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 i sin tidigare erfarenhet av att co-grunda Mobicules, där han skalfade företaget från ett litet team till en 35-mannabesättning 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 hjälpsystem med en mer intuitiv och skalbar lösning, som hjälper organisationer att förbättra svarstider, spåra prestandamått och leverera konsekventa kundupplevelser över kanaler, och som används av över 10 000 team globalt.

Tidigt i din karriär på Mentor Graphics arbetade du med avancerade hårdvaru-emulationssystem som användes för att simulera komplexa elektroniska konstruktioner innan de byggdes fysiskt. Senare co-grundade och skalfade du Mobicules från ett tre-mannateam 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 fungerar tillförlitligt i verkliga, högtryckssupport-miljöer?

Att arbeta med hårdvaru-emulationssystem formar hur man tänker om tillförlitlighet. Dessa system finns eftersom komplexa konstruktioner beter sig annorlunda när de möter verkliga förhållanden. Kantfall uppstår, interaktioner mellan komponenter ändrar resultat, och den rena modellen bryter samman. Den mentaliteten överförs direkt till kundservicemiljöer. Samtal anländer med saknad kontext, emotionell brådska och beroenden över flera interna system.

Att skala ett företag avslöjar en annan nivå av komplexitet. När team växer blir operativ friktion mycket synlig. Agenter tillbringar tid med att pussla ihop 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 mänskligt omdöme eller empati. Var drar du gränsen mellan hjälpsam automatisering och över-automatisering i kundsupport?

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

Dom enters the picture when the conversation involves emotion, accountability, or ambiguity. A frustrated customer or a service failure requires interpretation and care in how the response is framed. AI can provide context and suggestions in those moments, though the final decision about tone and resolution stays with the person responsible for the customer experience.

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

En demonstration fångar en ren scenarie. 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.

One lesson that becomes obvious in production is that the response itself is only one piece of the job. Much of the effort sits around understanding what happened and deciding how the issue should move forward. AI holds up far better when it supports that flow of work. Helping agents understand the context of a conversation quickly makes a meaningful difference when the inbox starts filling up.

Hiver integreras direkt i befintliga kommunikationsflöden istället för att tvinga team att använda helt nya system. Hur viktigt är denna “möt användarna där de redan arbetar”-filosofi när du distribuerar AI i snabbt föränderliga miljöer?

Det spelar en stor roll eftersom support-team redan arbetar under tryck. När ett nytt verktyg ber dem att ändra hur de arbetar eller hoppa mellan system, visas friktionen omedelbart. De flesta support-samtal börjar fortfarande i e-post, och arbetet runt dessa samtal innefattar att dra ut kontext från andra system och koordinera internt med kollegor. Om AI ligger utanför den miljön, gör agenten 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-posttråd kan omedelbart se en sammanfattning av samtalet, relevant kundkontext och förslag som hjälper dem att flytta frågan framåt. Den lilla skiftningen minskar den tid som läggs på att rekonstruera vad som hände och ger agenten mer utrymme att fokusera på att lösa problemet självt.

Support-team arbetar 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 åt till att rekonstruera situationen innan de kan bestämma hur de ska svara.

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

Med över 10 000 team som använder Hiver globalt, vilka mönster har du observerat i hur AI-antagandet 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. Detsamma gäller när systemet presenterar rätt hjälp-artikel eller policy vid rätt ögonblick. När dessa ögonblick verkligen hjälper, börjar agenter använda AI naturligt eftersom det gör deras dag enklare.

Den andra faktorn är kvaliteten på kunskapen bakom systemet. AI-förslag är beroende av dokumentationen och processerna 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 flytta genom samtal med mer tydlighet.

Från ett produkt-strategiskt 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 oproportionerligt stora 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 fram ett mycket medvetet tillvägagångssätt för var AI tar action och var det stöder den mänskliga agenten. Vissa uppgifter, som kategorisering eller sammanfattning av samtal, tolererar en hög grad av automatisering. 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 tillförlitlighetsnivå en uppgift kräver. Nya modeller och tekniker dyker upp konstant, men den verkliga utmaningen är om de fungerar konsekvent inom daglig support-verksamhet. Teamen som bygger dessa system måste stanna nära hur agenter faktiskt arbetar och behandla det feedback som den primära signalen för vad som ska ske nästa.

Hur tror du att AI kommer att förändra support-teamens struktur under de kommande fem åren? Kommer det att skifta mot tillsyn och omdöme, eller kommer helt nya kategorier av arbete att dyka upp?

Support-teamens struktur kommer troligen att skifta mot färre personer som hanterar repetitiv biljettbehandling och fler personer 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.

Teamen kommer också att behöva personer som är ansvariga för systemen som gör AI användbart. AI-assisterad support är beroende av korrekt dokumentation, tydliga processer och tillförlitliga kunskapskällor. Att underhålla dessa system blir ett pågående jobb, så support-organisationer kommer troligen att lägga till fokus på att hantera kunskap, förbättra arbetsflöden och se till att AI fortsätter att ge användbara riktlinjer när produkter och policys utvecklas.

Hiver verkar i en konkurrensutsatt hjälpdesk-marknad. Vilka grundläggande förändringar i kund-förväntningar tror du att etablerade plattformar har misslyckats med att anpassa sig till?

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

Support-frågor sträcker sig också bortom support-teamet självt. Produkt-team, operations-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 start till slut.

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

Utmärkt support i en AI-först-värld kommer att kännas enklare för kunden. De kontaktar support, teamet förstår situationen snabbt och samtalet flyter framåt utan mycket bakåt- och framåt-rörelse för att rekonstruera vad som hände. Teknologin bakom det förblir mestadels osynlig. Vad kunder märker är att deras fråga är förstådd och löst utan onödigt arbete.

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 presentera vad som är viktigt medan agenten fokuserar på att förstå kunden och guida frågan till lösning. Företagen som trivs 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 kan besöka Hiver.