Kanti Prabha, præsident og produkt- og teknologidirektør, Sirion – interviewserie

Kanti Prabha, præsident og produkt- og teknologidirektør hos Sirion, er en leder inden for virksomhedsteknologi med mere end to årtiers erfaring inden for produktudvikling, juridisk teknologi, immaterielle rettigheder, drift og SaaS. Som medlem af Sirions grundlæggerteam har hun spillet en central rolle i udformningen af virksomhedens produktvision samt i design og udvikling af produkterne. Hun har haft flere ledende stillinger, herunder som VP of Product Management og Chief Operating Officer, inden hun blev præsident. Hendes ekspertise omfatter udvikling af B2B-SaaS-produkter i virksomhedsklassen, produktstrategi og -ledelse, kundesucces, virksomhedssalg samt opbygning af teams og organisationskultur. Tidligere i karrieren var Prabha den første medarbejder og medlem af grundlæggerteamet hos UnitedLex, hvor hun udviklede teknologibaserede løsninger til virksomheders juridiske afdelinger og ledede initiativer inden for immaterielle rettigheder. Det skete efter, at hun tidligere havde arbejdet med patenttjenester hos Evalueserve. Hun er også rådgiver for akirolabs og har tidligere rådgivet Clarisights.

Sirion er en virksomhed, der tilbyder AI-drevet kontraktlivscyklusstyring (CLM), og som hjælper virksomheder med at håndtere kontrakter fra udarbejdelse og forhandling til løbende opfølgning på resultater, forpligtelser og værdiskabelse. 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 samt overvåge forpligtelser og serviceniveauaftaler. Sirion positionerer i stigende grad sin teknologi inden for agentisk kontraktstyring via platformen agentOS, der gør det muligt for organisationer at implementere færdigudviklede kontraktagenter og oprette skræddersyede agenter, som er forbundet med virksomhedens data og arbejdsgange. Platformen er udviklet til store organisationer, der ønsker at gøre kontrakter til strukturerede, søgbare kilder til operationel indsigt i stedet for statiske dokumenter, samtidig med at de bevarer styring og menneskeligt tilsyn.

Din vej til at grundlægge Sirion var usædvanlig: Du læste kemi, gik videre til jura med speciale i immaterielle rettigheder, arbejdede med patenter og begyndte derefter at se anderledes på kontrakter, mens du arbejdede hos Hewlett-Packard. Hvad fik du øje på i de tidlige erfaringer, som til sidst overbeviste dig om, at der var 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 karrieren i et laboratorium. Det førte mig efterhånden til arbejdet med immaterielle rettigheder, hvor jeg arbejdede med patenter og senere ledede teams, der udviklede teknologiske og juridiske løsninger til store virksomheder.

Det afgørende vendepunkt kom, da min medstifter i Sirion, Ajay, og jeg begyndte at arbejde sammen med HP. Virksomheden havde tusindvis af kontrakter, der skulle organiseres og administreres efter en stor opkøbsaftale. I første omgang så vi det som et problem med et dokumentarkiv, men da vi begyndte at se nærmere på kontrakterne, blev det tydeligt, at opbevaring kun udgjorde en lille del af potentialet. Kontrakter viste, hvad en virksomhed havde købt og 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 indsigten bag Sirion. 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 gemt i kontrakter, og hvordan kan AI gøre dem nyttige for andre teams end juraafdelingen, herunder økonomi, indkøb, salg og drift? 

Kontrakter er et af de få steder, hvor en virksomheds hensigter rent faktisk bliver til forpligtelser. De fortæller, hvad virksomheden har accepteret at betale, hvad en kunde har accepteret at købe, hvornår priserne kan ændres, hvilke serviceniveauer der skal overholdes, hvornår en aftale fornyes, hvad der sker, hvis nogen ikke leverer som aftalt, og hvem der har ansvaret for de enkelte 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. Indkøb kan få overblik over leverandørforpligtelser og priser. Økonomiafdelingen kan se kommercielle forpligtelser og potentielle værditab. Salgsafdelingen kan forstå vilkår for fornyelse og kundernes forpligtelser. Driften kan overvåge, om det, der blev 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 være afslutningen på en transaktion kan kontrakten med flydende intelligens blive en aktiv kilde til kontekst for virksomhedens drift.

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

Da vi grundlagde Sirion, handlede AI inden for kontraktområdet primært om udtræk og klassificering. Maskinlæring kunne blive rigtig god til at identificere en klausul, en dato, et partsnavn eller en forpligtelse, men man skulle træne modeller til forholdsvis specifikke opgaver.

Store sprogmodeller har udvidet ræsonneringslaget markant. Nu kan et system forstå et spørgsmål formuleret i naturligt sprog, fortolke sammenhængen omkring en klausul, 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, at LLM’er erstatter alt det, der kom før dem. Kontrakter er for komplekse til det. Hos Sirion bruger vi en tilgang med flere modeller, som 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 sprog. De har brug for præcision. Den mest spændende ændring er, at vi kan gå fra at udtrække oplysninger fra kontrakter til at ræsonnere på grundlag af disse oplysninger og i stigende grad handle på dem.

Sirion er nu ved at introducere specialiserede AI-agenter til opgaver som udtræk af kontraktoplysninger, identifikation af problemer, forslag til ændringer og søgning i store kontraktarkiver. Hvordan ser du disse agenter arbejde sammen, og hvor langt bør virksomheder i sidste ende lade AI handle autonomt i kontraktprocessen?           

Jeg tror ikke, at fremtiden tilhører én stor AI-agent, der klarer alt. Udarbejdelse af kontrakter omfatter mange specialiserede opgaver, og hver opgave kræver forskellig kontekst og forskellige grader af dømmekraft. Én agent kan måske udtrække vilkår fra tusindvis af aftaler. En anden identificerer formuleringer, der afviger fra politikken. Derefter kan en agent, der foreslår ændringer, anbefale en præcis ændring baseret på virksomhedens retningslinjer. Den virkelige styrke opstår, når agenterne kan arbejde sammen om at nå et resultat, i stedet for at tvinge brugeren til at styre hvert enkelt trin.

Nogen kunne for eksempel spørge: »Kan vi acceptere denne leverandøraftale?« Systemet bør kunne identificere de mest relevante vilkår, sammenholde dem med politikken, fremhæve problemerne, finde tidligere eksempler 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 selv håndterer mange gentagne, regelbaserede handlinger. Men en ny type ansvarsbestemmelse eller en strategisk vigtig forhandling kan kræve menneskelig dømmekraft. Det endelige mål 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 udsætte en produktlancering end gå på kompromis med sikkerheden. Efterhånden som generativ AI bliver dybere integreret i virksomheders arbejdsgange, hvilke genveje inden for sikkerhed eller privatliv bekymrer dig mest?

Kontrakter kan indeholde priser, immaterielle rettigheder, medarbejderoplysninger, oplysninger om virksomhedsopkøb, strategiske forpligtelser og ekstremt følsomme oplysninger om kunder og leverandører. Virksomheder skal vide præcis, hvor disse oplysninger sendes hen, når et AI-system behandler dem, hvordan de behandles, hvem der kan få 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 almindeligt træningsmateriale. Jeg forstår presset, men AI til virksomheder kan ikke bygges på »det ordner vi med datastyringen senere«. Sikkerhed skal være en del af arkitekturen fra begyndelsen.

Det betyder stærke adgangskontroller, kryptering, mulighed for revision og kontrol, tydelige grænser for data og meget velovervejede beslutninger om, hvordan tredjepartsmodeller bruges. Hos Sirion har vi bestemt truffet beslutninger, hvor sikkerhed har forsinket os, og det kompromis har jeg det fint med. I erhvervssoftware, især når man håndterer kontrakter, tager det år at opbygge tillid, men kun én uforsigtig beslutning at skade den.

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

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 med stor sikkerhed overser 200 af dem, er det et helt andet problem.

Vi designer 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 forstå, hvilken politik eller position i retningslinjerne anbefalingen bygger på. Forklarlighed er afgørende for udbredelsen, fordi tillid opstår, når man kan undersøge og efterprøve AI.

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 kompetente, 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.

Kombiner kontrakters stærke dokumentation af beslutninger og forpligtelser mellem organisationer med virksomhedens særlige politikker, forhandlingsmanualer, historiske aftaler og driftsdata, og et AI-system kan gå fra at give et generisk svar til at give et svar, der afspejler, hvordan jeres virksomhed fungerer. Jeg tror, at konkurrencefordelen inden for virksomheds-AI i stigende grad vil komme fra denne kontekst, eftersom de fleste virksomheder allerede har adgang til lignende grundmodeller. Det afgørende bliver, hvor effektivt de kan forbinde modellerne med betroede, 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?

En ting, jeg har lært, er, at det nogle gange er den lette del at bygge teknologien. Udfordringerne 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 arbejder i stor 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 en global organisations enorme kompleksitet.

AI gør denne indsigt endnu vigtigere. I dag kan man meget hurtigt bygge en imponerende demo. Det er noget helt andet at bygge noget, som en virksomhed vil 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 har man betragtet kontrakten som målstregen. Alle forhandler, underskriver og fejrer, og derefter lægges dokumentet i et arkiv. Seks måneder senere åbner nogen det, fordi der er opstået en tvist, en fornyelse står for døren, 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 hele kontraktporteføljen.

Forestil dig i en ideel verden, at man ved, at en leverandør ikke har overholdt en SLA, før den næste faktura godkendes, eller ser, at en prisjustering skulle være trådt i kraft 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 vil ske med kontraktstyring, når AI-agenter bliver væsentligt mere kompetente? Vil den traditionelle kategori for styring af kontraktlivscyklus på sigt forsvinde ind i et bredere lag af virksomhedsintelligens, og hvilken rolle ser du Sirion spille i den udvikling? 

Jeg håber, at grænserne for CLM bliver langt mindre synlige med tiden. 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 kompetente, bør folk ikke selv skulle koordinere alle disse systemer og arbejdsgange. De bør kunne udtrykke, hvad de ønsker at opnå, og lade specialiserede agenter klare en stor del af arbejdet bag kulisserne.

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 kontraktindsigt nyttig langt ud over det juridiske område. Det er den spændende del for mig: at kontrakter endelig bliver noget, der vedrører alle i virksomheden.

Så jeg tror ikke, at kontrakter forsvinder. Tværtimod. De bliver vigtigere, fordi de giver virksomheds-AI en betroet kontekst. Hos Sirion er vores mål at gøre denne indsigt anvendelig, uanset hvor arbejdet foregår. CLM vil måske med tiden føles mindre som en selvstændig platform og mere som et lag for intelligens og udførelse, der forbinder virksomhedens indgåede forpligtelser med de handlinger, den foretager hver dag.

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