Нирај Ранджан, Основатель и Генеральный Директор Hiver – Интервью Серия

Нирај Ранджан, 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, используя 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 FPGA-основанных систем, опыт, который сформировал его подход к созданию высокопроизводительных, масштабируемых продуктов и укреплению сильных инженерных культур.

Hiver – это современная платформа обслуживания клиентов, основанная на искусственном интеллекте, предназначенная для объединения каналов связи, 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, а искусственный интеллект 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 используется более чем 10 000 команд во всем мире.

Ранее в своей карьере в Mentor Graphics вы работали над передовыми системами аппаратной эмуляции, используемыми для моделирования сложных электронных конструкций до их физического создания. Позже вы стали сооснователем и расширили Mobicules с команды из трех человек до компании из 35 человек, прежде чем запустили Hiver. Как эти глубокие технические основы и ранний опыт расширения повлияли на ваш подход к созданию искусственного интеллекта, 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. Появляются граничные случаи, взаимодействия между компонентами меняют результаты, и чистая модель разрушается. Этот образ мышления переносится на среды обслуживания клиентов. Разговоры приходят с отсутствующим контекстом, эмоциональной срочностью и зависимостями от нескольких внутренних систем.

Расширение компании раскрывает еще один слой сложности. По мере роста команд операционная трение становится очень заметным. Агенты тратят время на сбор информации из разных инструментов и координацию внутри компании, прежде чем они смогут даже ответить. Этот опыт сформировал наше мышление в Hiver. Мы смотрим на весь цикл поддержки, от момента прибытия запроса до момента его решения, и спрашиваем, где искусственный интеллект может удалить это трение, чтобы команды тратили больше энергии на решение проблемы.

Hiver подчеркивает использование искусственного интеллекта для удаления рутинной работы, а не замены человеческого суждения или сочувствия. Где вы проводите границу между полезной автоматизацией и чрезмерной автоматизацией в поддержке 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 смогут решить, что сказать. Искусственный интеллект обрабатывает эту предварительную работу хорошо. Когда система может суммировать нить или вывести 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 в том, как ответ формулируется. Искусственный интеллект может предоставить контекст и предложения в эти моменты, хотя окончательное решение о тоне и решении остается с человеком, ответственным за опыт клиента.

Многие инструменты искусственного интеллекта выглядят впечатляюще на демонстрациях продукта, но испытывают трудности в повседневном производственном использовании. Что вы узнали о разрыве между искусственным интеллектом, который демонстрируется хорошо, и искусственным интеллектом, который последовательно работает внутри высокообъемных 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 нужны данные из 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 заключается в понимании того, что произошло, и решении, как вопрос должен двигаться дальше. Искусственный интеллект работает гораздо лучше, когда он поддерживает этот поток работы. Помощь агентам в быстром понимании контекста разговора делает значительную разницу, когда ящик начинает заполняться.

Hiver интегрируется в существующие рабочие процессы связи вместо того, чтобы заставлять команды использовать совершенно новые системы. Насколько важно это “встречать пользователей там, где они уже работают” философия при развертывании искусственного интеллекта 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 с электронной почты, и работа вокруг этих разговоров включает извлечение контекста из других систем и координацию внутри с коллегами. Если искусственный интеллект находится 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, актуальный контекст клиента и предложения, которые помогают им двигать вопрос вперед. Этот небольшой сдвиг уменьшает время, потраченное на реконструкцию того, что произошло, и дает агенту больше места, чтобы сосредоточиться на решении самой проблемы.

Команды поддержки часто работают под интенсивным давлением, особенно при решении проблем разочарованных клиентов или срочных вопросов. Как вы проектируете системы искусственного интеллекта, чтобы уменьшить когнитивную нагрузку, а не добавлять трение в эти моменты?

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

Искусственный интеллект помогает наиболее, когда он уменьшает это усилие. Открывая нить и сразу видя ясное суммирование или актуальную статью знаний, меняет начальную точку 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 наблюдаете в том, как принятие искусственного интеллекта эволюционирует после первоначального развертывания? Что отличает команды, которые действительно интегрируют искусственный интеллект в повседневные рабочие процессы, от тех, кто рассматривает его как необязательное дополнение?

Команды, которые действительно видят ценность от искусственного интеллекта, обычно начинают с нескольких очень конкретных моментов в рабочем процессе, где агенты теряют время каждый день. Суммирования разговоров – хороший пример. Когда агент открывает длинную нить и сразу понимает, что произошло, все взаимодействие начинается по-другому. То же самое применяется, когда система выдает точную статью помощи или политику, необходимую для ответа на вопрос. Когда эти моменты действительно помогают, агенты начинают использовать искусственный интеллект естественным образом, потому что он делает их день проще.

Другим фактором является качество знаний, стоящих за системой. Предложения искусственного интеллекта 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 искусственный интеллект становится частью того, как команда работает, просто потому, что он помогает им проходить через разговоры с большей ясностью.

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

Обслуживание клиентов – одна из тех сред, где небольшие ошибки могут иметь непропорциональные последствия. Ответ, который неправильно понимает проблему с выставлением счета или разочарованный клиент, может создать больше работы для команды и быстро повредить доверие. Эта реальность заставляет очень намеренный подход к тому, где искусственный интеллект принимает действия, 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 искусственного интеллекта с уровнем надежности, который требует задача. Новые модели и техники появляются постоянно, хотя настоящий тест заключается в том, работают ли они последовательно внутри повседневных операций поддержки. Команды, строящие эти системы, должны оставаться близко к тому, как агенты действительно работают, и относиться к этой обратной связи как к основному сигналу для того, что должно быть отправлено дальше.

Как вы думаете, искусственный интеллект 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 большего количества людей, сосредоточенных на решении сложных проблем. По мере того, как искусственный интеллект обрабатывает задачи, такие как суммирование разговоров, организация входящих запросов и помощь в создании ответов, агенты будут тратить больше времени на понимание того, что действительно произошло в ситуации, и координацию с другими командами, чтобы исправить это. Это становится менее о том, чтобы перемещать тикеты через очередь, и больше о том, чтобы владеть результатом проблемы клиента.

Команды также будут нуждаться в людях, ответственных за системы, которые делают искусственный интеллект полезным. Поддержка, основанная на искусственном интеллекте, 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 искусственный интеллект продолжал предоставлять полезное руководство, поскольку продукты и политики развиваются.

Hiver работает на конкурентном рынке 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 выходят за рамки команды поддержки самой по себе. Продуктовые команды, операционные команды и менеджеры по учетным записям часто вносят вклад в решение. Платформы, которые приносят коммуникационный и операционный контекст в один и тот же рабочий процесс, делают его проще сохранить владение проблемой ясным от начала до конца.

Оглядываясь вперед, как выглядит “отличная поддержка клиентов” в мире, основанном на искусственном интеллекте – и какие возможности будут отличать компании, которые процветают, от тех, кто отстает?

Отличная поддержка в мире, основанном на искусственном интеллекте, просто будет казаться проще для клиента. Они обращаются, команда понимает ситуацию быстро, и разговор движется вперед без многочисленных обменов, чтобы реконструировать, 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, управляющих поддержкой, этот опыт исходит от наличия правильного контекста, доступного в момент начала разговора. Искусственный интеллект помогает организовать информацию и вывести то, что важно, пока агент фокусируется на понимании клиента и руководстве проблемой к решению. Компании, которые процветают, будут теми, кто строит свои операции поддержки вокруг этой ясности и непрерывности во взаимодействии.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Hiver.