Kanti Prabha, medstifter og produkt- og teknologidirektør hos Sirion – interviewserie

Kanti Prabha, medstifter og præsident for Sirion, er en leder inden for virksomhedsteknologi med mere end to årtiers erfaring inden for produktudvikling, juridisk teknologi, intellektuel ejendomsret, drift og SaaS. Som medlem af Sirions grundlæggerteam har hun spillet en central rolle i udformningen af virksomhedens produktvision samt i design og udvikling. Hun har varetaget ledende stillinger, herunder som vicepræsident for produktledelse og driftsdirektør, inden hun blev præsident. Hendes ekspertise omfatter udvikling af B2B-SaaS-produkter på virksomhedsniveau, produktstrategi og -ledelse, kundesucces, virksomhedssalg samt opbygning af teams og en organisatorisk kultur i stor skala. Tidligere i sin karriere var Prabha den første medarbejder og medlem af grundlæggerteamet hos UnitedLex, hvor hun udviklede teknologibaserede løsninger til juridiske afdelinger i virksomheder og stod for initiativer inden for intellektuel ejendomsret. Det skete efter hendes tidligere erfaring med patenttjenester hos Evalueserve. Hun er også rådgiver for akirolabs og har tidligere rådgivet Clarisights.

Sirion er en AI-drevet virksomhed inden for styring af kontraktlivscyklus (CLM), som hjælper virksomheder med at håndtere kontrakter fra udarbejdelse og forhandling til løbende opfølgning på resultater, forpligtelser og realisering af værdi. Platformen kombinerer konversationsbaseret AI med specialudviklede AI-agenter, der kan samle og strukturere kontraktarkiver, besvare spørgsmål om kontraktvilkår, udarbejde og gennemgå aftaler, identificere risici, foreslå ændringer og overvåge forpligtelser og serviceniveauaftaler. Sirion retter i stigende grad sin teknologi mod agentbaseret kontrakthåndtering gennem platformen agentOS, som gør det muligt for organisationer at implementere færdigbyggede kontraktagenter og oprette tilpassede agenter, der er forbundet med virksomhedens data og arbejdsgange. Platformen er udviklet til store organisationer, der ønsker at omdanne kontrakter fra statiske dokumenter til strukturerede, søgbare kilder til operationel indsigt, samtidig med at de opretholder styring og menneskeligt tilsyn.

Din vej til at grundlægge Sirion var utraditionel: Du læste kemi, gik over til immaterialret, arbejdede med patenter og begyndte derefter at se anderledes på kontrakter, mens du arbejdede hos Hewlett-Packard. Hvad fik du øje på gennem de tidlige erfaringer, som til sidst overbeviste dig om, at der var en mulighed for at grundlægge Sirion? 

Jeg voksede ikke op med en forestilling om, at jeg skulle grundlægge en virksomhed med fokus på kontrakter. Jeg læste kemi, men indså ret hurtigt, at jeg var mere interesseret i at løse forretningsproblemer end i at tilbringe min karriere i et laboratorium. Det førte mig efterhånden til området for intellektuel ejendomsret, hvor jeg arbejdede med patenter og senere ledede teams, der udviklede teknologi- og juridiske løsninger til store virksomheder.

Det afgørende vendepunkt kom, da min Sirion-medstifter Ajay og jeg begyndte at arbejde sammen med HP. Virksomheden havde tusindvis af kontrakter, der skulle organiseres og administreres efter en stor opkøbsaftale. Først så vi det som et problem med at opbevare dokumenter, men da vi begyndte at undersøge kontrakterne nærmere, stod det klart, at opbevaring kun udgjorde en lille del af mulighederne. Kontrakter fortalte, hvad en virksomhed havde købt, hvad den havde solgt, hvad den havde lovet, hvad dens leverandører havde lovet, hvad den betalte, hvor den løb en risiko, og hvor den potentielt gik glip af værdi. Alligevel var næsten ingen af disse oplysninger lette for virksomheden at bruge. Det var den indsigt, Sirion blev grundlagt på. Kontrakter var en stort set uudnyttet kilde til forretningsindsigt.

Du har beskrevet kontrakter som en form for »flydende intelligens« i en organisation. Hvilke værdifulde oplysninger er typisk skjult i kontrakter, og hvordan kan AI gøre denne viden nyttig for andre teams end det juridiske, herunder økonomi, indkøb, salg og drift? 

Kontrakter er et af de få steder, hvor en virksomheds hensigter faktisk bliver til forpligtelser. De fortæller, hvad virksomheden har aftalt at betale, hvad en kunde har aftalt at købe, hvornår priserne kan ændres, hvilke serviceniveauer der skal overholdes, hvornår en aftale fornyes, hvad der sker, hvis nogen ikke lever op til forventningerne, og hvem der har ansvaret for hvilke forpligtelser. Det er utroligt værdifulde oplysninger, men historisk har de været gemt i dokumenter, som de fleste kun åbner, når de skal forhandle noget, eller når noget er gået galt.

AI ændrer på det, fordi teknologien gør det muligt at omdanne ustruktureret kontraktsprog til oplysninger, som resten af virksomheden rent faktisk kan bruge. Indkøbsafdelingen kan få overblik over leverandørernes forpligtelser og priser. Økonomiafdelingen kan se kommercielle forpligtelser og potentielle værditab. Salgsafdelingen kan få overblik over vilkår for fornyelse og forpligtelser over for kunderne. Driften kan overvåge, om det, der er blevet lovet, rent faktisk bliver leveret.

Det er det, jeg mener med at gøre kontraktindsigt flydende. I stedet for at oplysningerne ligger gemt i en PDF, kan de indgå i de beslutninger og systemer, hvor der er størst behov for dem. I stedet for at kontrakten markerer afslutningen på en transaktion kan flydende intelligens gøre den til en aktiv kilde til indsigt i, hvordan en virksomhed drives.

Sirion har udviklet sig fra software til styring af kontraktlivscyklus til en platform, der i stigende grad er AI-drevet. Hvordan har fremkomsten af store sprogmodeller ændret det, der er teknisk muligt med kontraktdata, sammenlignet med de maskinlæringsmetoder, der var tilgængelige, da I grundlagde virksomheden?

Da vi startede Sirion, handlede AI inden for kontraktarbejde primært om udtræk og klassificering. Maskinlæring kunne blive rigtig god til at identificere en bestemmelse, en dato, et partsnavn eller en forpligtelse, men man var nødt til at træne modeller til forholdsvis specifikke opgaver.

Store sprogmodeller udvidede ræsonneringslaget markant. Nu kan et system forstå et spørgsmål formuleret i naturligt sprog, fortolke konteksten omkring en bestemmelse, sammenholde formuleringer med virksomhedens foretrukne position, forklare, hvorfor noget udgør en risiko, og foreslå, hvad man bør gøre som det næste.

Men jeg ser ikke dette som en erstatning af alt det, der kom før, med store sprogmodeller. Kontrakter er for komplekse til det. Hos Sirion bruger vi en tilgang med flere modeller, der kombinerer store sprogmodeller med specialiserede modeller og dyb kontraktindsigt. Forskellige modeller er gode til forskellige ting. Kombinationen er vigtig, fordi virksomheder ikke bare har brug for AI, der kan generere overbevisende formuleringer. De har brug for præcision. Den mest spændende forandring er, at vi kan gå fra at udtrække oplysninger fra kontrakter til at ræsonnere ud fra oplysningerne og i stigende grad handle på dem.

Sirion introducerer nu specialiserede AI-agenter til opgaver som udtræk af kontraktoplysninger, identifikation af problemer, udarbejdelse af ændringsforslag og søgning i store kontraktarkiver. Hvordan forestiller du dig, at disse agenter kan arbejde sammen, og hvor langt bør virksomheder i sidste ende lade AI handle autonomt i kontraktprocessen?           

Jeg tror ikke, at fremtiden tilhører én kæmpestor AI-agent, der klarer alt. Udarbejdelse af kontrakter omfatter mange specialiserede opgaver, og hver af dem kræver forskellig kontekst og forskellige niveauer af dømmekraft. Én agent kan udtrække vilkår fra tusindvis af aftaler. En anden identificerer formuleringer, der afviger fra virksomhedens politik. Derefter kan en agent til udarbejdelse af ændringsforslag foreslå en præcis ændring på baggrund af virksomhedens kontraktvejledning. Den virkelige styrke opstår, når agenterne kan arbejde sammen om at nå et mål, i stedet for at tvinge brugeren til at styre hvert enkelt trin.

En person kunne for eksempel spørge: »Kan vi acceptere denne leverandøraftale?« Systemet bør kunne identificere de mest relevante vilkår, sammenholde dem med virksomhedens politik, fremhæve problemerne, finde præcedens og anbefale ændringer – samtidig med at det forklarer, hvad det gjorde, og hvorfor.

Hvor autonomien bør stoppe, afhænger af risikoen. Jeg er tryg ved, at AI autonomt håndterer mange gentagne, regelbaserede opgaver. Men en usædvanlig ansvarsbestemmelse eller en strategisk vigtig forhandling kan kræve menneskelig dømmekraft. Målet med autonomi bør være at fjerne unødvendigt arbejde og samtidig bevare menneskelig kontrol dér, hvor ansvarlighed og relationer er vigtige.

Kontrakter kan indeholde nogle af en virksomheds mest kommercielt og juridisk følsomme oplysninger. Du har sagt, at Sirion hellere vil udskyde en produktlancering end gå på kompromis med sikkerheden. Efterhånden som generativ AI bliver stadig mere integreret i virksomheders arbejdsgange, hvilke genveje inden for sikkerhed eller privatliv bekymrer dig mest?

Kontrakter kan indeholde priser, intellektuel ejendom, medarbejderoplysninger, oplysninger om opkøb, strategiske forpligtelser og yderst følsomme oplysninger om kunder og leverandører. Virksomheder skal vide præcis, hvor oplysningerne sendes hen, når et AI-system behandler dem, hvordan de behandles, hvem der har adgang til dem, og om de bruges til at træne en anden model.

Der er lige nu et enormt pres for hurtigt at lancere AI-funktioner, men den genvej, der bekymrer mig mest, er at behandle virksomhedsdata, som om de var almindelige træningsdata. Jeg forstår presset, men AI til virksomheder kan ikke bygges på »vi ordner styringen senere«. Sikkerhed skal være en del af arkitekturen fra begyndelsen.

Det betyder stærke adgangskontroller, kryptering, mulighed for revision, klare datagrænser og meget velovervejede beslutninger om, hvordan tredjepartsmodeller bruges. Hos Sirion har vi uden tvivl truffet beslutninger, hvor sikkerheden forsinkede os, og jeg er tryg ved den afvejning. Inden for virksomhedssoftware, især når man håndterer kontrakter, tager det år at opbygge tillid, og kun én ubetænksom beslutning at skade den.

En vedvarende udfordring med generativ AI er, at et svar kan lyde overbevisende, selv når det er forkert. Hvordan udformer I AI-systemer, som brugerne kan efterprøve og have tillid til, når det gælder kontraktindsigt, hvor en lille fejl kan få økonomiske eller juridiske konsekvenser? 

Dette er en af de vigtigste forskelle mellem AI til forbrugere og AI til virksomheder. Hvis jeg beder en AI-assistent om at anbefale en restaurant, og den tager fejl, er konsekvensen begrænset. Hvis et juridisk team spørger, om 5.000 leverandørkontrakter indeholder en bestemt opsigelsesret, og systemet selvsikkert overser 200 af dem, er det et helt andet problem.

Vi udformer systemerne med henblik på efterprøvning. Hvis AI fortæller dig noget om en kontrakt, bør du kunne spore svaret tilbage til den underliggende ordlyd. Hvis AI anbefaler en ændring, bør du kunne forstå, hvilken politik eller position i kontraktvejledningen anbefalingen bygger på. Forklarlighed er afgørende for udbredelsen, fordi tillid opstår, når man kan undersøge AI’s arbejde.

Sirion lægger vægt på, at AI-svar bygger på organisationens egne kontrakter og præcedenser frem for udelukkende at basere sig på generelle modeller. Tror du, at den næste store fase inden for virksomheds-AI i stigende grad vil blive drevet af systemer, der kombinerer grundmodeller med højt specialiserede, proprietære virksomhedsdata?

Helt sikkert. Grundmodeller er ekstremt kapable, men de ved ikke, hvordan netop din virksomhed fungerer. De ved ikke automatisk, hvilke indrømmelser jeres juridiske team godkendte sidste år, hvordan I fastsætter priser for en strategisk kunde, hvilke leverandører der gentagne gange ikke lever op til serviceniveauerne, eller hvornår jeres organisation kræver, at en sag eskaleres. Det er den kontekst, der gør virksomheds-AI virkelig nyttig.

Når man kombinerer kontrakternes stærke dokumentation af beslutninger og forpligtelser mellem organisationer med virksomhedens særlige politikker, forhandlingsvejledninger, historiske aftaler og driftsdata, kan et AI-system gå fra at give et generisk svar til at give et svar, der afspejler, hvordan virksomheden fungerer. Jeg tror, at den konkurrencemæssige fordel inden for virksomheds-AI i stigende grad vil komme fra denne kontekst, eftersom de fleste virksomheder allerede har adgang til tilsvarende grundmodeller. Det afgørende bliver, hvor effektivt de kan forbinde modellerne med troværdige, proprietære oplysninger og give dem tilstrækkelig kontekst til at ræsonnere præcist uden at gå på kompromis med sikkerheden.

Du har brugt mere end et årti på at opbygge Sirion og har haft roller inden for produktudvikling, drift og virksomhedsledelse. Hvad har du lært om at skalere virksomhedssoftware med AI, som du ikke ville have forstået i virksomhedens første år?

Noget, jeg har lært, er, at det nogle gange er den lette del at udvikle teknologien. Friktionen opstår, når man begynder at ændre den måde, en stor organisation arbejder på. I de første år fokuserer man naturligt på, om produktet kan løse problemet. Når man når op på virksomhedsskala, indser man, at et teknisk fremragende svar kun er nyttigt, hvis folk har tillid til det, det passer ind i deres eksisterende arbejdsgange, og det kan håndtere den enorme kompleksitet i en global organisation.

AI gør den læring endnu vigtigere. I dag kan man meget hurtigt skabe en imponerende demo. Men det er noget andet at bygge noget, som en virksomhed er villig til at betro millioner af datapunkter og arbejdsgange.

Nu hvor AI gør det muligt løbende at analysere forpligtelser, risici, prisvilkår, fornyelser og resultater på tværs af tusindvis af aftaler, kan kontrakter så med tiden blive et operationelt datalag i realtid for virksomheden i stedet for dokumenter, man primært slår op i, når noget går galt?

Jeg tror, det er præcis den retning, vi bevæger os i. I lang tid er kontrakten blevet betragtet som målstregen. Alle forhandler, underskriver og fejrer, hvorefter dokumentet lægges i et arkiv. Seks måneder senere åbner nogen det, fordi der er opstået en tvist, en fornyelse er aktuel, eller der er spørgsmål om, hvad der blev lovet. Den model giver ikke mening, når AI løbende kan forstå, hvad der sker på tværs af kontraktporteføljen.

Forestil dig, at man i en ideel verden kunne vide, at en leverandør ikke har overholdt en SLA, før den næste faktura bliver godkendt, eller se, at en prisjustering skulle have fundet sted for tre måneder siden. Forestil dig, at et salgsteam får besked om en kommende fornyelse sammen med kundens forhandlede forpligtelser, eller at økonomiafdelingen ser de kommercielle forpligtelser afspejlet direkte i sine systemer.

Kontrakter definerer relationer mellem virksomheder, så kontraktdata bør forbindes med de systemer, hvor disse relationer faktisk håndteres. Jeg tror, at kontrakten i stigende grad vil blive et operationelt datalag, der hjælper virksomheden med at forstå ikke blot, hvad den har indgået aftale om, men også om aftalerne leverer den værdi, alle forventede.

Hvad tror du, der kommer til at ske med kontraktstyring, når AI-agenter bliver væsentligt mere kapable? Vil den traditionelle kategori for styring af kontraktens livscyklus med tiden forsvinde ind i et bredere lag af virksomhedsintelligens, og hvilken rolle ser du Sirion spille i den udvikling? 

Jeg håber, at grænserne for CLM med tiden bliver langt mindre synlige. I dag tænker brugerne stadig i trin: Jeg skal oprette en kontrakt, gennemgå den, få den godkendt, underskrive den, gemme den og derefter administrere den. Efterhånden som agenterne bliver mere kapable, bør folk ikke selv skulle koordinere alle disse systemer og arbejdsgange. De bør kunne beskrive, hvad de vil opnå, og lade specialiserede agenter klare en stor del af arbejdet bagved.

Men den største forandring sker efter underskriften. Hvis AI kan forstå alle forpligtelser, kommercielle vilkår, risici og relationer på tværs af millioner af aftaler, bliver kontraktintelligens nyttig langt ud over juraområdet. For mig er det den spændende del: at kontrakter endelig bliver alles anliggende.

Så jeg tror ikke, at kontrakter forsvinder. Tværtimod. De bliver vigtigere, fordi de giver virksomheds-AI en troværdig kontekst. Vores mål hos Sirion er at gøre denne intelligens anvendelig, uanset hvor arbejdet foregår. CLM kan med tiden komme til at føles mindre som en selvstændig destination og mere som et lag for intelligens og eksekvering, der forbinder virksomhedens indgåede forpligtelser med de handlinger, den udfører hver dag.

Tak for et godt interview. Læsere, der ønsker at vide mere, kan besøge Sirion.