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，以重新定义客户服务软件，利用他早期在 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。在成为企业家之前，他在 Mentor Graphics 度过了近五年的时间，开发了用于基于 FPGA 的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，并实时协作，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，并在各个渠道上提供一致的客户体验，目前已被全球超过 10,000 个团队所信赖。

早在您的职业生涯初期，您在 Mentor Graphics 工作时，曾参与过高级硬件仿真系统的开发，这些系统用于在电子设计物理构建之前进行模拟。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，然后又推出了 Hiver。您在这些领域的深厚技术基础和早期扩张经验如何影响您在构建 AI 系统方面的方法，特别是在高压力支持环境中实现可靠性?

在硬件仿真系统中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。边缘情况会出现，组件之间的交互会改变结果，干净的模型会崩溃。这种思维方式直接转移到客户支持环境中。对话带有缺失的上下文、情感紧迫性和多个内部系统之间的依赖关系。

扩张公司会暴露出另一个复杂性层面。随着团队的增长，运营摩擦变得非常明显。代理会花费时间从不同的工具中拼凑信息并在内部协调，然后才能做出回应。这段经历塑造了我们在 Hiver 的思考方式。我们从支持生命周期的开始到结束进行审视，询问 AI 可以在哪里消除这种摩擦，以便团队能够花费更多精力解决问题。

Hiver 强调使用 AI 消除繁琐工作，而不是取代人类的判断或同理心。在客户支持中，您如何划分有帮助的自动化和过度自动化之间的界限?

支持工作包含大量的运营努力，这些努力永远不会出现在最终的回应中。代理会对请求进行分类、搜索政策、拉取账户信息和追踪长时间的对话历史，然后才能决定如何回应。AI 处理这些基础工作做得很好。当系统可以总结一个线程或在正确的时刻显示正确的知识文章时，代理以对情况有更清晰的理解开始对话。

判断力出现在对话涉及情感、责任或模糊性时。一个沮丧的客户或服务故障需要对回应的框架进行解释和关怀。AI 可以在这些时刻提供背景和建议，尽管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出。

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 演示效果好但在高容量支持收件箱中难以保持一致性这一现象中得到了什么启示?

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，系统产生了一个回应。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，会话跨越多个交换，代理通常需要来自其他团队或系统的输入，然后才能澄清情况。

一个在生产中变得明显的教训是，回应本身只是工作的一部分。很多努力都集中在了解发生了什么以及如何推进问题上。AI 在支持工作流程方面表现得更好。帮助代理快速理解对话的背景会在收件箱开始填满时产生有意义的差异。

Hiver 无缝集成到现有的通信工作流中，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到用户”的哲学在部署 AI 到快速移动的环境中有多重要?

这很重要，因为支持团队已经在承受压力。 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，摩擦会立即显现。 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提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来使用该技术。

我们已经看到，当智能出现在他们已经依赖的工作流中时，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推进问题的建议。 这个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承受着巨大的压力。您如何设计 AI 系统以减少认知负荷，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、紧急性和历史。 大部分精神努力都集中在重建情况之前决定如何回应上。

AI 在减少这种努力时最有帮助。 打开一个线程并立即看到一个清晰的摘要或相关的知识文章会改变交互的起点。 代理花费的时间更少于拼凑发生了什么，更多的时间思考如何解决问题。

拥有超过 10,000 个团队在全球使用 Hiver，您在 AI 采用初期之后观察到了 AI 采用演变的哪些模式？什么因素区分了真正将 AI 集成到日常工作流中的团队和将其视为可选附加组件的团队?

通常会从 AI 中看到真正价值的团队通常从工作流程中的几个非常具体的时刻开始，在这些时刻，代理每天都会浪费时间。 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理解发生了什么时，整个交互就会以不同的方式开始。 同样，当系统在正确的时刻显示出正确的知识文章或政策以回答问题时，也会发生这种情况。 当这些时刻真正有帮助时，代理会自然地使用 AI，因为它使他们的日子更轻松。

另一个因素是支持系统的知识质量。 AI 建议严重依赖于它所依据的文档和流程。 拥有清晰、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，这只是因为它帮助他们以更清晰的方式浏览对话。

从产品策略的角度来看，您如何平衡 AI 创新的速度与维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。 这种现实迫使采取非常有针对性的方法来确定 AI 采取行动和支持人类代理的领域。 一些任务，如分类或总结对话，允许高度自动化。 影响收入、政策解释或客户关系的决策需要更高的确定性。

产品策略成为一个匹配 AI 能力与任务所需的可靠性水平的练习。 新的模型和技术不断出现，尽管真正的测试是它们是否能在日常支持操作中保持一致的性能。 构建这些系统的团队需要紧密地关注代理实际工作的方式，并将这种反馈视为确定下一步应该发布什么的主要信号。

您认为在未来五年内，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处理重复性票据处理的少数人和专注于解决复杂问题的更多人。 当 AI 处理诸如对话总结、请求组织和帮助草拟回复等任务时，代理将花费更多时间了解实际发生了什么以及如何与其他团队协调来解决问题。 这变得不再是将票据通过队列移动，而是拥有客户问题的结果。

团队还需要有人负责使 AI 有用的人员。 AI 支持严重依赖准确的文档、清晰的流程和可靠的知识来源。 维护这些系统成为一项持续的工作，因此支持组织可能会专注于管理知识、改进工作流程和确保 AI 继续在产品和政策演变时提供有用的指导。

Hiver 运营在一个竞争激烈的帮助台市场。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获得连续性。他们希望组织能够记住以前的互动，并将该上下文贯穿整个对话。跨多个交换重复信息很快就会变得令人沮丧。

支持问题还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带入同一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，“伟大的客户支持”在 AI 第一的世界中是什么样子？哪些能力将使公司在竞争中脱颖而出?

在 AI 第一的世界中，伟大的支持将对客户来说感觉更容易。他们提出请求，团队快速理解情况，会话毫不费力地向前推进。背后的技术基本上是不可见的。客户注意到的是他们的问题被理解并在不需要过多努力的情况下得到解决。

对于运行支持的团队来说，这种体验来自于对话开始时就拥有正确的上下文。AI 有助于组织信息并显示重要内容，同时代理专注于理解客户并引导问题到解决。那些在支持运营中围绕这种清晰度和连续性构建业务的公司将是那些在竞争中脱颖而出的公司。

感谢这次精彩的采访，希望了解更多的读者可以访问 Hiver。