Niraj Ranjan, grundare och VD för Hiver – Intervjuserie

Niraj Ranjan, grundare och VD för Hiver, är en erfaren entreprenör och teknolog som har byggt sin karriär vid skärningspunkten mellan programvaruteknik, produktutveckling och kundupplevelse. Han grundade Hiver 2017 för att omdefiniera kundservicemjukvara, med utgångspunkt från sin tidigare erfarenhet av att co-grunda Mobicules, där han utvecklade företaget från ett litet team till en 35-mannaföretag medan han arbetade hands-on som både programmerare och arkitekt. Innan han blev entreprenör tillbringade han nästan fem år på Mentor Graphics med att utveckla avancerad emuleringsmjukvara för FPGA-baserade system, en erfarenhet som formade hans tillvägagångssätt för att bygga högpresterande, skalbara produkter och främja starka ingenjörs-kulturer.

Hiver är en modern AI-driven kundservicplattform som är utformad för att förena kommunikationskanaler som e-post, chatt, röst och meddelanden i en enda arbetsyta. Den möjliggör för team att hantera delade inkorgar, automatisera arbetsflöden och samarbeta i realtid medan AI hanterar repetitiva uppgifter som biljett-routning, svarsskrivning och dataanalys. Plattformen är byggd för att ersätta äldre hjälpdesk-system med en mer intuitiv och skalbar lösning, som hjälper organisationer att förbättra svarstider, spåra prestandamätare och leverera konsekventa kundupplevelser över kanaler, och som används av mer än 10 000 team globalt.

Tidigt i din karriär på Mentor Graphics arbetade du med avancerade hårdvaruemulerings-system som användes för att simulera komplexa elektroniska konstruktioner innan de byggs fysiskt. Senare co-grundade och utvecklade du Mobicules från ett tre-mannaföretag till ett 35-mannaföretag innan du lanserade Hiver. Hur formade dessa djupa tekniska grunder och tidiga skal-erfarenheter ditt tillvägagångssätt för att bygga AI som presterar tillförlitligt i verkliga, högtrycks-supportmiljöer?

Att arbeta med hårdvaruemulerings-system formar hur du tänker om tillförlitlighet. Dessa system existerar för att komplexa konstruktioner beter sig annorlunda när de möter verkliga förhållanden. Kanterna dyker upp, interaktioner mellan komponenter förändrar resultaten och den rena modellen bryts ner. Den tankesättet förs över direkt till kundsupport-miljöer. Samtal anländer med saknad kontext, emotionell brådska och beroenden över flera interna system.

Att skala ett företag exponerar en annan nivå av komplexitet. När team växer blir operativ friktion mycket synlig. Agenter tillbringar tid med att sätta samman information från olika verktyg och koordinera internt innan de ens kan svara. Den erfarenheten formade vår tankegång på Hiver. Vi ser på hela support-livscykeln, från det ögonblick ett ärende anländer till den punkt det är löst, och frågar var AI kan ta bort den friktionen så att teamen kan lägga mer energi på att lösa problemet.

Hiver betonar användningen av AI för att ta bort tråkigt arbete snarare än att ersätta mänsklig bedömning eller empati. Var drar du gränsen mellan hjälpsam automation och över-automation i kundsupport?

Support-arbete innehåller en hel del operativt arbete som aldrig syns i det slutliga svaret. Agenter kategoriserar förfrågningar, söker efter policys, hämtar kontoinformation och spårar långa konversations-historier innan de ens kan bestämma vad de ska säga. AI hanterar den grundläggande arbetet väl. När ett system kan sammanfatta en tråd eller yta den rätta kunskapsartikeln vid rätt ögonblick, börjar agenten samtalet med en mycket tydligare förståelse för situationen.

Bedömning kommer in i bilden när samtalet involverar känslor, ansvar eller tvetydighet. En frustrerad kund eller en service- misslyckande kräver tolkning och omsorg i hur svaret är formulerat. AI kan ge kontext och förslag i dessa ögonblick, men den slutliga beslutet om ton och lösning ligger kvar hos den person som är ansvarig för kundupplevelsen.

Många AI-verktyg ser imponerande ut i produkt-demonstrationer men kämpar i daglig produktion. Vad har du lärt dig om gapet mellan AI som demostrar bra och AI som konsekvent håller i högvolym-support-inkorgar?

En demo fångar en ren scenario. Frågan är förutsägbar, kunskapsbasen är organiserad och systemet producerar ett svar. Riktigt support-arbete utvecklas sällan på det sättet. Förfrågningar anländer med partiell information, samtalet sträcker sig över flera utbyten och agenten behöver ofta input från andra team eller system innan situationen är klar.

En lärdom som blir uppenbar i produktionen är att svaret i sig är bara en del av jobbet. Mycket av ansträngningen ligger runt att förstå vad som hände och bestämma hur frågan ska gå vidare. AI håller sig bättre när den stöder den arbetsflödet. Att hjälpa agenter att förstå samtalets kontext snabbt gör en meningsfull skillnad när inkorgen börjar fyllas.

Hiver integreras direkt i befintliga kommunikations-flöden istället för att tvinga team att gå in i helt nya system. Hur viktigt är denna “möt användarna där de redan arbetar”-filosofi när man distribuerar AI i snabb-rörliga miljöer?

Det är mycket viktigt eftersom support-team redan arbetar under tryck. När ett nytt verktyg ber dem att ändra hur de arbetar eller hoppa mellan system, visar sig friktionen omedelbart. De flesta support-samtal börjar fortfarande i e-post, och arbetet runt dessa samtal innefattar att hämta kontext från andra system och koordinera internt med kollegor. Om AI sitter utanför den miljön, måste agenten göra extra arbete bara för att använda teknologin.

Vi har sett att team flyttar mycket snabbare när intelligensen visas inom arbetsflödet de redan förlitar sig på. En agent som öppnar en lång e-post-tråd kan omedelbart se en sammanfattning av samtalet, den relevanta kund-kontexten och förslag som hjälper dem att flytta frågan framåt. Den lilla skiftet minskar den tid som tillbringas med att rekonstruera vad som hände och ger agenten mer utrymme att fokusera på att lösa problemet i sig.

Support-team opererar ofta under intensivt tryck, särskilt när de hanterar frustrerade kunder eller brådskande frågor. Hur designar du AI-system som minskar kognitiv belastning snarare än lägger till friktion i dessa ögonblick?

Support-arbete ställer en konstant krav på uppmärksamhet. En agent kan hantera dussintals samtal parallellt, var och en med sin egen ton, brådska och historia. Mycket av den mentala ansträngningen går till att rekonstruera situationen innan de ens kan svara.

AI hjälper mest när det minskar den ansträngningen. Att öppna en tråd och omedelbart se en tydlig sammanfattning eller den relevanta kunskapsartikeln ändrar startpunkten för interaktionen. Agenten tillbringar mindre tid med att sätta samman vad som hände och mer tid med att tänka på det bästa sättet att lösa frågan.

Med mer än 10 000 team som använder Hiver globalt, vilka mönster har du observerat i hur AI-antagande utvecklas efter den initiala lanseringen? Vad skiljer team som verkligen integrerar AI i dagliga arbetsflöden från de som behandlar det som ett valfritt tillägg?

Teamen som ser verkligt värde från AI börjar vanligtvis med några mycket specifika ögonblick i arbetsflödet där agenter förlorar tid varje dag. Samtals-sammanfattningar är ett bra exempel. När en agent öppnar en lång tråd och omedelbart förstår vad som hände, börjar hela interaktionen annorlunda. Samma sak gäller när systemet ytar den exakta hjälp-artikeln eller policyn som behövs för att svara på frågan. När dessa ögonblick verkligen hjälper, börjar agenter att använda AI naturligt eftersom det gör deras dag enklare.

Den andra faktorn är kvaliteten på kunskapen bakom systemet. AI-förslag är beroende av den dokumentation och processer det drar från. Team med tydliga, väl underhållna kunskapsbaser tenderar att se mycket starkare antagande eftersom förslagen förblir användbara och trovärdiga. Över tiden blir AI en del av hur teamet arbetar, enbart för att det hjälper dem att gå igenom samtal med mer klarhet.

Från en produkt-strategi-perspektiv, hur balanserar du hastigheten på AI-innovation med att upprätthålla tillförlitlighet och förtroende — särskilt i miljöer där misstag kan skada kundrelationer?

Kundsupport är en av de miljöer där små fel har oproportionerliga konsekvenser. Ett svar som missförstår en faktura-fråga eller en frustrerad kund kan skapa mer arbete för teamet och skada förtroendet snabbt. Den verkligheten tvingar en mycket medveten tillvägagångssätt för var AI tar action och var den stöder den mänskliga agenten. Vissa uppgifter, som kategorisering eller sammanfattning av samtal, tolererar en hög grad av automation. Beslut som påverkar intäkter, policy-tolkning eller kundrelationer kräver en mycket högre grad av säkerhet.

Produkt-strategi blir en övning i att matcha AI-förmåga med den tillförlitlighet en uppgift kräver. Nya modeller och tekniker dyker upp konstant, men den verkliga utmaningen är om de presterar konsekvent inom daglig support-verksamhet. Teamen som bygger dessa system måste hålla sig nära hur agenter faktiskt arbetar och behandla den feedbacken som den primära signalen för vad som ska ske nästa.

Hur tror du att AI kommer att förändra strukturen på support-team under de närmaste fem åren? Kommer det att skifta mot tillsyn och bedömning, eller kommer helt nya kategorier av arbete att dyka upp?

Strukturen på support-team kommer troligen att skifta mot färre människor som hanterar repetitiva biljett-processer och fler människor som fokuserar på att lösa komplexa frågor. När AI hanterar uppgifter som sammanfattning av samtal, organisering av inkommande förfrågningar och hjälp med att skriva svar, kommer agenter att tillbringa mer tid med att förstå vad som verkligen hände i en situation och koordinera med andra team för att lösa det. Det blir mindre om att flytta biljetter genom en kö och mer om att äga utfallet av kund-frågan.

Team kommer också att behöva människor som är ansvariga för de system som gör AI användbart. AI-assisterad support är beroende av korrekt dokumentation, tydliga processer och tillförlitliga kunskapskällor. Att upprätthålla dessa system blir en pågående uppgift, så support-organisationer kommer troligen att lägga till fokus på att hantera kunskap, förbättra arbetsflöden och se till att AI fortsätter att ge användbara råd när produkter och policys utvecklas.

Hiver opererar i en konkurrensutsatt hjälpdesk-marknad. Vilka grundläggande skift i kund-förväntningar tror du att äldre plattformar har misslyckats med att anpassa sig till?

Kunder förväntar sig alltmer kontinuitet när de når ut för support. De vill att organisationen ska komma ihåg tidigare interaktioner och bära den kontexten genom hela samtalet. Att upprepa information över flera utbyten blir snabbt frustrerande.

Support-frågor sträcker sig också utöver support-teamet i sig. Produkt-team, operativ-team och kontohanterare bidrar ofta till lösningen. Plattformar som bringar kommunikation och operativ kontext in i samma arbetsflöde gör det lättare att hålla ägarskapet av frågan tydligt från början till slut.

Att blicka framåt, vad ser “utmärkt kundsupport” ut som i en AI-först-värld — och vilka funktioner kommer att skilja företag som blomstrar från de som halkar efter?

Utmärkt support i en AI-först-värld kommer att kännas enklare för kunden. De når ut, teamet förstår situationen snabbt och samtalet flyttar framåt utan onödig växling för att rekonstruera vad som hände. Teknologin bakom det förblir mestadels osynlig. Vad kunder märker är att deras fråga är förstådd och löst utan onödig ansträngning.

För teamen som kör support kommer den upplevelsen från att ha rätt kontext tillgänglig i samma ögonblick som samtalet börjar. AI hjälper till att organisera information och yta vad som är viktigt medan agenten fokuserar på att förstå kunden och guida frågan till lösning. Företagen som blomstrar kommer att vara de som bygger sin support-verksamhet runt den tydligheten och kontinuiteten i interaktionen.

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