Michael Delgado, spoluzakladatel a CEO společnosti Canals – rozhovor

Michael Delgado, spoluzakladatel a CEO společnosti Canals, je bývalý korporátní právník, který se stal podnikatelem a vypracoval se v oblasti mostu mezi právními znalostmi, vývojem produktů a operačními technologiemi. Po začátku v předních právnických firmách, jako je Cravath, Swaine & Moore LLP, přešel do startupů a převzal vedoucí role ve firmách, jako je Willing, a poté spoluzaložil Vested, který byl později koupen firmou MetLife. V roce 2022 založil společnost Canals, ve které uplatňuje své zkušenosti z práva, operací a produktů, aby řešil neefektivnosti v tradičních odvětvích, zejména pomocí umělé inteligence pro modernizaci složitých obchodních procesů.

Canals je platforma poháněná umělou inteligencí, která je navržena pro automatizaci kritických back-office operací pro velkoobchodní distributory, včetně zpracování objednávek, účtů zaplacených a nákupů. Společnost se zaměřuje na transformaci nestrukturovaných vstupů, jako jsou e-maily, PDF a ručně psané dokumenty, na strukturovaná, akční data, která se přímo integrují do stávajících ERP systémů. Díky kontinuálnímu učení z interakcí uživatelů snižuje Canals manuální zadávání dat, minimalizuje chyby a urychluje operační procesy, a tím se позиcionuje jako praktická realizační vrstva pro podniky, spíše než jako čistě analytické řešení umělé inteligence.

Přechod z právního prostředí ve firmách, jako je Cravath, Swaine & Moore LLP, do startupů a nakonec založení Canals po vašich zkušenostech s budováním Vested. Jaké konkrétní nedostatky v distribučních procesech vás vedly k založení společnosti, a jak vaše dřívější role ovlivnily toto rozhodnutí?

Moje žena řídí distribuční firmu, a tak jsem začal navštěvovat sklady, mluvit s distributory a učit se o tomto odvětví.

Čím více jsem se ponořil do distribuce, tím více mě zaujala proces nazvaný „zadání objednávky“. Objednávky přicházejí k distributorovi prostřednictvím různých kanálů a ve různých formátech, a každá z nich musí být zkontrolována a ručně zadána do ERP. Je to časově náročná práce, která padá na týmy prodejních zástupců – lidí, jejichž úkolem je generovat výnosy a budovat vztahy.

Čím více jsem mluvil s distributory, tím více mi bylo jasné, že se nejedná o malou neefektivitu. Zadání objednávky je klíčový proces v obrovském odvětví, které technologicky historicky nedokázalo obsloužit, částečně proto, že tradiční software nedokázal zvládnout variabilitu. Strávil jsem roky budováním softwaru a sledováním pokroku umělé inteligence, a tak jsem byl dobře vybaven, abych viděl velký trh, skutečnou bolest a nový způsob, jak ji řešit. Canals vyrostla z toho.

Pro čtenáře, kteří jsou noví v tomto prostoru, co vlastně Canals dělá uvnitř organizace na denní bázi, a jak interaguje s existujícími systémy, jako je Enterprise Resource Planning (ERP)?

V vysoké úrovni Canals přebírá vstupy, se kterými distributoři, dodavatelé a výrobci pracují každý den – e-maily, PDF, tabulky, dokonce i ručně psané poznámky – a převádí je na strukturovaná data, která mohou proudit mezi systémy a pohánět konec-koncové procesy. Poté používá tato data k automatizaci následných akcí, ať už se jedná o generování objednávky nebo odeslání faktury, a poté vkládá čistá, ověřená data přímo do ERP.

ERP zůstává systémem záznamu, zatímco Canals působí jako operační umělá inteligence, která ho udržuje přesný a aktuální.

Průmyslová distribuce vẫn silně závisí na e-mailech, PDF a telefonních hovorech pro řízení objednávek a faktur. Proč tato úroveň manuální práce přetrvává již tak dlouho, a co bránilo významné automatizaci až do teď? 

Problém spočívá v tom, že tradiční software závisí na rigidních pravidlech a standardních šablonách. To funguje v prostředích, kde jsou vstupy konzistentní, ale stavebnictví a distribuce nejsou taková. Dokumenty přicházejí v široké škále formátů, a existuje mnoho různých názvů, zkrácených výrazů a odborného slangu, které všechny popisují stejný produkt. V určitém okamžiku se počet výjimek stává neříditelným. Nemůžete realisticky definovat pravidla pro každou variantu, a tak proces padá zpět na manuální interpretaci.

Vůle zavedení větší efektivity vždy existovala, ale až donedávna technologie nedokázala držet krok, což činilo dřívější přístupy obtížnými pro implementaci a nemožnými pro škálování.

Jedním z hlavních problémů je převod nestrukturovaných vstupů na strukturované akce. Jak vaše platforma interpretuje e-maily, přílohy a dokumenty a převádí je na využitelná data a procesy?

Jedná se o problém, který vyžaduje dva kroky k řešení.

Prvním krokem je parsing. Canals identifikuje relevantní dokumenty v poštovní schránce uživatele, vyčerpává klíčové položky a pole, a extrahuje data.

Druhým krokem je matching. Toto je místo, kde jsou extrahovaná data řešena v systému. V některých případech to znamená mapování položek na správné SKU, zpracování variací v popisech produktů a normalizaci jednotek. V jiných případech to znamená vyrovnání dokumentů, jako je vyrovnání faktury s nákupní objednávkou a příjemcem, zarovnání položek a identifikace nesrovnalostí.

Výsledkem je strukturovaná, kontextualizovaná data, která mohou pohánět konec-koncový proces.

Podpořili jste procesy spojené s více než 2,1 miliardami dolarů ve fakturách. Na této úrovni, jaké vzorce se objevují kolem neefektivit, zpoždění nebo chyb, o kterých si většina firem není ani vědoma? 

Existují některé zjevné zisky z efektivity. Na straně účtů zaplacených, například, naši zákazníci automatizují v průměru 96 % svého zpracování faktur, což odstraňuje značné množství manuální práce.

Co je zajímavější, je to, jak se to projevuje za hranicí úspor nákladů. V případě zadání objednávky přímo ovlivňuje rychlost výnosy.

V stavebnictví je timing kritický a dodržování termínů je prioritou. Pokud si kontraktor žádá nabídky od více distributorů a jeden reaguje do deseti minut, zatímco ostatní trvají hodiny, práce obvykle půjde tomu, kdo reagoval první, i když to není nejlevnější nabídka. Získání materiálu včas má větší význam než úspora několika dolarů.

Tato dynamika má přímý dopad na výnosy. Automatizace zadání objednávky zvyšuje, jak často je distributor první, kdo reaguje, což zvyšuje, jak často vyhrává podnikání. Pro jednoho z našich zákazníků to přeloženo do 57 % transakcí, které se staly objednávkami, ve srovnání s předchozím průměrem blížším 20 %.

Legacy systémy, jako jsou platformy ERP, jsou často rigidní a obtížně modernizovatelné. Jak přistupujete k integraci bez donucování firem k odstranění stávající infrastruktury?

ERP systémy jsou hluboce zakořeněny v tom, jak podnik funguje, a tak skutečným omezením není pouze integrace, ale jak rychle a čistě můžete integrovat bez přidání režie. Pokud implementace je pomalá nebo vyžaduje značné zapojení interního IT, stává se to rušivým blokačním prvkem.

Náš přístup vždy spočíval v investicích do rychlé a bezproblémové implementace. Máme desítky předem připravených integrací a velký tým inženýrů pro podporu vlastních nasazení, a priorizujeme rychlé zprovoznění zákazníků bez vytváření pokračujícího údržbového břemene.

Stále více vidíme posun směrem k autonomnějším systémům napříč odvětvími. Jak daleko může automatizace realisticky zajít v distribučních procesech, než se opět stane kritickou lidskou kontrolou?

Existuje spousta věcí, které umělá inteligence nedokáže. Není schopna učinit komplexní obchodní rozhodnutí, spravovat zákaznické vztahy nebo provozovat v terénu. Co může udělat, je odstranit spoustu opakované administrativní práce, která leží pod těmito procesy.

Většina průmyslových procesů má správný model „člověk v smyčce“, kde umělá inteligence zpracovává většinu práce, zatímco lidé zůstávají ve vedení výjimek. Když je něco přímočaré, může být automatizováno. Když je něco nejasné, vysoce hodnotné nebo nese skutečné riziko, tam je lidský úsudek kritický.

Cílem není 100% autonomie. Je to automatizovat nudné, manuální a rutinní části procesu, aby se lidé mohli soustředit na rozhodnutí s vysokou hodnotou a výjimky.

Jedním z rizik spojených s automatizací je ztráta institucionálních znalostí od zkušených operátorů. Jak Canals zajišťuje, že odbornost je zachycena a odráží se v systému, spíše než nahrazena? 

Jedním z hlavních výhod umělé inteligence oproti tradičnímu softwaru je, že může učit se časem.

Když zkušený operátor přezkoumá něco, provede opravu nebo zpracuje výjimku, systém může zachytit tato rozhodnutí a inteligentně je aplikovat do budoucna. S rostoucími zkušenostmi začíná spolehlivě odrážet tyto vzorce, místo aby se spoléhal na pevnou sadu pravidel.

To znamená, že institucionální znalosti nejsou vázány na jednoho člověka. Místo toho se stávají součástí systémů, které se používají k řízení podniku, a tak se aplikují konzistentněji napříč organizací. Když zkušené zaměstnance odejdou, jejich odbornost zůstává zachycena v Canals. Když noví zaměstnanci začnou, pracují v systému, který již odráží, jak podnik funguje, a tak jim pomáhá rychleji nastartovat a vykonávat konzistentněji.

Růst poptávky po datových centrech vytváří skutečný tlak na dodavatelské řetězce. Jak se tato poptávka mění v očekáváních kolem rychlosti, přesnosti a koordinace pro distributory? 

Životní závod na stavbu datových center se zrychluje s 700 miliardami dolarů vynaloženými na stavbu, což vytváří enormní tlak na dodavatele a kontraktory, aby drželi krok.

Co tato poptávka mění, je tolerance k zpoždění. Procesy, které byly zvládnutelné při nižších objemech – jako manuální zpracování objednávek a vyrovnání dokumentů – začínají selhávat ve velkém měřítku. Jak se projekty zvětšují a urychlují, mezery mezi citacemi, nákupem a plněním se stávají více viditelnými a nákladnějšími na obou stranách transakce. Nedostatek přesných a aktuálních informací podkopává koordinaci a může vést k neočekávaným zpožděním a náhlým přerušením práce.

Týmy, které mohou fungovat s rychlostí a reálným přehledem, mají zjevnou výhodu. V tomto okamžiku se automatizace nestává pouze otázkou efektivity, ale stává se požadavkem, aby držely krok s tempem a složitostí poptávky.

Pohledem do budoucna, jak vidíte, že umělá inteligence změní procesy nákupu a dodavatelského řetězce v příštích pěti letech, zejména když systémy přecházejí z asistenčních nástrojů na více agentní rozhodování?

Je obtížné říci s jistotou, ale co se stává zjevnějším, je to, jak je umělá inteligence aplikována – úzce, ve specifických procesech, kde je spousta opakování a jasná cesta k spolehlivosti. V nákupu a dodavatelském řetězci se to projevuje v procesech s vysokou executivitou. Tyto procesy jsou spojeny s reálnými dolary a reálnými vztahy, a tak je laťka pro autonomii vysoká. Krátkodobý posun bude méně o agentním rozhodování a více o rozšíření toho, co lze zvládnout spolehlivě, zatímco lidé zůstanou zapojení tam, kde to záleží.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Canals.