Niraj Ranjan, Fundador e CEO da Hiver – Série de Entrevistas

Niraj Ranjan, fundador e CEO da Hiver, é um empreendedor experiente e tecnólogo que construiu sua carreira na interseção da engenharia de software, desenvolvimento de produtos e experiência do cliente. Ele fundou a Hiver em 2017 para reinventar o software de atendimento ao cliente, aproveitando sua experiência anterior como co-fundador da Mobicules, onde escalou a empresa de uma pequena equipe para uma operação de 35 pessoas, trabalhando hands-on como programador e arquiteto. Antes de se tornar empreendedor, ele passou quase cinco anos na Mentor Graphics desenvolvendo software de emulação avançado para sistemas baseados em FPGA, uma experiência que moldou sua abordagem para construir produtos de alto desempenho e escaláveis, e cultivar fortes culturas de engenharia.

Hiver é uma plataforma de atendimento ao cliente moderna e impulsionada por IA, projetada para unificar canais de comunicação, como e-mail, chat, voz e mensagens, em um único espaço de trabalho. Ela permite que as equipes gerenciem caixas de entrada compartilhadas, automatizem fluxos de trabalho e colaborem em tempo real, enquanto a IA lida com tarefas repetitivas, como roteamento de tickets, redação de respostas e análise de dados. A plataforma é construída para substituir sistemas de help desk legados por uma solução mais intuitiva e escalável, ajudando as organizações a melhorar os tempos de resposta, acompanhar métricas de desempenho e fornecer experiências de cliente consistentes em todos os canais, e é confiada por mais de 10.000 equipes em todo o mundo.

No início de sua carreira na Mentor Graphics, você trabalhou em sistemas de emulação de hardware avançados usados para simular projetos eletrônicos complexos antes de serem fisicamente construídos. Mais tarde, você co-fundou e escalou a Mobicules de uma startup de três pessoas para uma empresa de 35 pessoas antes de lançar a Hiver. Como essas fundações técnicas profundas e experiências de escalonamento inicial moldaram sua abordagem para construir IA que execute de forma confiável em ambientes de suporte de alta pressão e mundo real?

Trabalhar em sistemas de emulação de hardware molda a forma como você pensa sobre confiabilidade. Esses sistemas existem porque projetos complexos se comportam de forma diferente quando encontram condições reais. Casos de bordo aparecem, interações entre componentes alteram os resultados e o modelo limpo se desintegra. Essa mentalidade se transfere diretamente para ambientes de atendimento ao cliente. Conversas chegam com contexto perdido, urgência emocional e dependências em vários sistemas internos.

Escalonar uma empresa expõe outra camada de complexidade. À medida que as equipes crescem, a fricção operacional se torna muito visível. Os agentes gastam tempo juntando informações de diferentes ferramentas e coordenando internamente antes de poderem responder. Essa experiência moldou nosso pensamento na Hiver. Nós olhamos para o ciclo de vida de suporte completo, desde o momento em que um pedido chega até o ponto em que é resolvido, e perguntamos onde a IA pode remover essa fricção para que as equipes gastem mais energia resolvendo o problema.

A Hiver enfatiza o uso de IA para remover tarefas administrativas, em vez de substituir julgamento humano ou empatia. Onde você desenha a linha entre automação útil e automação excessiva no atendimento ao cliente?

O trabalho de suporte contém muito esforço operacional que nunca aparece na resposta final. Os agentes categorizam pedidos, procuram políticas, extraem informações de contas e rastreiam longas histórias de conversas antes de poderem decidir o que dizer. A IA lida bem com esse trabalho de base. Quando um sistema pode resumir uma thread ou apresentar o artigo de conhecimento certo no momento certo, o agente começa a conversa com uma compreensão muito mais clara da situação.

O julgamento entra em cena quando a conversa envolve emoção, responsabilidade ou ambiguidade. Um cliente frustrado ou uma falha no serviço requer interpretação e cuidado na forma como a resposta é estruturada. A IA pode fornecer contexto e sugestões nesses momentos, embora a decisão final sobre o tom e a resolução permaneça com a pessoa responsável pela experiência do cliente.

Muitas ferramentas de IA parecem impressionantes em demonstrações de produtos, mas lutam no uso diário de produção. O que você aprendeu sobre a lacuna entre a IA que demonstra bem e a IA que se mantém consistentemente dentro de caixas de entrada de suporte de alta volume?

Uma demonstração captura um cenário limpo. A pergunta é previsível, a base de conhecimento está organizada e o sistema produz uma resposta. O trabalho de suporte real raramente se desenrola dessa forma. Pedidos chegam com informações parciais, a conversa se estende por várias trocas e o agente frequentemente precisa de entrada de outras equipes ou sistemas antes que a situação fique clara.

Uma lição que se torna óbvia na produção é que a resposta em si é apenas uma parte do trabalho. Grande parte do esforço está ao redor de entender o que aconteceu e decidir como a questão deve avançar. A IA se sai muito melhor quando apoia esse fluxo de trabalho. Ajudar os agentes a entender o contexto de uma conversa rapidamente faz uma diferença significativa quando a caixa de entrada começa a encher.

A Hiver se integra perfeitamente aos fluxos de trabalho de comunicação existentes, em vez de forçar as equipes a adotar sistemas completamente novos. Quão importante é essa filosofia de “encontrar os usuários onde eles já trabalham” ao implantar IA em ambientes em movimento rápido?

Isso importa muito porque as equipes de suporte já operam sob pressão. Quando uma nova ferramenta pede que elas mudem a forma como trabalham ou pulam entre sistemas, a fricção aparece imediatamente. A maioria das conversas de suporte ainda começa por e-mail, e o trabalho em torno dessas conversas envolve extrair contexto de outros sistemas e coordenar internamente com colegas. Se a IA está fora desse ambiente, o agente acaba fazendo trabalho extra apenas para usar a tecnologia.

Vimos que as equipes se movem muito mais rápido quando a inteligência aparece dentro do fluxo de trabalho em que elas já confiam. Um agente que abre uma longa thread de e-mail pode ver imediatamente um resumo da conversa, o contexto do cliente relevante e sugestões que ajudam a avançar com a questão. Essa pequena mudança reduz o tempo gasto reconstruindo o que aconteceu e dá ao agente mais espaço para se concentrar em resolver o problema em si.

Equipes de suporte frequentemente operam sob pressão intensa, especialmente ao lidar com clientes frustrados ou questões urgentes. Como você projeta sistemas de IA que reduzem a carga cognitiva em vez de adicionar fricção nesses momentos?

O trabalho de suporte coloca uma demanda constante sobre a atenção. Um agente pode lidar com dezenas de conversas em paralelo, cada uma com seu próprio tom, urgência e história. Grande parte do esforço mental vai para reconstruir a situação antes de decidir como responder.

A IA ajuda mais quando reduz esse esforço. Abrir uma thread e ver imediatamente um resumo claro ou o artigo de conhecimento relevante muda o ponto de partida da interação. O agente gasta menos tempo juntando o que aconteceu e mais tempo pensando sobre a melhor maneira de resolver a questão.

Com mais de 10.000 equipes usando a Hiver globalmente, quais padrões você observou na evolução da adoção de IA após a implantação inicial? O que separa as equipes que verdadeiramente integram a IA em fluxos de trabalho diários daquelas que a tratam como um recurso opcional?

As equipes que veem valor real na IA geralmente começam com alguns momentos muito específicos no fluxo de trabalho onde os agentes perdem tempo todos os dias. Resumos de conversas são um bom exemplo. Quando um agente abre uma longa thread e imediatamente entende o que aconteceu, a interação toda começa de forma diferente. O mesmo se aplica quando o sistema apresenta o artigo de ajuda ou política exato necessário para responder à pergunta. Quando esses momentos realmente ajudam, os agentes começam a usar a IA naturalmente porque isso torna o dia deles mais fácil.

O outro fator é a qualidade do conhecimento por trás do sistema. Sugestões de IA dependem fortemente da documentação e dos processos de que elas são derivadas. Equipes com bases de conhecimento claras e bem mantidas tendem a ver uma adoção muito mais forte porque as sugestões permanecem úteis e confiáveis. Com o tempo, a IA se torna parte de como a equipe trabalha, simplesmente porque ajuda a mover as conversas com mais clareza.

Do ponto de vista da estratégia de produto, como você equilibra a velocidade da inovação em IA com a manutenção da confiabilidade e confiança — especialmente em ambientes onde erros podem danificar relacionamentos de cliente?

O atendimento ao cliente é um desses ambientes onde pequenos erros têm consequências desproporcionais. Uma resposta que mal-entende uma questão de faturamento ou um cliente frustrado pode criar mais trabalho para a equipe e danificar a confiança rapidamente. Essa realidade força uma abordagem muito deliberada sobre onde a IA toma ação e onde ela apoia o agente humano. Algumas tarefas, como categorização ou resumo de conversas, toleram um alto grau de automação. Decisões que afetam receita, interpretação de políticas ou relacionamentos de cliente exigem um nível muito mais alto de certeza.

A estratégia de produto se torna um exercício em combinar a capacidade de IA com o nível de confiabilidade que uma tarefa exige. Novos modelos e técnicas aparecem constantemente, embora o verdadeiro teste seja se eles performam consistentemente dentro das operações diárias de suporte. As equipes que constroem esses sistemas precisam permanecer próximas de como os agentes realmente trabalham e tratar esse feedback como o sinal principal para o que deve ser enviado em seguida.

Como você acha que a IA mudará a estrutura das equipes de suporte nos próximos cinco anos? Haverá uma mudança para supervisão e julgamento, ou categorias de trabalho completamente novas emergirão?

A estrutura das equipes de suporte provavelmente mudará para menos pessoas lidando com processamento de tickets repetitivos e mais pessoas focadas em resolver questões complexas. À medida que a IA lida com tarefas como resumir conversas, organizar pedidos de entrada e ajudar a redigir respostas, os agentes gastarão mais tempo entendendo o que realmente aconteceu em uma situação e coordenando com outras equipes para consertá-lo. Isso se torna menos sobre mover tickets por uma fila e mais sobre possuir o resultado da questão do cliente.

As equipes também precisarão de pessoas responsáveis pelos sistemas que tornam a IA útil. O suporte assistido por IA depende fortemente de documentação precisa, processos claros e fontes de conhecimento confiáveis. Manter esses sistemas se torna um trabalho contínuo, então as organizações de suporte provavelmente acrescentarão foco na gestão de conhecimento, melhoria de fluxos de trabalho e garantindo que a IA continue a fornecer orientação útil à medida que produtos e políticas evoluem.

A Hiver opera em um mercado de help desk competitivo. Quais mudanças fundamentais nas expectativas dos clientes você acredita que as plataformas legadas falharam em adaptar?

Os clientes cada vez mais esperam continuidade quando entram em contato para suporte. Eles querem que a organização lembre interações anteriores e carregue esse contexto por toda a conversa. Repetir informações em várias trocas se torna rapidamente frustrante.

Questões de suporte também se estendem além da equipe de suporte em si. Equipes de produtos, equipes de operações e gerentes de contas frequentemente contribuem para a resolução. Plataformas que trazem comunicação e contexto operacional para o mesmo fluxo de trabalho tornam mais fácil manter a propriedade da questão clara do início ao fim.

Olhando para o futuro, como é o “grande suporte ao cliente” em um mundo primeiro em IA — e quais capacidades separarão as empresas que prosperam daquelas que ficam para trás?

O grande suporte em um mundo primeiro em IA simplesmente se sentirá mais fácil para o cliente. Eles entram em contato, a equipe entende a situação rapidamente e a conversa avança sem muita troca para reconstruir o que aconteceu. A tecnologia por trás disso permanece principalmente invisível. O que os clientes notam é que sua questão é entendida e resolvida sem esforço desnecessário.

Para as equipes que executam o suporte, essa experiência vem de ter o contexto certo disponível no momento em que a conversa começa. A IA ajuda a organizar informações e apresentar o que importa, enquanto o agente se concentra em entender o cliente e guiar a questão para a resolução. As empresas que prosperam serão aquelas que constroem suas operações de suporte em torno dessa clareza e continuidade na interação.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Hiver.