Niraj Ranjan，Hiver 的创始人和 CEO – 采访系列

Niraj Ranjan，Hiver 的创始人和 CEO，是一位经验丰富的企业家和技术专家，他的职业生涯始终处于软件工程、产品开发和客户体验的交叉点。他于 2017 年创立了 Hiver，以重新构想客户服务软件，并利用他之前在 Mobicules 的经验，在那里他将公司从一个小团队扩展到 35 人的运营，同时担任程序员和架构师。之前，他在 Mentor Graphics 度过了近五年的时间，开发了用于 FPGA 基础系统的高级仿真软件，这段经历塑造了他对构建高性能、可扩展产品和培养强大的工程文化的方法。

Hiver 是一个现代的 AI 驱动的客户服务平台，旨在将电子邮件、聊天、语音和消息等通信渠道统一到一个工作空间中。它使团队能够管理共享的收件箱、自动化工作流程和实时协作，同时 AI 处理重复性任务，如票据路由、响应草稿和数据分析。该平台旨在用更直观和可扩展的解决方案取代传统的帮助台系统，帮助组织改善响应时间、跟踪性能指标和在各个渠道上提供一致的客户体验，并被全球超过 10,000 个团队信任。

在您早期的职业生涯中，您在 Mentor Graphics 工作过高级硬件仿真系统，用于在物理构建之前模拟复杂的电子设计。后来，您联合创立并扩展了 Mobicules，从一个三人创业团队发展到 35 人的公司，然后推出了 Hiver。这些深厚的技术基础和早期的扩张经验如何影响您在现实世界中构建可靠的 AI 的方法，特别是在高压力支持环境中？

在硬件仿真系统上工作会影响您对可靠性的思考方式。这些系统之所以存在，是因为复杂的设计一旦遇到实际条件就会表现出不同的行为。边缘情况出现，组件之间的交互会改变结果，干净的模型就会崩溃。这种思维方式直接应用于客户支持环境。对话带有缺失的上下文、情感紧迫性和内部系统之间的依赖关系。

扩张公司会暴露出另一层复杂性。随着团队的成长，运营摩擦变得非常明显。代理需要花费时间将来自不同工具的信息拼凑在一起，并在内部协调，然后才能响应。这种经验塑造了我们在 Hiver 的思考方式。我们关注整个支持生命周期，从请求到解决，并思考如何使用 AI 消除这种摩擦，使团队能够花费更多的精力解决问题本身。

Hiver 强调使用 AI 消除繁琐工作，而不是取代人类的判断或同情心。在客户支持中，您如何在有帮助的自动化和过度自动化之间划清界限？

支持工作中包含大量的运营工作，这些工作永远不会出现在最终的响应中。代理需要对请求进行分类、搜索策略、拉取账户信息和跟踪长时间的对话历史，然后才能决定如何响应。AI 处理这些基础工作很好。当系统可以总结一个线程或在正确的时刻提供正确的知识文章时，代理可以从对情况有更清晰的理解开始对话。

判断力在对话涉及情感、责任或模糊性时进入画面。一个沮丧的客户或服务故障需要对响应的表述方式进行解释和关怀。AI 可以在这些时刻提供上下文和建议，但最终关于语气和解决方案的决定仍然由负责客户体验的人来做。

许多 AI 工具在产品演示中看起来很令人印象深刻，但在日常生产使用中却苦苦挣扎。您从 AI 在高容量支持收件箱中保持一致性方面的经验中得到了什么教训？

演示捕捉了一个干净的场景。问题是可预测的，知识库是有组织的，系统产生了一个响应。真正的支持工作很少按照这种方式展开。请求带有部分信息，会话跨多个交换，代理通常需要来自其他团队或系统的输入才能明确情况。

一个在生产中变得明显的教训是，响应本身只是工作的一部分。努力的很大一部分围绕着了解发生了什么以及如何向前推进问题。AI 在支持工作流程方面表现得更好。帮助代理快速了解对话的上下文可以在收件箱开始填满时产生有意义的差异。

Hiver 与现有的通信工作流紧密集成，而不是强迫团队进入完全新的系统。这种“在用户已经工作的地方遇见用户”的哲学在部署 AI 时有多重要，特别是在快速移动的环境中？

这很重要，因为支持团队已经在压力下工作。当一个新工具要求他们改变工作方式或在系统之间跳转时，摩擦会立即出现。大多数支持对话仍然从电子邮件开始，围绕这些对话的工作涉及从其他系统中拉取上下文并与同事内部协调。如果 AI 位于该环境之外，代理最终会额外地工作以使用该技术。

我们已经看到，当智能出现在团队依赖的工作流中时，团队会移动得更快。代理打开一个长电子邮件线程，可以立即看到对话的摘要、相关客户上下文和有助于他们向前推进问题的建议。这种小的转变减少了重建发生了什么所花费的时间，并给代理更多的空间来专注于解决问题本身。

支持团队通常在处理沮丧的客户或紧急问题时会感到压力。您如何设计 AI 系统以减少认知负担而不是在这些时刻增加摩擦？

支持工作对注意力提出持续的要求。代理可能会同时处理数十个对话，每个对话都有其自己的语气、紧迫性和历史。大量的心理努力都花在重建情况之前决定如何响应。

AI 最有帮助的是当它减少这种努力时。打开一个线程并立即看到一个清晰的摘要或相关知识文章改变了交互的起点。代理花费的时间更少，用于拼凑发生了什么，然后更多地思考如何解决问题。

随着 Hiver 在全球拥有超过 10,000 个团队使用，您观察到 AI 采用在初始推出后的演变中有哪些模式？哪些因素将真正将 AI 集成到日常工作流中的团队与将其视为可选附加组件的团队区分开来？

真正从 AI 中获得价值的团队通常从工作流中特定时刻开始，代理每天都会在这些时刻浪费时间。对话摘要是一个很好的例子。当代理打开一个长线程并立即了解发生了什么时，整个交互从一开始就不同。同样，当系统在正确的时刻提供确切的帮助文章或策略时，代理可以用更清晰的理解开始对话。

另一个因素是系统背后的知识质量。AI 建议严重依赖于它所依据的文档和流程。具有清晰、维护良好的知识库的团队往往会看到更强的采用率，因为建议保持有用和可信任。随着时间的推移，AI 成为团队工作的一部分，因为它使他们更容易地移动到对话中，并且它帮助他们以更大的清晰度完成工作。

从产品策略的角度来看，您如何平衡 AI 创新的速度与保持可靠性和信任的需要，特别是在错误可能损害客户关系的环境中？

客户支持是错误会带来严重后果的环境之一。误解账单问题或沮丧客户的回复会迅速为团队制造更多工作并损害信任。这种现实迫使我们采取非常谨慎的方法来决定 AI 何时采取行动以及何时支持人类代理。一些任务，如分类或对话摘要，能够容忍高程度的自动化。影响收入、策略解释或客户关系的决定需要更高的确定性。

产品策略成为一种将 AI 能力与任务所需的可靠性水平相匹配的练习。新的模型和技术不断出现，但真正的测试是它们是否能够在日常支持运营中表现一致。构建这些系统的团队需要密切关注代理实际的工作方式，并将反馈视为下一步应该发布的主要信号。

您认为在接下来的五年中，AI 将如何改变支持团队的结构？会不会转向监督和判断，还是会出现全新的工作类别？

支持团队的结构可能会转向更少的人处理重复的票务处理，而更多的人专注于解决复杂问题。随着 AI 处理任务，如对话摘要、请求组织和响应草稿，代理将花费更多时间了解情况并与其他团队协调以解决问题。重点将不再是将票据通过队列，而是拥有客户问题的结果。

团队还需要负责使 AI 有用的系统。AI 支持严重依赖于准确的文档、清晰的流程和可靠的知识来源。维护这些系统将成为一项持续的工作，因此支持组织可能会添加专注于管理知识、改进工作流程并确保 AI 继续提供有用的指导的职责，因为产品和策略会随着时间的推移而演变。

Hiver 在一个竞争激烈的帮助台市场中运营。您认为传统平台在适应客户期望的基本转变方面做得如何？

客户越来越期望在他们寻求支持时实现连续性。他们希望组织能够记住以前的互动，并在整个对话过程中保持这种上下文。重复信息在多次交互中会迅速变得令人沮丧。

支持问题也超出了支持团队本身。产品团队、运营团队和账户经理通常为解决问题做出贡献。将通信和运营上下文纳入同一个工作流程的平台使得从开始到结束保持问题所有权变得更加容易。

展望未来，AI 第一世界中的“伟大客户支持”是什么样的？哪些能力将使公司在竞争中脱颖而出，哪些公司将会落后？

在 AI 第一世界中，伟大的支持将会让客户感觉更容易。他们会寻求帮助，团队会快速理解情况，会话会在没有太多来回重建发生了什么的情况下继续进行。背后的技术基本上是不可见的。客户会注意到的是他们的问题被理解并在不需要太多努力的情况下得到解决。

对于运行支持的团队来说，这种体验来自于在对话开始时就拥有正确的上下文。AI 有助于组织信息并提供重要的内容，同时代理专注于理解客户并引导问题到解决。那些围绕交互的清晰度和连续性构建支持运营的公司将会茁壮成长。

感谢您接受这次精彩的采访，希望了解更多的读者可以访问 Hiver。