Mark Hughes, medgrundare och VD på Solidroad – Intervjuserie

Mark Hughes, medgrundare och VD på Solidroad, är en återkommande entreprenör och go-to-market-ledare som har byggt sin karriär vid skärningspunkten mellan försäljning, kundupplevelse och teknik. Han grundade tidigare Gradguide, en karriär- och rekryteringsplattform som samlade in 2 miljoner euro och senare förvärvades, och hade seniora kommersiella roller på Chargify, där han ledde EMEA-operationer efter fusionen med Maxio. Tidigare i sin karriär utvecklade han djup expertis inom höghastighets- och företagsförsäljning på Intercom, där han hanterade komplexa affärsprocesser och hjälpte till att skala upp intäktslag. Idag leder han Solidroad från San Francisco, och tillämpar den erfarenheten för att omdefiniera hur företag utvärderar och förbättrar kundinteraktioner med hjälp av AI, med fokus på att höja kvalitetsnivån över både mänskliga och automatiserade supportsystem.

Solidroad är en AI-driven plattform för kvalitetssäkring och utbildning som är utformad för moderna kundupplevelseteam, byggd för att analysera och förbättra varje kundinteraktion i stor skala. Plattformen tar in samtal över kanaler, utvärderar prestanda mot företagets standarder och genererar personliga utbildningssimulatorer för att kontinuerligt optimera både mänskliga agenter och AI-system. Istället för att ersätta kundsupportteam fokuserar Solidroad på att förbättra dem, och omvandlar varje interaktion till en återkopplingsloop som förbättrar resultat som svarskvalitet, effektivitet och kundtillfredsställelse. Företaget positionerar sig som infrastruktur för högpresterande CX-team, och hjälper organisationer att leverera konsekventa, högkvalitativa upplevelser utan att öka driftskostnaderna.

De flesta företag förlitar sig fortfarande på att granska en liten del av kundinteraktioner för att utvärdera prestanda. Vad övertygade dig om att denna metod är grundligt trasig, och hur ledde den insikten till att bygga Solidroads tillvägagångssätt för kontinuerlig övervakning, poängsättning och förbättring av både mänskliga och AI-agenter?

Patrick och jag hade båda tillbringat år med kundsupportteam innan vi startade Solidroad, och ett problem som ständigt framträdde var att företag hade hundratusentals samtal med kunder, men om du frågade hur samtalen egentligen gick, visste de inte riktigt. Och det de visste var baserat på en så liten del av interaktionerna att det inte var tillförlitligt.

Det var redan en skakig grund när människor hanterade varje biljett. Nu, med AI som kommer in i bilden, har insatserna förändrats. Ett dåligt mönster kunde spelas upp över tusentals samtal samtidigt, och gå obemärkt förbi eftersom de flesta team bara granskar 1-2% av interaktionerna.

Vi såg detta hända på företag om och om igen, och de förlorade kunder på grund av det, så vi bestämde oss för att skapa en lösning. Vi insåg att detta ultimat var ett infrastrukturproblem. Företag hade helt enkelt inte de system som behövdes för att förstå prestandan hos sina kundsupportagenter.

Solidroad byggdes för att ta itu med den blinda fläcken. Vi ger företag verktygen för att se vad som verkligen händer i stor skala, och säkerställa att varje samtal – mänskligt, AI eller båda – levererar värde.

Solidroad har beskrivits som en “flygsimulator” för kundorienterade team. Kan du gå igenom hur er AI simulerar riktiga kundinteraktioner, och vad som gör att dessa simuleringar är effektiva för utbildning i stor skala?

Flygsimulator-analogin fungerar eftersom den grundläggande idén är densamma. Du vill inte att någons första upplevelse av att hantera en svår situation ska ske inför en riktig kund.

Det som gör våra simuleringar effektiva är att de är grundade i vad som verkligen händer i företagets riktiga samtal. När en agent får något fel i en live-interaktion genererar systemet en riktad simulering kring exakt den typen av scenario så att de kan öva på det innan det händer igen. Det är inte generisk utbildningsinnehåll.

Återkopplingsloopens drivkraft är vad som driver inlärningen. Agenter kör igenom ett scenario, får specifik vägledning om vad som fungerade och vad som inte gjorde det, och försöker igen. Misstag händer i en säker miljö, och inlärningen fastnar eftersom den är knuten till riktiga situationer snarare än abstrakta klassrumsövningar.

Er plattform utbildar inte bara agenter, den poängsätter också live-interaktioner mot anpassade riktlinjer. Hur designar ni dessa poängsättningssystem för att återspegla riktiga affärsresultat som CSAT, kundbehållning eller intäkt?

För att skapa dessa riktlinjer börjar vi alltid med vad det specifika företaget verkligen bryr sig om. Ett finansföretag som hanterar fakturafordringar har olika kvalitetsstandarder än ett e-handelsföretag som hanterar returer under högsäsong. Så poängsättningen byggs runt varje organisations egna riktlinjer, deras policys, deras varumärkesröst och vad en bra lösning ser ut för dem.

Och affärsresultat som förbättrade CSAT-poäng och kundbehållning kommer från högkvalitativa kundinteraktioner. Istället för att spåra poäng i efterhand fokuserar vi på de beteenden som förutsäger dessa resultat: konsekvent prestanda över agenter, följa rätt processer och de mjuka färdigheter som formar hur kunder känner sig i slutet av ett samtal.

Målet är att ge ledare en tydlig, praktisk bild av vad som fungerar för deras företag, så att de kan utbilda sina team, replikera framgång och växa det över hela organisationen.

Många företag granskar bara en liten del av kundkonversationer. Hur möjliggör Solidroad fullständig täckning av analys, och vilka typer av insikter blir möjliga när man flyttar från stickprov till att analysera allt?

Vår senaste State of CX-undersökning visade att cirka 81% av supportkonversationer aldrig granskas för kvalitet, vilket lämnar team som granskar en så liten del av konversationerna att de i princip stickprov och hoppas att det är representativt. När ett företag börjar utvärdera varje kundkonversation blir mönster som aldrig skulle dyka upp i ett slumpmässigt stickprov uppenbara. Team börjar se vilka typer av förfrågningar som hanteras dåligt, var AI- och mänskliga agenter avviker på oväntade sätt och vilka problem som är återkommande innan de ens dyker upp i en kundklagomål.

Solidroad använder AI för att automatiskt granska varje kundkonversation över chatt, e-post och röst, vilket gör fullständig täckning möjlig. Detta skifte från stickprov till 100% granskning är vad som avslöjar konsekventa mönster i kvalitet, kundfriction och prestanda som annars skulle förbli dolda.

Crypto.com är ett utmärkt exempel på vad fullständig täckning verkligen låser upp. Innan Solidroad hade deras team inget tillförlitligt sätt att mäta agentkvalitet i stor skala eller validera att agenter var redo att hantera live-biljetter. Problem uppstod bara efter att de redan hade påverkat kunder. Genom att flytta till automatiserad poängsättning över 800 000 månatliga konversationer kunde de fånga kvalitetsproblem tidigt, validera agenter innan distribution och bekräfta att förbättringar verkligen höll i sig. Resultaten var en 18% minskning av genomsnittlig hanteringstid och en 3% ökning av CSAT (vilket är betydande i den skala de opererar på). När deras konversationsvolym fortsätter att växa, ökar kvalitetsöverblicken med den snarare än att falla längre bak.

Det är verkligen vad fullständig täckning förändrar. Det skiftar kvalitet från något reaktivt till något proaktivt som kan hanteras i förväg.

Arbetar du med företag som Crypto.com och Ryanair, där kundupplevelse är livsviktig. Vilka mönster eller vanliga svagheter har du identifierat hos stora supportteam?

Några saker som kommer upp konsekvent. Det första är gapet mellan vad företag tror händer i sina kundkonversationer och vad som verkligen händer. De flesta team är säkra på sin supportkvalitet tills de får fullständig insyn, sedan inser de att bilden är mer komplicerad än deras mått tidigare antydde.

Det finns också en konsekvent diskrepans mellan hur team mäter prestanda och vad som verkligen driver kundresultat. Hastighetsmått och biljettantal är lätta att spåra, så de tenderar att dominera utvärderingar. Men dessa siffror säger inte till företag om kundens problem löstes, agenten representerade varumärket korrekt eller om interaktionen lämnade kunden med en bra känsla för företaget. I högriskmiljöer som fintech eller hälsovård kan denna diskrepans mellan mätning och resultat ha allvarliga konsekvenser.

Det finns en växande oro över att AI i kundservice kan försämra den mänskliga upplevelsen. Hur säkerställer du att ditt system förbättrar kvalitet snarare än att driva team mot alltför skriptade eller robotiska interaktioner?

Det är en berättigad oro, men en som vanligtvis kommer från QA-system (Quality Assurance) som använder AI för fel saker. Om ett företag poängsätter agenter enbart utifrån följande av ett manus eller hur snabbt de stänger en biljett, kommer de att få interaktioner som tekniskt sett checkar alla rutor men känns tomma eller opersonliga för kunden.

Vår tillvägagångssätt är att bygga poängsättning runt vad som verkligen gör att en kund lämnar en interaktion och känner sig stödd. Vi tittar på saker som om agenten lyssnade aktivt, visade empati när det behövdes och faktiskt hjälpte kunden att lösa sitt problem.

Detsamma gäller AI-agenter. Målet är att använda AI för att göra kundinteraktioner mer konsekventa, precisa och lämpligt responsiva för vad kunden verkligen upplever. När kvalitetsövervakning byggs runt dessa resultat snarare än bara processen, tenderar interaktionerna att drivas i en bättre riktning, inte en mer skriptad.

Solidroad befinner sig vid skärningspunkten mellan mänskliga agenter och AI-agenter. Hur ser du på relationen mellan de två, särskilt när AI börjar hantera fler frontlinjeinteraktioner?

Det är viktigt att se mänskliga agenter och AI-agenter som ett team, som delar på arbetsuppgifterna. Jag tror att framtiden för mänskliga och AI-agenter är hybrid.

AI hanterar högvolyms-, raka förfrågningar mycket bra, och de bästa AI-agenterna löser till och med de flesta av dessa konversationer på egen hand, vilket är riktigt imponerande.

Men resultatet av det är att interaktionerna som når mänskliga agenter blir alltmer komplexa, emotionellt laddade och högrisk. Kunden som är frustrerad, situationen som inte passar en standardmall, konversationen som kräver riktigt omdöme. Så ribban för mänskliga agenter höjs faktiskt, inte sänks.

Det är exakt varför övervakning över båda blir så viktig. AI behöver hantera sin volym konsekvent och korrekt. Människor behöver vara väl förberedda för de svårare konversationerna de nu primärt hanterar. Och det behövs ett oberoende lager som sitter över båda, som ger företag en tydlig bild av vad som fungerar och vad som inte gör det. Det är den hybridmodell vi tror kommer att definiera CX framåt, och det är vad vi bygger mot.

Ert system tillhandahåller realtidsåterkoppling och utbildning. Hur viktigt är omedelbarhet vid förbättring av agentprestanda, och hur jämför det med traditionell utbildning och QA-arbetsflöden?

Omedelbarhet är verkligen viktig, och forskningen stöder att återkoppling är mest effektiv när den är kopplad till den specifika situationen som genererade den. Traditionella QA-arbetsflöden bryter den kopplingen nästan av design. En chef granskar ett samtal dagar eller veckor efter att det har hänt, delar återkoppling i en periodisk översyn, och vid den tidpunkten har agenten redan haft dussintals andra interaktioner där felet troligen upprepades. Utan att tillhandahålla återkoppling i realtid, kvarstår misstag och agenter måste avlära sig metoder de alltid är vana vid.

Vad vi har funnit är att återkoppling är mest effektiv när den dyker upp omedelbart efter ett riktigt samtal. Det fungerar bäst när det är kopplat direkt till vad agenten just hanterade och parat med en specifik simulering de kan köra direkt. I detta format översätts det till faktisk beteendeförändring mycket snabbare. Agenter hör inte bara att de behöver förbättras, de övar förbättringen i sammanhang, medan det fortfarande är färskt.

Kontrasten med traditionell onboarding är det tydligaste exemplet på detta. Vår data visar att över hälften av mänskliga agenter säger att den svåraste delen av onboarding är att tillämpa vad de lärde sig i utbildningen på riktiga kundsituationer. Den diskrepansen finns eftersom klassrumsinlärning och live-support känns som ingenting liknar. Kontinuerlig, situationsbunden återkoppling löser detta på ett sätt som periodiska översyner aldrig riktigt kunde.

Har du visat förbättringar som minskad onboardingstid och högre CSAT. Vilken mätning bryr sig kunderna mest om när de antar er plattform, och hur visar ni ROI tidigt i relationen?

Det varierar beroende på var kundens smärtor ligger, men de två saker som kommer upp mest konsekvent är kvalitetssäkringstäckning och tidsbesparingar. Team som manuellt granskar en liten del av konversationer ser omedelbart värdet i att flytta till 100% täckning, både för de insikter Solidroad ytor och för de timmar det ger tillbaka till deras QA-team. Över vår kundbas ser vi vanligtvis en 20-gånger ökning av QA-täckning och 90% minskning av manuell gransknings tid.

På ROI-sidan försöker vi koppla resultat till mått som redan är viktiga för det företaget. Hos Podium var rubriken onboardingstid. Nya agenter nådde prestandamål på 60 dagar istället för 90, och löste problem 33% snabbare när de gick live. Hos Crypto.com var det lösningstid och konversationsvolym synlighet. För Ryanair visade det sig i rekryterings timmar som sparades.

Det specifika skiljer sig, men mönstret är detsamma: när du verkligen kan se vad som händer över dina kundinteraktioner och agera på det snabbt, följer förbättringar i de mått som betyder något.

Att se framåt, ser du Solidroad förbli fokuserad på utbildning och QA, eller utvecklas till ett bredare orkestreringsskikt för att hantera både mänskliga och AI-kundinteraktioner?

Utbildning och QA är där vi började, men visionen är större än så. Sättet vi tänker på det är att kvalitetsövervakning kommer att bli nyckelinfrastruktur för alla företag som kör AI i kundsupport. På samma sätt som säkerhetscertifieringar blev oeftergivliga när företag flyttade data till molnet, kommer kvalitetscertifiering att bli avgörande när kundkonversationer flyttar till AI.

Nordstjärnan är att “Solidroad Certified” bär verklig mening: bevis på att ett företag uppfyller en hög standard för hur de behandlar kunder, oavsett om interaktionen hanterades av en person eller en AI.

Vad det betyder praktiskt är att vi vill vara systemet som organisationer förlitar sig på för att hantera och förbättra kundinteraktionskvalitet över hela linjen, inte bara flagga problem på baksidan. Det är en stor del av varför vi höll vår 25 miljoner dollar serie A-ledd av Hedosophia – det ger oss möjlighet att bygga mot den visionen. Det inkluderar att expandera vår produktförmåga och team för att hjälpa ännu fler företag att utvärdera 100% av sina kundinteraktioner.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Solidroad.