Mark Hughes, Co-Fundador e CEO da Solidroad – Série de Entrevistas

Mark Hughes, Co-Fundador e CEO da Solidroad, é um empreendedor repetido e líder de marketing que construiu sua carreira na interseção de vendas, experiência do cliente e tecnologia. Ele anteriormente fundou a Gradguide, uma plataforma de carreira e recrutamento que levantou €2 milhões e foi posteriormente adquirida, e ocupou cargos comerciais seniores na Chargify, onde liderou as operações da EMEA após a sua fusão com a Maxio. No início de sua carreira, ele desenvolveu uma profunda especialização em vendas de alta velocidade e empresariais na Intercom, gerenciando ciclos de negócios complexos e ajudando a escalar equipes de receita. Hoje, ele lidera a Solidroad em São Francisco, aplicando essa experiência para repensar como as empresas avaliam e melhoram as interações com os clientes usando a IA, com foco em elevar a barra de qualidade em ambos os sistemas de suporte humanos e automatizados.

Solidroad é uma plataforma de garantia de qualidade e treinamento alimentada por IA, projetada para equipes de experiência do cliente modernas, construída para analisar e melhorar cada interação do cliente em escala. A plataforma ingere conversas em vários canais, avalia o desempenho contra os padrões da empresa e gera simulações de treinamento personalizadas para otimizar continuamente tanto os agentes humanos quanto os sistemas de IA. Em vez de substituir as equipes de suporte ao cliente, a Solidroad se concentra em aprimorá-las, transformando cada interação em um loop de feedback que melhora resultados como a qualidade da resposta, a eficiência e a satisfação do cliente. A empresa se posiciona como infraestrutura para equipes de CX de alto desempenho, ajudando as organizações a entregar experiências consistentes e de alta qualidade sem aumentar os custos operacionais.

A maioria das empresas ainda confia na revisão de uma pequena amostra de interações do cliente para avaliar o desempenho. O que o convenceu de que essa abordagem está fundamentalmente quebrada, e como essa realização levou à construção da abordagem da Solidroad para monitorar, pontuar e melhorar continuamente tanto os agentes humanos quanto os de IA?

Patrick e eu passamos anos ao redor das equipes de suporte ao cliente antes de iniciar a Solidroad, e um problema sempre se destacou: as empresas estavam tendo centenas de milhares de conversas com os clientes, mas se você perguntasse como essas conversas estavam realmente indo, elas não sabiam realmente. E o que elas sabiam era baseado em uma amostra tão pequena das interações que não era preciso.

Isso já era uma base instável quando os humanos lidavam com cada ticket. Agora, com a IA entrando em cena, as apostas mudaram. Um padrão ruim poderia se reproduzir em milhares de conversas simultaneamente e passar despercebido porque a maioria das equipes está revisando apenas 1-2% das interações.

Vimos isso acontecendo em empresas repetidamente e elas estavam perdendo clientes por causa disso, então decidimos criar uma solução. Reconhecemos que, no final, era um problema de infraestrutura. As empresas simplesmente não tinham os sistemas necessários para realmente entender o desempenho de seus agentes de suporte ao cliente.

A Solidroad foi construída para abordar esse ponto cego. Nós damos às empresas as ferramentas para ver o que está realmente acontecendo em escala e garantir que cada conversa – humana, de IA ou ambos – entregue valor.

A Solidroad foi descrita como um “simulador de voo” para equipes que atendem ao cliente. Pode nos levar pelo processo de como sua IA simula interações reais do cliente e o que torna essas simulações eficazes para treinamento em escala?

A analogia do simulador de voo funciona porque a ideia central é a mesma. Você não quer que a primeira experiência de alguém em lidar com uma situação difícil aconteça diante de um cliente real.

O que torna nossas simulações eficazes é que elas são baseadas no que está realmente acontecendo nas conversas reais da empresa. Quando um agente comete um erro em uma interação ao vivo, o sistema gera uma simulação direcionada exatamente para esse tipo de cenário, para que eles possam praticá-lo antes que aconteça novamente. Não é conteúdo de treinamento genérico.

O loop de feedback é o que impulsiona o aprendizado. Os agentes executam um cenário, recebem orientação específica sobre o que funcionou e o que não funcionou, e tentam novamente. Erros acontecem em um ambiente seguro, e o aprendizado permanece porque está ligado a situações reais, e não a exercícios abstratos de sala de aula.

Sua plataforma não apenas treina agentes, mas também pontua interações ao vivo contra diretrizes personalizadas. Como você projeta esses sistemas de pontuação para refletir resultados de negócios reais, como CSAT, retenção ou receita?

Para criar essas diretrizes, sempre começamos com o que a empresa específica realmente se importa. Uma empresa de serviços financeiros que lida com disputas de cobrança tem padrões de qualidade diferentes de uma marca de comércio eletrônico que gerencia devoluções durante a temporada de pico. Portanto, a pontuação é construída em torno das próprias diretrizes da organização, suas políticas, sua voz de marca e o que uma boa resolução parece para eles.

E os resultados de negócios, como melhorias nos escores de CSAT e retenção, vêm de interações de alta qualidade com os clientes. Em vez de rastrear escores retroativamente, nos concentramos nos comportamentos que preveem esses resultados: desempenho consistente entre os agentes, seguindo os processos certos e as habilidades macias que moldam como os clientes se sentem no final de uma conversa.

O objetivo é dar aos líderes uma imagem clara e prática do que é bom para sua empresa, para que possam treinar suas equipes, replicar o sucesso e crescer em toda a organização.

Muitas empresas apenas revisam uma pequena porcentagem de conversas do cliente. Como a Solidroad permite a análise de cobertura total, e quais insights se tornam possíveis quando você muda de amostragem para análise de tudo?

Nossa pesquisa recente sobre o Estado da CX mostrou que cerca de 81% das conversas de suporte nunca são revisadas para qualidade, deixando as equipes revisando uma fração tão pequena das conversas que elas estão basicamente amostrando e torcendo para que seja representativo. Quando uma empresa começa a avaliar todas as conversas do cliente, padrões que nunca surgiriam em uma amostra aleatória se tornam óbvios. As equipes começam a ver quais tipos de solicitações são consistentemente tratadas de forma inadequada, onde os agentes humanos e de IA estão divergindo de maneiras inesperadas e quais problemas são recorrentes antes de aparecerem em uma reclamação do cliente.

A Solidroad usa a IA para revisar automaticamente todas as conversas do cliente em chat, e-mail e voz, tornando a análise de cobertura total possível. Essa mudança de amostragem para revisão de 100% é o que revela padrões consistentes de qualidade, fricção do cliente e desempenho que de outra forma permaneceriam ocultos.

Crypto.com é um ótimo exemplo do que a cobertura total realmente desbloqueia. Antes da Solidroad, a equipe não tinha uma maneira confiável de medir a qualidade do agente em escala ou verificar se os agentes estavam prontos antes de lidar com tickets ao vivo. Problemas só surgiam após afetarem os clientes. Ao mudar para a pontuação automatizada em 800.000 conversas mensais, eles puderam capturar problemas de qualidade precocemente, validar agentes antes do deploy e confirmar que as melhorias estavam realmente funcionando. Os resultados foram uma redução de 18% no tempo médio de tratamento e um aumento de 3% no CSAT (o que é significativo na escala em que operam). À medida que o volume de conversas continua a crescer, a visibilidade da qualidade escala com ele, em vez de ficar para trás.

É realmente o que a cobertura total muda. Ela muda a qualidade de algo reativo para algo proativo que pode ser gerenciado antecipadamente.

Você trabalha com empresas como Crypto.com e Ryanair, onde a experiência do cliente é missão crítica. Quais padrões ou fraquezas comuns você identificou em equipes de suporte em larga escala?

Algumas coisas surgem consistentemente. A primeira é a lacuna entre o que as empresas pensam que está acontecendo em suas conversas com os clientes e o que realmente está acontecendo. A maioria das equipes está confiante na qualidade de suporte até obter visibilidade total, então elas percebem que a imagem é mais complicada do que seus métricos inicialmente sugeriram.

Há também uma desconexão consistente entre como as equipes medem o desempenho e o que realmente impulsiona os resultados do cliente. Métricas de velocidade e contagem de tickets são fáceis de rastrear, então elas tendem a dominar as avaliações. Mas esses números não dizem às empresas se o problema do cliente foi resolvido, se o agente representou a marca com precisão ou se a interação deixou o cliente se sentindo bem em relação à empresa. Em ambientes de alto risco, como fintech ou saúde, essa desconexão entre medição e resultado pode ter consequências graves.

Há uma preocupação crescente de que a IA no serviço ao cliente possa degradar a experiência humana. Como você garante que seu sistema melhore a qualidade em vez de empurrar as equipes para interações excessivamente roteirizadas ou robóticas?

É uma preocupação válida, mas uma que geralmente vem de sistemas de QA (Garantia de Qualidade) que utilizam a IA para as coisas erradas. Se uma empresa pontua agentes puramente com base na aderência a um roteiro ou na velocidade com que fecham um ticket, elas acabarão com interações que tecnicamente marcam as caixas, mas se sentem vazias ou impessoais para o cliente.

Nossa abordagem é construir a pontuação em torno do que realmente faz com que um cliente saia de uma interação se sentindo apoiado. Olhamos para coisas como se o agente ouviu ativamente, mostrou empatia quando necessário e realmente ajudou o cliente a resolver seu problema.

O mesmo se aplica aos agentes de IA. O objetivo é usar a IA para tornar as interações do cliente mais consistentes, precisas e apropriadamente responsivas ao que o cliente está realmente experimentando. Quando a supervisão de qualidade é construída em torno desses resultados, em vez de apenas conformidade com o processo, tende a impulsionar as interações em uma direção melhor, não mais roteirizada.

A Solidroad se situa na interseção de agentes humanos e agentes de IA. Como você vê a relação evoluindo entre os dois, especialmente à medida que a IA começa a lidar com mais interações de linha de frente?

É importante ver os agentes humanos e os agentes de IA como uma equipe, dividindo o trabalho. Acho que o futuro para os agentes humanos e de IA é híbrido.

A IA lida muito bem com solicitações de alto volume e diretas, e os melhores agentes de IA estão resolvendo a maioria dessas conversas por conta própria, o que é realmente impressionante.

Mas o resultado disso é que as interações que atingem os agentes humanos são cada vez mais complexas, carregadas de emoção e de alto risco. O cliente que está frustrado, a situação que não se encaixa em um modelo padrão, a conversa que exige julgamento real. Então, a barra para os agentes humanos está realmente subindo, não caindo.

É exatamente por isso que a supervisão em ambos se torna tão importante. A IA precisa lidar com seu volume consistentemente e com precisão. Os humanos precisam estar bem preparados para as conversas mais difíceis que agora estão lidando principalmente. E precisa haver uma camada independente sentada em cima de ambos, dando às empresas uma imagem clara do que está funcionando e do que não está. Esse é o modelo híbrido que achamos que definirá a CX em frente, e é para o que estamos construindo.

Seu sistema fornece feedback e treinamento em tempo real. Quão importante é a imediatez na melhoria do desempenho do agente, e como isso se compara aos fluxos de trabalho de treinamento e QA tradicionais?

A imediatez é realmente importante, e a pesquisa apoia que o feedback é mais eficaz quando está ligado à situação específica que o gerou. Os fluxos de trabalho de QA tradicionais quebram essa conexão quase por design. Um gerente revisa uma conversa dias ou semanas após o ocorrido, compartilha feedback em uma revisão periódica, e nesse momento o agente já teve dezenas de outras interações onde o erro foi provavelmente repetido. Sem fornecer feedback em tempo real, os erros persistem e os agentes têm que desaprender práticas que estão sempre acostumados.

O que descobrimos é que o feedback é mais eficaz quando surge imediatamente após uma conversa real. Funciona melhor quando está diretamente ligado ao que o agente acabou de lidar e emparelhado com uma simulação específica que possam executar imediatamente. Nesse formato, se traduz em mudança comportamental real muito mais rápido. Os agentes não estão apenas ouvindo que precisam melhorar, estão praticando a melhoria no contexto, enquanto ainda está fresco.

O contraste com o treinamento tradicional é o exemplo mais claro disso. Nossos dados mostram que mais da metade dos agentes humanos diz que a parte mais difícil do treinamento é aplicar o que aprenderam em treinamento a situações reais do cliente. Essa discrepância existe porque o aprendizado em sala de aula e o suporte ao vivo se sentem como nada semelhante. O feedback contínuo e situacional resolve isso de uma maneira que as revisões periódicas nunca realmente poderiam.

Você mostrou melhorias como redução do tempo de treinamento e aumento do CSAT. Qual é a métrica que os clientes se importam mais quando adotam sua plataforma, e como você demonstra o ROI cedo na relação?

Isso varia dependendo de onde os pontos de dor do cliente estão, mas as duas coisas que surgem mais consistentemente são a cobertura de garantia de qualidade e a economia de tempo. As equipes que revisam manualmente uma fração pequena de conversas veem imediatamente o valor em mudar para 100% de cobertura, tanto para os insights que a Solidroad traz quanto para as horas que devolve às suas equipes de QA. Em nossa base de clientes, geralmente vemos um aumento de 20x na cobertura de QA e uma redução de 90% no tempo de revisão manual.

No lado do ROI, tentamos conectar os resultados às métricas que já importam para esse negócio. Na Podium, o destaque foi o tempo de treinamento. Novos agentes atingindo os padrões de desempenho em 60 dias em vez de 90, e resolvendo problemas 33% mais rápido uma vez que entraram ao vivo. Com a Crypto.com, foi o tempo de resolução e a visibilidade do volume de conversas. Para a Ryanair, mostrou-se na economia de horas de recrutamento.

Os detalhes diferem, mas o padrão é o mesmo: quando você pode realmente ver o que está acontecendo em suas interações com os clientes e agir rapidamente, as melhorias seguem nas métricas que importam.

Olhando para o futuro, você vê a Solidroad permanecendo focada em treinamento e QA, ou evoluindo para uma camada de orquestração mais ampla para gerenciar tanto as interações do cliente humano quanto as de IA?

Treinamento e QA são onde começamos, mas a visão é maior do que isso. A maneira como pensamos sobre isso é que a supervisão de qualidade vai se tornar infraestrutura-chave para qualquer empresa que execute a IA no suporte ao cliente. Da mesma forma que as certificações de segurança se tornaram imprescindíveis quando as empresas moveram os dados para a nuvem, a certificação de qualidade se tornará essencial à medida que as conversas do cliente se moverem para a IA.

O objetivo é que “Solidroad Certified” tenha um significado real: prova de que uma empresa atende a um alto padrão de como trata os clientes, independentemente de a interação ter sido tratada por uma pessoa ou uma IA.

O que isso significa na prática é que queremos ser o sistema em que as organizações confiam para gerenciar e melhorar a qualidade da interação do cliente em geral, e não apenas sinalizar problemas no final. É uma grande parte do porquê levantamos nosso financiamento de $25 milhões em nossa Série A liderada pela Hedosophia – isso nos dá a pista de decolagem para construir em direção a essa visão. Isso inclui expandir nossas capacidades de produto e equipes para ajudar mais empresas a avaliar 100% de suas interações com os clientes.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar Solidroad.