Niraj Ranjan, основатель и генеральный директор Hiver – Интервью

Niraj Ranjan, основатель и генеральный директор Hiver, является опытным предпринимателем и технологом, который построил свою карьеру на пересечении программной инженерии, разработки продукта и опыта клиентов. Он основал Hiver в 2017 году, чтобы переосмыслить программное обеспечение для обслуживания клиентов, опираясь на свой предыдущий опыт в качестве сооснователя Mobicules, где он расширил компанию с небольшой команды до 35-человеческой операции, работая руками как программист и архитектор. До предпринимательства он провел почти пять лет в Mentor Graphics, разрабатывая передовое программное обеспечение для эмуляции на основе FPGA, опыт, который сформировал его подход к созданию высокопроизводительных, масштабируемых продуктов и укреплению сильных инженерных культур.

Hiver – это современная платформа обслуживания клиентов, основанная на ИИ, предназначенная для объединения каналов коммуникации, таких как электронная почта, чат, голос и сообщения, в едином рабочем пространстве. Она позволяет командам управлять общими почтовыми ящиками, автоматизировать рабочие процессы и сотрудничать в реальном времени, пока ИИ обрабатывает повторяющиеся задачи, такие как маршрутизация тикетов, создание ответов и анализ данных. Платформа разработана для замены устаревших систем помощи на более интуитивно понятное и масштабируемое решение, помогающее организациям улучшить время ответа, отслеживать показатели производительности и обеспечивать последовательный опыт клиентов на всех каналах, и она используется более чем 10 000 команд во всем мире.

В начале своей карьеры в Mentor Graphics вы работали над передовыми системами аппаратной эмуляции, используемыми для模拟 сложных электронных конструкций до их физического создания. Позже вы стали сооснователем и расширили Mobicules с трех человек до 35-человеческой компании, прежде чем запустить Hiver. Как эти глубокие технические основы и ранний опыт масштабирования сформировали ваш подход к созданию ИИ, который работает надежно в реальных, высокопрессовых средах поддержки?

Работа над системами аппаратной эмуляции формирует ваше мышление о надежности. Эти системы существуют, потому что сложные конструкции ведут себя по-разному, когда они сталкиваются с реальными условиями. Случаи на краю появляются, взаимодействия между компонентами меняют результат, и чистая модель разрушается. Этот образ мышления переносится trực на среды обслуживания клиентов. Разговоры приходят с отсутствующим контекстом, эмоциональной срочностью и зависимостями от нескольких внутренних систем.

Масштабирование компании открывает другой слой сложности. По мере роста команд операционная трение становится очень заметной. Агенты тратят время на сбор информации из разных инструментов и координацию внутри команды, прежде чем они могут даже ответить. Этот опыт сформировал наше мышление в Hiver. Мы смотрим на весь цикл поддержки, от момента поступления запроса до момента его решения, и спрашиваем, где ИИ может удалить эту трение, чтобы команды тратили больше энергии на решение проблемы.

Hiver подчеркивает использование ИИ для удаления рутинной работы, а не для замены человеческого суждения или эмпатии. Где вы проводите границу между полезной автоматизацией и чрезмерной автоматизацией в обслуживании клиентов?

Работа поддержки содержит много операционных усилий, которые никогда не появляются в окончательном ответе. Агенты категоризируют запросы, ищут политики, извлекают информацию об учетной записи и отслеживают длинные истории разговоров, прежде чем они могут решить, что сказать. ИИ обрабатывает эту основу хорошо. Когда система может суммировать нить или вынести правильную статью знаний в нужный момент, агент начинает разговор с гораздо более ясным пониманием ситуации.

Суждение входит в картину, когда разговор включает эмоции, ответственность или двусмысленность. Разочарованный клиент или сбой в обслуживании требует интерпретации и заботы о том, как ответ формулируется. ИИ может предоставить контекст и предложения в этих моментах, хотя окончательное решение о тоне и решении остается с человеком, ответственным за опыт клиента.

Многие инструменты ИИ выглядят впечатляюще на демонстрациях продукта, но борются в повседневном использовании. Что вы узнали о разрыве между ИИ, который демонстрируется хорошо, и ИИ, который последовательно держится внутри высокообъемных почтовых ящиков поддержки?

Демонстрация захватывает чистый сценарий. Вопрос предсказуем, база знаний организована, и система производит ответ. Реальная работа поддержки редко разворачивается таким образом. Запросы приходят с частичной информацией, разговор протягивается через несколько обменов, и агенту часто нужен ввод от других команд или систем, прежде чем ситуация станет ясной.

Одним из уроков, который становится очевидным в производстве, является то, что сам ответ является только частью работы. Большая часть усилий сидит вокруг понимания того, что произошло, и решения о том, как ситуация должна продвигаться вперед. ИИ держится гораздо лучше, когда он поддерживает этот поток работы. Помощь агентам в понимании контекста разговора быстро делает значительную разницу, когда почтовый ящик начинает заполняться.

Hiver интегрируется в существующие рабочие процессы коммуникации вместо того, чтобы заставлять команды использовать совершенно новые системы. Насколько важно это “встречать пользователей там, где они уже работают” философия при развертывании ИИ в быстро меняющихся средах?

Это имеет большое значение, потому что команды поддержки уже работают под давлением. Когда новый инструмент просит их изменить способ работы или прыгать между системами, трение появляется сразу. Большинство разговоров поддержки все еще начинаются в электронной почте, и работа вокруг этих разговоров включает извлечение контекста из других систем и координацию внутри с коллегами. Если ИИ сидит вне этой среды, агент заканчивается дополнительной работой, просто чтобы использовать технологию.

Мы видели, что команды движутся гораздо быстрее, когда интеллект появляется внутри рабочего процесса, на который они уже полагаются. Агент, открывающий длинную нить электронной почты, может сразу увидеть суммирование разговора, соответствующий контекст клиента и предложения, которые помогают ему продвинуть проблему вперед. Этот небольшой сдвиг уменьшает время, потраченное на реконструкцию того, что произошло, и дает агенту больше места, чтобы сосредоточиться на решении проблемы самой по себе.

Команды поддержки часто работают под интенсивным давлением, особенно при решении проблем разочарованных клиентов или срочных вопросов. Как вы проектируете системы ИИ, которые уменьшают когнитивную нагрузку, а не добавляют трение в эти моменты?

Работа поддержки ставит постоянный спрос на внимание. Агент может обрабатывать десятки разговоров параллельно, каждый со своим тоном, срочностью и историей. Большая часть умственного усилия идет на реконструкцию ситуации, прежде чем решить, как ответить.

ИИ помогает наиболее, когда он уменьшает это усилие. Открытие нити и сразу увидеть ясное суммирование или соответствующую статью знаний меняет точку начала взаимодействия. Агент тратит меньше времени на сбор того, что произошло, и больше времени на размышления о лучшем способе решить проблему.

С более чем 10 000 командами, использующими Hiver во всем мире, какие закономерности вы наблюдали в том, как принятие ИИ эволюционирует после первоначального запуска? Что отделяет команды, которые действительно интегрируют ИИ в повседневные рабочие процессы, от тех, кто рассматривает его как необязательное дополнение?

Команды, которые видят реальную ценность от ИИ, обычно начинают с нескольких очень конкретных моментов в рабочем процессе, где агенты теряют время каждый день. Суммирования разговоров являются хорошим примером. Когда агент открывает длинную нить и сразу понимает, что произошло, все взаимодействие начинается по-другому. То же самое применяется, когда система выносит именно ту статью знаний или политику, которая нужна для ответа на вопрос. Когда эти моменты действительно помогают, агенты начинают использовать ИИ естественно, потому что он делает их день проще.

Другим фактором является качество знаний, стоящих за системой. Предложения ИИ сильно зависят от документации и процессов, от которых он черпает. Команды с ясными, хорошо поддерживаемыми базами знаний, как правило, видят гораздо более сильное принятие, потому что предложения остаются полезными и заслуживающими доверия. Со временем ИИ становится частью того, как команда работает, просто потому, что он помогает им пройти через разговоры с большей ясностью.

С точки зрения стратегии продукта, как вы балансируете скорость инноваций ИИ с поддержанием надежности и доверия – особенно в средах, где ошибки могут повредить отношения с клиентами?

Обслуживание клиентов – одна из тех сред, где небольшие ошибки несут непропорциональные последствия. Ответ, который неправильно понимает проблему с выставлением счета или разочарованного клиента, может создать больше работы для команды и повредить доверие быстро. Эта реальность заставляет очень намеренный подход к тому, где ИИ принимает действие, и где он поддерживает человеческого агента. Некоторые задачи, такие как категоризация или суммирование разговоров, терпят высокую степень автоматизации. Решения, которые влияют на доход, интерпретацию политики или отношения с клиентами, требуют гораздо более высокой степени уверенности.

Стратегия продукта становится упражнением в сопоставлении возможностей ИИ с уровнем надежности, который требует задача. Новые модели и методы появляются постоянно, хотя真正щий тест заключается в том, выполняют ли они последовательно внутри повседневных операций поддержки. Команды, строящие эти системы, должны оставаться близко к тому, как агенты фактически работают, и относиться к этому обратной связи как к основному сигналу для того, что должно быть отправлено дальше.

Как вы думаете, ИИ изменит структуру команд поддержки в течение следующих пяти лет? Сдвинется ли она в сторону надзора и суждения или появятся совершенно новые категории работы?

Структура команд поддержки, вероятно, сдвинется в сторону меньшего количества людей, обрабатывающих повторяющуюся обработку тикетов, и больше людей, сосредоточенных на решении сложных проблем. По мере того, как ИИ обрабатывает задачи, такие как суммирование разговоров, организация входящих запросов и помощь в создании ответов, агенты будут тратить больше времени на понимание того, что фактически произошло в ситуации, и координацию с другими командами, чтобы исправить это. Это становится менее о том, чтобы перемещать тикеты через очередь, и более о том, чтобы владеть результатом проблемы клиента.

Команды также будут нуждаться в людях, ответственных за системы, которые делают ИИ полезным. Поддержка, основанная на ИИ, сильно зависит от точной документации, ясных процессов и надежных источников знаний. Поддержание этих систем становится постоянной работой, поэтому организации поддержки, вероятно, добавят фокус на управление знаниями, улучшение рабочих процессов и обеспечение того, чтобы ИИ продолжал предоставлять полезное руководство, поскольку продукты и политики эволюционируют.

Hiver работает на конкурентном рынке систем помощи. Какие фундаментальные сдвиги в ожиданиях клиентов, по вашему мнению, устаревшие платформы не смогли адаптироваться?

Клиенты все больше ожидают непрерывности, когда они обращаются за поддержкой. Они хотят, чтобы организация помнила предыдущие взаимодействия и несла этот контекст через весь разговор. Повторение информации через несколько обменов быстро становится раздражающим.

Проблемы поддержки также распространяются за пределы команды поддержки самой по себе. Продуктовые команды, операционные команды и менеджеры по учетным записям часто вносят свой вклад в решение. Платформы, которые приносят коммуникацию и операционный контекст в один и тот же рабочий процесс, делают его проще сохранить владение проблемой ясным от начала до конца.

Взглянув вперед, как выглядит “отличная поддержка клиентов” в мире, основанном на ИИ – и какие возможности отделят компании, которые процветают, от тех, кто отстает?

Отличная поддержка в мире, основанном на ИИ, просто будет казаться проще для клиента. Они обращаются, команда понимает ситуацию быстро, и разговор продвигается вперед без многочисленных обменов, чтобы реконструировать то, что произошло. Технология за этим остается в основном невидимой. То, что клиенты замечают, это то, что их проблема понята и решена без ненужных усилий.

Для команд, которые управляют поддержкой, этот опыт исходит от наличия правильного контекста, доступного в момент начала разговора. ИИ помогает организовать информацию и вынести то, что имеет значение, пока агент фокусируется на понимании клиента и направлении проблемы к решению. Компании, которые процветают, будут теми, которые строят свои операции поддержки вокруг этой ясности и непрерывности взаимодействия.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Hiver.