jobben. Mye av innsatsen sitter rundt å forstå hva som skjedde og å bestemme hvordan problemet skal flytte fremover. AI holder bedre når det støtter arbeidsflyten. Å hjelpe agenter å forstå samtalekonteksten raskt gjør en meningsfull forskjell når innboksen begynner å fylle seg.

Hiver integrerer direkte i eksisterende kommunikasjons-arbeidsflyter i stedet for å tvinge team inn i helt nye systemer. Hvor viktig er denne “møt brukerne der de allerede arbeider”-filosofien når du deployer AI i raskt-bevegende miljøer?

Det betyr en stor del fordi støtte-team allerede opererer under trykk. Når et nytt verktøy ber dem å endre hvordan de arbeider eller hoppe mellom systemer, viser friksjonen seg umiddelbart. De fleste støtte-samtaler begynner fortsatt i e-post, og arbeidet rundt disse samtaler innebærer å trekke kontekst fra andre systemer og koordinere internt med kolleger. Hvis AI sitter utenfor denne miljøet, må agenten gjøre ekstra arbeid bare for å bruke teknologien.

Vi har sett at team flytter mye raskere når intelligensen vises innenfor arbeidsflyten de allerede pålitelighet. En agent som åpner en lang e-post-tråd kan umiddelbart se en sammenfatting av samtalen, den relevante kunde-konteksten og forslag som hjelper dem å flytte problemet fremover. Den lille skiftet reduserer tiden brukt på å rekonstruere hva som skjedde og gir agenten mer plass til å fokusere på å løse problemet selv.

Støtte-team opererer ofte under intens trykk, spesielt når de håndterer frustrerte kunder eller急kte problemer. Hvordan designer du AI-systemer som reduserer kognitivt belastning i stedet for å legge til friksjon i disse øyeblikkene?

Støtte-arbeid plasserer en konstant krav på oppmerksomhet. En agent kan håndtere dusinvis av samtaler i parallell, hver med sin egen tone, hastighet og historie. Mye av den mentale innsatsen går til å rekonstruere situasjonen før de kan bestemme hvordan de skal svare.

AI hjelper mest når det reduserer den innsatsen. Å åpne en tråd og umiddelbart se en klar sammenfatting eller den relevante kunnskapsartikkelen endrer startpunktet for interaksjonen. Agenten tilbringer mindre tid på å sette sammen hva som skjedde og mer tid på å tenke på den beste måten å løse problemet på.

Med over 10 000 team som bruker Hiver globalt, hva mønster har du observert i hvordan AI-antagelse utvikler seg etter den innledende ruljen? Hva skiller team som virkelig integrerer AI i daglige arbeidsflyter fra de som behandler det som et valgfritt tillegg?

Teamene som ser virkelig verdi fra AI begynner vanligvis med noen få svært spesifikke øyeblikk i arbeidsflyten hvor agenter mister tid hver dag. Samtale-sammenfattinger er et godt eksempel. Når en agent åpner en lang tråd og umiddelbart forstår hva som skjedde, starter hele interaksjonen annerledes. Det samme gjelder når systemet overflater den eksakte hjelp-artikkelen eller politikken som trengs for å svare på spørsmålet. Når disse øyeblikkene virkelig hjelper, begynner agenter å bruke AI naturlig fordi det gjør deres dag enklere.

Den andre faktoren er kvaliteten på kunnskapen bak systemet. AI-forslag avhenger tungt av dokumentasjonen og prosessene det trekker fra. Team med klare, velformede kunnskapsbaser tenderer å se mye sterkere antagelse fordi forslagene forblir nyttige og pålitelige. Over tid blir AI en del av hvordan teamet arbeider, bare fordi det hjelper dem å flytte gjennom samtaler med mer klarhet.

Fra et produkt-strategi-perspektiv, hvordan balanserer du hastigheten på AI-innovasjon med å vedlikeholde pålitelighet og tillit — spesielt i miljøer hvor feil kan skade kunde-forhold?

Kundeservice er ett av disse miljøene hvor små feil kan ha store konsekvenser. Et svar som misforstår en fakturaproblem eller en frustrert kunde kan skape mer arbeid for teamet og skade tillit raskt. Denne realiteten tvinger en meget bevisst tilnærming til hvor AI tar handling og hvor det støtter den menneskelige agenten. Noen oppgaver, som kategorisering eller samtale-sammenfattinger, tolererer en høy grad av automatisering. Avgjørelser som påvirker inntekt, politikk-tolkning eller kunde-forhold krever en mye høyere grad av sikkerhet.

Produkt-strategi blir en øvelse i å matche AI-kapasitet med pålitelighets-nivået en oppgave krever. Nye modeller og teknikker dukker opp konstant, men den virkelige testen er om de utfører konsistent innenfor dag-til-dag støtte-operasjoner. Teamene som bygger disse systemene må holde seg nær hvordan agenter faktisk arbeider og behandle den tilbakemeldingen som primær signal for hva som skal sendes ut neste.

Hvordan tror du AI vil endre strukturen på støtte-team over de neste fem årene? Vil det skifte mot overvåking og dømmekraft, eller vil helt nye kategorier av arbeid dukke opp?

Strukturen på støtte-team vil sannsynligvis skifte mot færre personer som håndterer repetitive billett-behandling og flere personer som fokuserer på å løse komplekse problemer. Når AI håndterer oppgaver som samtale-sammenfattinger, organisering av innkommende forespørsler og hjelp til å utkaste svar, vil agenter tilbringe mer tid på å forstå hva som faktisk skjedde i en situasjon og koordinere med andre team for å fikse det. Det blir mindre om å flytte billetter gjennom en kø og mer om å eie utfallet av kunde-problemet.

Teamene vil også trenge personer ansvarlige for systemene som gjør AI nyttig. AI-støttet støtte avhenger tungt av nøyaktig dokumentasjon, klare prosesser og pålitelige kunnskapskilder. Å vedlikeholde disse systemene blir en pågående jobb, så støtte-organisasjoner vil sannsynligvis legge til fokus på å forbedre kunnskap, forbedre arbeidsflyter og sikre at AI fortsetter å gi nyttig veiledning når produkter og politikker utvikler seg.

Hiver opererer i en konkurranse-herdet helpdesk-marked. Hva grunnleggende skift i kunde-forventninger tror du legacy-plattformer har mislyktes i å tilpasse seg?

Kunder forventer stadig kontinuitet når de når ut for støtte. De ønsker at organisasjonen skal huske tidligere interaksjoner og bære den konteksten gjennom hele samtalen. Å gjenta informasjon på tvers av flere utvekslinger blir raskt frustrerende.

Støtte-problemer utvider seg også utenfor støtte-teamet selv. Produkt-team, operasjonsteam og konto-ledere bidrar ofte til å løse problemet. Plattformer som bringer kommunikasjon og operasjonell kontekst inn i samme arbeidsflyt gjør det enklere å holde eierskap av problemet klart fra start til slutt.

Ser du framover, hva ser “god kundeservice” ut som i en AI-først-verden — og hva kapasiteter vil skille selskaper som trives fra de som faller bak?

God støtte i en AI-først-verden vil bare føles enklere for kunden. De når ut, teamet forstår situasjonen raskt, og samtalen flyter uten mye tilbake-og-frem-over for å rekonstruere hva som skjedde. Teknologien bak det holder seg mesteparten usynlig. Kunde oppdager bare at problemet er forstått og løst uten unødvendig innsats.

For teamene som kjører støtte, kommer den opplevelsen fra å ha riktig kontekst tilgjengelig øyeblikket en samtale begynner. AI hjelper å organisere informasjon og overflate hva som betyr noe mens agenten fokuserer på å forstå kunden og guide problemet til løsning. Selskapene som trives vil være de som bygger sine støtte-operasjoner rundt den klarheten og kontinuiteten i interaksjonen.

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