Fran Loftus, Chief Experience Officer, EliseAI – Intervju-serie

Fran Loftus, Chief Experience Officer, EliseAI är en dynamisk ledare känd för sin kreativa energi och mångsidiga bakgrund, som kombinerar entreprenöriell drivkraft med djup operativ expertis. Innan hon anslöt sig till EliseAI, co-founderade hon HOM, en tech-aktiverad amenitet- och engagemangplattform som förvärvades av Alfred, där hon senare tjänstgjorde i flera verkställande roller för att forma boendeupplevelser över hundratusentals enheter. På EliseAI har hon haft seniora operativa ledningspositioner som rapporterar till VD och styrelse, driver företagsövergripande effektivitet, övervakar kundresultat och samarbetar nära med teknik och försäljning om produktsstrategi och lansering. Som erkänd grundare och branschledare har hon nominerats till Top Founder på MIPIM och upprepade gånger namngivits som en av CRETechs topp kvinnliga influenser.

EliseAI är ett New York-baserat AI-programvaruföretag som förvandlar hur bostads- och hälsovårdsorganisationer hanterar högvolymskommunikation och operativa arbetsflöden med avancerad konversations- och agensbaserad artificiell intelligens. Dess plattform automatiserar uppgifter som turschema, uthyrningskommunikation, underhållsbegäran, förnyelse, patientintag, och administrativt stöd över text, röst, e-post och chatt, vilket möjliggör för team att operera mer effektivt samtidigt som de förbättrar svarstiden och kundupplevelsen. Genom att centralisera dessa interaktioner till ett enhetligt AI-system hjälper EliseAI organisationer att skala upp verksamheten, minska den manuella arbetsbelastningen och leverera mätbara prestandaförbättringar över viktiga funktioner.

Som Chief Experience Officer på EliseAI, har du en sällsynt kombination av erfarenhet över community, operationer och teknik. Du grundade HOM, en plattform som hjälpte multifamiljsbyggnader att leverera delade bekvämligheter och en känsla av gemenskap i stor skala, sedan ledde du upplevelse och serviceleverans på Alfred, ett bostadstjänstföretag som är inbäddat i tusentals lägenhetsbyggnader. Hur påverkar dessa djupt praktiska, människofokuserade roller hur du designar och operationaliserar AI-upplevelser på EliseAI idag?

Min bakgrund inom fysisk fastighetsförvaltning lärde mig att tekniken bara är så bra som den service den faktiskt levererar på marken. På HOM och Alfred lärde jag mig att en boende inte bryr sig om ett snyggt gränssnitt om deras underhållsbegäran försvinner i en svart håla eller deras inflyttning försenas. Detta har gjort mig besatt av att stänga loopen. Jag designar inte AI enbart för att hantera samtal, jag designar det för att hantera hela livscykeln för en uppgift. Jag prioriterar boenden i kris eller personalen som är för utsträckt, för att säkerställa att AI inte bara är en sak för dem att övervaka, utan ett verktyg som tar bort vikten från deras axlar.

Från ett kundupplevelseperspektiv, vad ser effektiv AI ut som i bostads- och hälsovårdsmiljöer där förtroende, tydlighet och uppföljning är lika viktiga som hastighet eller automatisering?

I bostäder och hälsovård är det att vara snabbt bra, men att faktiskt följa upp är vad bygger förtroende. Bra AI bör inte bara ge dig ett snabbt svar; det måste se till att något faktiskt händer. Om en patient frågar om en räkning eller en hyresgäst vill förnya sitt hyresavtal, måste AI uppdatera register, berätta för rätt chef och låta den personen veta att hjulen är i rörelse. Det handlar om att vara tydlig och proaktiv så att människor inte känner att de måste ringa tillbaka tre gånger bara för att kontrollera status.

EliseAI har tagit en vertikal först-ansats snarare än att erbjuda en allmän AI-lager. Hur förändrar det beslutet den dagliga upplevelsen för fastighetsteam, boende och hälsovårdspersonal jämfört med horisontella AI-verktyg?

Allmänna AI-verktyg kräver att kunden gör den tunga lyftningen av att lära programvaran branschreglerna. Eftersom vi är en vertikal lösning som fokuserar exklusivt på bostäder och hälsovård, anländer vårt system med en djup förståelse för de specifika arbetsflödena, som säkerhetsdepositionsregler eller patientplaneringsnyanser. För personalen på marken betyder det att de inte hanterar en generisk chatbot som kan hallucinera en policy. De arbetar med ett system som redan är integrerat i deras befintliga programvara och talar språket för deras dagliga operationer från dag ett.

Kan du förklara hur skuggning av frontlinjearbetare för att fånga slut-till-slut-arbetsflöden förbättrar modellbeteende och den slutliga kundupplevelsen, jämfört med att träna på abstrakta data ensam?

Abstrakta data visar dig “vad”, men att vara på marken med kunder visar dig “hur”. När mitt team tillbringar tid i den faktiska miljön där programvaran distribueras, ser de friktionspunkter som en datamängd skulle missa. Till exempel, under upptäcktsessioner med en militär bostadsoperatör, identifierade vi komplexa godkännandeflöden och stränga dagliga begränsningar som inte fanns i någon manual. Genom att fånga dessa smutsiga, verkliga detaljer och översätta dem till produkten, kan vi bygga AI som inte bara fungerar i en demo, utan överlever kaoset i en upptagen kontor.

När AI-system flyttar bortom att svara på frågor till att utföra uppgifter, vilka nya upplevelserisker uppstår, och hur säkerställer du att automatisering känns stödjande och tillförlitlig snarare än intrusiv eller ogenomskinlig?

Den primära risken skiftar från att AI säger något inkorrekt till att AI gör något inkorrekt. För att mildra detta har jag etablerat en produktsolutionsmodell där vi har experter – många av dem är tidigare grundare – som äger specifika domäner av produkten. De ställer in de specifika reglerna och räcken för hur AI utför en uppgift, för att säkerställa att den aldrig tar en åtgärd som skulle förvåna eller förvirra en mänsklig personal.

I bostäder och hälsovård, kan även små fel snabbt urholka förtroendet. Hur designar du agensbaserade AI-system som förblir transparenta, förutsägbara och lätta för människor att gå in och korrigera när det behövs?

Att designa för förtroende börjar med att gå bort från en traditionell reaktiv inställning där du bara väntar på att saker ska gå fel. Istället har jag byggt ett team som fungerar som en bro mellan verkliga operativa förhållanden och AI-logik. Dessa är inte supportagenter – de är strateger och tidigare grundare som äger specifika domäner av produkten från slut till slut.

De tillbringar sin tid med att skugga arbetare för att förstå de oeftergivliga reglerna i en bransch som komplexa militära bostadsgodkännandeflöden eller stränga medicinska svarstider, och de bakar in dem direkt i hur AI beter sig. Transparens kommer från det faktum att våra system är designade för att flagga potentiella problem proaktivt innan de blir boende- eller patientklagomål. När AI känner av en högemotionssituation eller en komplex begäran den inte är tränad för, gissar den inte. Den utlöser en överföring som ger den mänskliga personalen den fullständiga historien och sammanhanget för interaktionen, vilket möjliggör för dem att gå in som en informerad partner snarare än att börja från scratch.

Från din utgångspunkt som ansvarig för implementering och kundframgång, vad är de vanligaste friktionspunkterna som kunder möter när de antar AI i operativa arbetsflöden, och hur minskar EliseAI den friktionen tidigt i distributionen?

Den största friktionen är sällan tekniken i sig, utan snarare ångesten att tekniken kommer att störa teamets flöde eller ersätta deras roller. Vi adresserar detta genom att fokusera på omedelbar, praktisk lättnad. Under den första veckan använder vi AI för att ta över de repetitiva, högvolymsuppgifter som vanligtvis orsakar mest utbrändhet, som initial lead-uppföljning. Vi använder också vår egen AI för att hantera våra interna företagsoperationer. Detta hjälper oss att förstå de exakta stresspunkterna för att ändra ett arbetsflöde, så att vi kan vara bättre partners när våra kunder går igenom samma övergång.

Många organisationer kämpar för att gå utöver pilotfasen. Hur hjälper du kunder att utveckla sina processer och förväntningar så att AI blir en integrerad del av dagliga operationer snarare än att förbli en sidoprojekt?

AI fungerar bara när det slutar vara ett sidoprojekt och blir en normal del av arbetsdagen; vi hjälper ledare att omorganisera sina team så att när AI hanterar det tunga arbetet, kan människor fokusera på de uppgifter som faktiskt kräver en mänsklig beröring.

EliseAI stöder nu ungefär en av sex amerikanska lägenheter. Hur förändras kundförväntningarna på den nivån, och vilka nya upplevelseutmaningar uppstår när AI blir en del av standardoperationer?

På den nivån är AI inte längre en cool innovation. Det är en utility, precis som elektricitet. Förväntningen skiftar från att det är imponerande när det fungerar till att det är oacceptabelt när det misslyckas. Vi måste hantera den variationen samtidigt som vi upprätthåller 100% tillförlitlighet.

Om 2 till 3 år, hur ser du att rollen som Chief Experience Officer utvecklas när AI-system tar på sig mer ansvar inom väsentliga tjänster som bostäder och hälsovård?

Rollen kommer att utvecklas från att hantera kundservice till att orkestrera partnerskapet mellan människor och AI. När AI tar över de administrativa och repetitiva delarna av jobbet, kommer CXO:s fokus att skifta helt till de strategiska och emotionella beröringspunkterna. Vårt ansvar kommer att vara att säkerställa att när världen blir mer automatiserad, blir de mänskliga interaktionerna i bostäder och hälsovård mer avsiktliga och mer betydelsefulla.

Tack för det underbara samtalet, läsare som vill lära sig mer kan besöka EliseAI.