Michael Delgado, Medstifter og CEO i Canals – Interviewserie

Michael Delgado, Medstifter og CEO i Canals, er en tidligere korporativ advokat, der er blevet iværksætter og har bygget en karriere, der kombinerer juridisk ekspertise, produktudvikling og operationel teknologi. Efter at have startet i top-tier advokatfirmaer, herunder Cravath, Swaine & Moore LLP, gik han over til startups og overtog ledelsesroller i Willing, før han co-foundede Vested, der senere blev opkøbt af MetLife. Han gik herefter videre til at stifte Canals i 2022, hvor han anvendte sin erfaring på tværs af jura, operationer og produkter til at tackle ineffektiver i traditionelle industrier, især ved at udnytte AI til at modernisere komplekse forretningsworkflows.

Canals er en AI-dreven platform, der er designet til at automatisere kritiske back-office-operationer for engrosdistributører, herunder salgsordrebehandling, kontantstyring og indkøb. Virksomheden fokuserer på at omdanne ustrukturerede indgange som emails, PDF’er og håndskrevne dokumenter til struktureret, handlebar data, der integreres direkte i eksisterende ERP-systemer. Ved kontinuerligt at lære af brugerinteraktioner reducerer Canals manuel dataindtastning, minimiserer fejl og accelererer operationelle workflows, hvilket positionerer virksomheden som en praktisk eksekveringslag for virksomheder snarere end en ren analytisk AI-løsning.

Du skiftede fra en juridisk baggrund på advokatfirmaer som Cravath, Swaine & Moore LLP til startups og grundlagde herefter Canals efter din erfaring med at bygge Vested. Hvad var de specifikke fejl i distributionsworkflows, der fik dig til at starte virksomheden, og hvordan påvirkede dine tidligere roller denne beslutning?

Min kone driver en distributionsforretning, så det var gennem hende, at jeg først begyndte at besøge lagerhuse, tale med distributører og lære industrien at kende.

Da jeg tilbragte mere tid i distributionsbranchen, var det, der fremstod mest, en proces kaldet “salgsordreindtastning”. Ordrer kommer til en distributør gennem en bred vifte af kanaler i en bred vifte af formater, og hver af dem skal gennemgås og manuelt indtastes i en ERP. Det er tidskrævende arbejde, der falder på teams af salgsrepræsentanter – mennesker, hvis job er at drive omsætning og bygge relationer.

Jo mere jeg talte med distributører, desto tydeligere blev det, at dette ikke var en lille ineffekt. Salgsordreindtastning er en kerneworkflow i en enorm industri, som teknologi historisk set har svigtet at betjene, delvist fordi traditionel software ikke kunne håndtere variabiliteten. Jeg havde tilbragt år med at bygge software og følge AI’s fremgang, så jeg var godt udstyret til at se et stort marked, et rigtigt problem og en ny måde at løse det på. Canals voksede herefter.

For læsere, der er nye i dette område, hvad gør Canals egentlig inde i en organisation på en dag-til-dag-basis, og hvordan interagerer det med eksisterende systemer som Enterprise Resource Planning (ERP)?

På et højt niveau tager Canals de indgange, distributører, entreprenører og producenter beskæftiger sig med hver dag – emails, PDF’er, regneark, selv håndskrevne noter – og omdanner dem til struktureret data, der kan flyde mellem systemer og drive slut-til-slut-workflows. Derefter bruger det denne data til at automatisere downstream-handlinger, enten det er at generere en salgsordre eller indsende en faktura, før det skyder ren, valideret data direkte ind i en ERP.

ERP’en forbliver systemet af rekord, mens Canals fungerer som den operationelle AI, der holder det nøjagtigt og opdateret.

Industriel distribution afhænger stadig i høj grad af emails, PDF’er og telefonopkald til at styre ordrer og fakturaer. Hvorfor har dette niveau af manuelt arbejde bestået i så lang tid, og hvad har forhindret meningsfuld automatisering indtil nu?

Problemet er, at traditionel software afhænger af stive regler og standard-skabeloner. Det fungerer i miljøer, hvor indgange er konsistente, men bygge- og distributionsbranchen er ikke sådan. Dokumenter kommer i en bred vifte af formater, og der er dusinvis af forskellige navne, forkortelser og fagudtryk, der alle beskriver det samme produkt. På et visst tidspunkt bliver antallet af kanttilfælde uoverskueligt. Du kan ikke realistisk definere regler for hver variation, så processen falder tilbage til manuel fortolkning.

Viljen til at indføre mere effektivitet har altid eksisteret, men indtil for nylig kunne teknologien ikke følge med, hvilket gjorde tidligere tilgange svære at implementere og umulige at skalaere.

En kerneudfordring her er at omdanne ustrukturerede indgange til strukturerede handlinger. Hvordan fortolker din platform emails, vedhæftninger og dokumenter, og konverterer dem til brugbar data og workflows?

Det er en udfordring, der kræver to trin for at løse.

Det første er parsing. Canals identificerer de relevante dokumenter i en brugers indbakke, trækker ud de vigtigste linjeemner og felter og trækker data ud.

Det andet er matching. Dette er, hvor den udtrukne data bliver løst inden for systemet. I nogle tilfælde betyder det at tilknytte linjeemner til de korrekte varenumre, håndtere variation i, hvordan produkter beskrives, og normalisere enheder. I andre tilfælde betyder det at afstemme dokumenter, såsom at matche en faktura med en købsordre og kvittering, afstemme linjeemner og identificere afvigelser.

Resultatet er struktureret, kontekstualiseret data, der kan drive en slut-til-slut-workflow.

Du har støttet workflows, der er knyttet til over 2,1 milliarder dollars i betalinger. På dette niveau, hvilke mønstre dukker op omkring ineffektiver, forsinkelser eller fejl, som de fleste virksomheder ikke engang er bevidste om?

Der er nogle åbenlyse effektivitetsgevinster. På kontantstyringssiden, for eksempel, automatiserer vores kunder i gennemsnit 96% af deres faktura-behandling, hvilket fjerner en betydelig mængde manuelt arbejde.

Hvad der er endnu mere interessant, er, hvordan det manifestere sig ud over omkostningsbesparelser. I bestillingsindgang specifikt har hastighed en direkte indvirkning på omsætning.

I byggebranchen er timing kritisk, og at holde tidsskemaet er prioriteret. Hvis en entreprenør anmoder om tilbud fra flere distributører, og en responderer i ti minutter, mens de andre tager timer, er jobbet normalt gået til den, der responderede først, selv om det ikke er den lavest pris. At få materialet på tid er vigtigere end at spare nogle få dollars.

Denne dynamik har en direkte indvirkning på omsætning. Automatisering af salgsordreindtastning øger, hvor ofte en distributør er den første til at respondere, hvilket øger, hvor ofte de vinder forretning. For en af vores kunder oversatte det til, at 57% af deres transaktioner blev til ordrer, sammenlignet med en tidligere gennemsnit på omkring 20%.

Ældre systemer som ERP-platforme er ofte stive og svære at modernisere. Hvordan nærmer du dig integration uden at tvinge virksomheder til at udskifte deres eksisterende infrastruktur?

ERP’er er dybt integreret i, hvordan en forretning kører, så den reelle begrænsning er ikke kun integration, men hvor hurtigt og hvor ren man kan integrere uden at tilføje overhoved. Hvis implementeringen er langsom eller kræver tungt engagement fra internt IT, bliver det en disruptiv blocker.

Vores tilgang har altid været at investere i at gøre vores implementering hurtig og friktionsfri. Vi har dusinvis af forudbyggede integrationer og et stort team af ingeniører til at støtte brugerdefinerede installationer, og vi prioriterer at få kunder i gang hurtigt uden at skabe en vedvarende vedligeholdelsesbyrde.

Vi ser en skiftning mod mere autonome systemer på tværs af brancher. Hvordan langt kan automatisering realistisk gå i distributionsworkflows, før menneskelig oversigt bliver kritisk igen?

Der er masser af ting, som AI ikke kan gøre. Det kommer ikke til at træffe komplekse forretningsbeslutninger, styre kundesammenhænge eller fungere i felten. Hvad det kan gøre, er at fjerne en masse af det repetitive administrative arbejde, der ligger under disse processer.

I de fleste industrielle workflows er den rette model menneske-i-løkken, hvor AI håndterer hovedparten af arbejdet, mens mennesker forbliver i kontrol over undtagelserne. Når noget er enkelt, kan det automatiseres. Når noget er tvetydig, højværdi eller medfører reel risiko, er det, hvor menneskelig dømmekraft er kritisk.

Målet er ikke 100% autonomi. Det er at automatisere de kedelige, manuelle og rutinemæssige dele af workflowet, så mennesker kan fokusere på højværdi-beslutninger og undtagelser.

En af risikoen ved automatisering er at miste institutionel viden fra erfarne operatører. Hvordan sikrer Canals, at denne ekspertise bliver fanget og reflekteret i systemet i stedet for at blive erstattet?

En af de væsentlige fordele ved AI over for traditionel software er, at det kan lære over tid.

Når en erfaren operatør gennemgår noget, retter en fejl eller håndterer en undtagelse, kan systemet fange disse beslutninger og intelligently anvende dem fremad. Da brugen øges, begynder det at pålideligt reflektere disse mønstre i stedet for at afhænge af en fast sat af regler.

Det betyder, at institutionel viden ikke længere er knyttet til en enkelt person. I stedet for at leve med individer bliver den indbagt i systemerne, der bruges til at drive forretningen, så den bliver anvendt mere konsekvent på tværs af organisationen. Når erfarne medarbejdere forlader, bliver deres ekspertise fanget inden for Canals. Når nye medarbejdere starter, arbejder de inden for et system, der allerede reflekterer, hvordan forretningen drives, hvilket hjælper dem med at accelerere og udføre mere konsekvent.

Det store tryk på forsyningssystemer pga. den hastige udbygning af datacentre sætter virksomheder under pres. Hvordan ændrer denne efterspørgsel forventningerne omkring hastighed, præcision og koordination for distributører?

Kapløbet om at bygge datacentre accelererer med $700 milliarder, der bliver investeret i byggeprojekter, hvilket sætter enormt pres på entreprenører og distributører for at holde trit.

Hvad denne efterspørgsel ændrer, er tolerance for forsinkelser. Workflows, der var håndterbare ved lavere volumener – som manuel ordrebehandling og dokumentafstemning – begynder at bryde sammen i skala. Da projekter bliver større og flytter hurtigere, bliver hullerne mellem tilbud, køb og opfyldelse mere synlige og mere kostbare på begge sider af transaktionen. Mangel på præcis, opdateret information undergraver koordination og kan resultere i uventede forsinkelser og pludselige arbejdstop.

Holdene, der kan operere med hastighed og realtidssynlighed, har en klar fordel. På det tidspunkt bliver automatisering ikke kun om effektivitet, men bliver et krav for at holde trit med tempo og kompleksitet i efterspørgsel.

Med henblik på fremtiden, hvordan ser du AI formende indkøb og forsyningssystemer på tværs af de næste fem år, især da systemer bevæger sig fra assistive værktøjer til mere agent-lignende beslutningstager?

Det er svært at sige med nogen grad af sikkerhed, men hvad der bliver mere tydeligt, er, hvordan AI bliver anvendt – snævert, i specifikke workflows, hvor der er masser af repetition og en klar vej til pålidelighed. I indkøb og forsyning viser det sig i execution-tyngde processer. Disse workflows er knyttet til rigtige penge og rigtige relationer, så baren for autonomi er høj. Den nærmeste skiftning vil være mindre om agent-drevne beslutninger og mere om at udvide, hvad der kan håndteres pålideligt, mens mennesker forbliver tæt involveret, hvor det betyder noget.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Canals.