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 i skjæringspunktet mellom programvareutvikling, produktutvikling og kundeopplevelse. Han etablerte Hiver i 2017 for å゛tenke kundeserviceprogramvare, bygget på hans tidligere erfaring med å co-etablere Mobicules, der han skalert 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 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 delt innboks, automatisere arbeidsflyter og samarbeide i sanntid mens AI håndterer repetitive oppgaver som billett-ruting, respons-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 tillitsfull av over 10 000 team globalt.

Tidlig i din karriere hos Mentor Graphics, arbeidet du med avanserte maskinvare-emulasjonssystemer som brukes til å simulere komplekse elektroniske design før de fysisk bygges. Senere co-etablerte og skalerte du Mobicules fra et tre-manns startup til et 35-manns selskap før du lanserte Hiver. Hvordan har disse dype tekniske grunnleggende og tidlige skalerings-erfaringer formet din tilnærming til å bygge AI som utfører pålitelig i sanntid, høy-trykks support-miljøer?

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

Skalering av et selskap avdekker et annet 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 support-livssyklusen, fra øyeblikket en forespørsel ankommer til punktet det er løst, og spør hvor AI kan fjerne den friksjonen så teamene bruker mer energi på å løse problemet.

Hiver betoner bruk av AI for å fjerne opplegg rather enn erstatte menneskelig dømmekraft eller empati. Hvor trekker du linjen mellom nyttig automatisering og over-automatisering i kundesupport?

Support-arbeid inneholder mye operasjonelt arbeid som aldri viser seg i den endelige responsen. 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 agenten 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 service-feil krever tolkning og omsorg i hvordan responsen er rammet. AI kan gi kontekst og forslag i disse øyeblikkene, selv om den endelige avgjørelsen om tone og løsning forblir med personen ansvarlig for kundeopplevelsen.

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

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

En lære som blir åpenbar i produksjon er at responsen selv er bare ett stykke av jobben. Mye av innsatsen sitter rundt å forstå hva som skjedde og å bestemme hvordan problemet skal gå videre. AI holder ut langt bedre når det støtter den 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 AI blir deployet i raskt-bevegelige miljøer?

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

Vi har sett at team flytter mye raskere når intelligensen viser seg inne i arbeidsflyten de allerede er avhengige av. 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 videre. 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.

Support-team opererer ofte under intens press, spesielt når de håndterer frustrerte kunder eller urgente saker. Hvordan designer du AI-systemer som reduserer kognitivt belastning rather enn å legge til friksjon i disse øyeblikkene?

Support-arbeid plasserer en konstant krav på oppmerksomhet. En agent kan håndtere dusinvis av samtaler parallelt, 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 utgangspunktet for interaksjonen. Agenten bruker 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-adoptsjon utvikler seg etter den initielle rulje? 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 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, veldrevne kunnskapsbaser tenderer til å se mye sterkere adoptering fordi forslagene forblir nyttige og pålitelige. Over tid blir AI en del av hvordan teamet arbeider, bare fordi det hjelper dem å gå 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?

Kundesupport er ett av disse miljøene hvor små feil bærer større konsekvenser. En respons som misforstår en fakturering-sak eller en frustrert kunde kan skape mer arbeid for teamet og skade tillit raskt. Denne realiteten tvinger en svært bevisst tilnærming til hvor AI tar handling og hvor det støtter den menneskelige agenten. Noen oppgaver, som kategorisering eller sammenfatting av samtaler, tolererer en høy grad av automatisering. Avgjørelser som påvirker inntekt, politikk-tolkning eller kunde-forhold krever en mye høyere nivå av sikkerhet.

Produkt-strategi blir en øvelse i å matche AI-kapasitet med nivået av pålitelighet en oppgave krever. Nye modeller og teknikker viser seg konstant, men den virkelige testen er om de utfører konsistent i dag-til-dag support-operasjoner. Teamene som bygger disse systemene må holde seg nær hvordan agenter faktisk arbeider og behandle den tilbakemeldingen som den primære signalen for hva som skal skipes neste.

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

Strukturen på support-team vil sannsynligvis skifte mot færre mennesker som håndterer repetitive billett-behandling og flere mennesker fokusert på å løse komplekse saker. Når AI håndterer oppgaver som sammenfatting av samtaler, organisering av innkommende forespørsler og hjelp til å utkaste svar, vil agenter bruke 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.

Team vil også trenge mennesker ansvarlige for systemene som gjør AI nyttig. AI-assistert support avhenger tungt av nøyaktig dokumentasjon, klare prosesser og pålitelige kunnskapskilder. Vedlikehold av disse systemene blir en pågående jobb, så support-organisasjoner vil sannsynligvis legge til fokus på å håndtere kunnskap, forbedre arbeidsflyter og sikre at AI fortsetter å gi nyttige retningslinjer når produkter og politikker utvikler seg.

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

Kunder forventer stadig kontinuitet når de når ut for support. 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.

Support-problemer utvider seg også utenfor support-teamet selv. Produkt-team, operasjonsteam og konto-mannskap bidrar ofte til løsningen. 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 fremover, hva ser “god kundesupport” ut som i en AI-først-verden — og hva kapasiteter vil skille selskaper som trives fra de som faller bak?

God support i en AI-først-verden vil enkelt føles enklere for kunden. De når ut, teamet forstår situasjonen raskt, og samtalen flytter fremover uten mye tilbake-og-frem-til å rekonstruere hva som skjedde. Teknologien bak det holder seg mestdelvis usynlig. Det kunden legger merke til er at deres problem er forstått og løst uten unødvendig innsats.

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

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