Sandeep Menon, administrerende direktør og medstifter af Auxia – Interviewserien

Sandeep Menon, administrerende direktør og medstifter af Auxia, bringer mere end to årtiers globale teknologi- og marketingledelse til rollen. Før han startede Auxia i 2022, tilbragte han mere end ni år hos Google (GOOGL ), hvor han fungerede som vicepræsident for marketing af betalingsløsninger og ledte initiativer som Next Billion Users-programmet, der fokuserer på digital inklusion på nye markeder. Han havde også seniormarkedsføringslederroller på tværs af Android, Chrome, ChromeOS og Google Play.

Auxia er en AI-dreven marketingplatform, der giver virksomhedsTeams mulighed for at koordinere personlige, 1:1 kunderejser i stor målestok. I stedet for at afhænge af stive, regelbaserede kampagner, låser Auxia AI-agenter, der tester hypoteser på tværs af alle kontaktpunkter – e-mail, web, app, tilbud – og tilpasse sig dynamisk til reelle præferencer og adfærd i realtid. Den integrerer sammen med første-parts datakilder, automatiserer ML-rørledninger og optimerer kontinuerligt beskeder, timing og sekvensering for at maksimere engagement og livstidsværdi.

I grundlagde Auxia efter en succesfuld karriere hos Google, hvor du ledede global marketing for produkter, der blev brugt af milliarder. Hvad var det specifikke gap eller smertepunkt, du og dine medstiftere så på markedet, der førte til skabelsen af Auxia?

Hos Google så jeg førstehånds, hvor kraftfuld sand personliggørelse kan være, når du har den rette infrastruktur og AI-kapaciteter. Men når jeg så på det bredere marked, så jeg virksomheder, der kæmpede med fragmenterede marketingstakke, ofte styrende 12 til 14 forskellige punktløsninger, der ikke kommunikerede med hinanden. De samlede enorme mængder af kundedata, men kunne ikke oversætte det til meningsfuld, realtids personliggørelse.

Det grundlæggende gap var, at eksisterende platforme var bygget til den før-AI-æra. De afhang af statiske regler og grundlæggende segmentering, når virksomheder i virkeligheden havde brug for intelligente, adaptive systemer i stand til at træffe beslutninger i realtid om hver kundeinteraktion. Vi så en mulighed for at bringe det samme niveau af AI-dreven personliggørelse, der driver virksomheder som Google og Meta, til virksomheder af alle størrelser, uden at de skulle bygge massive interne datavidenskabsteams.

Auxias grundlæggende team inkluderer tidligere ledere fra Google, Meta og Lyft. Hvordan har jeres kollektive erfaringer på disse teknologigiganter formet arkitekturen og etosset af Auxia?

Vi har alle oplevet udfordringerne ved personliggørelse i stor målestok. På Google Pay-holdet specifikt var vi i en privilegeret position, fordi vi havde tidlig adgang til transformative teknologier i deres barndom, med transformermodeller som et primært eksempel. Mine medstiftere, der kom fra Meta og Lyft, byggede systemer, der banebrydende måder at tage de enorme mængder af kundedata til rådighed og gøre det dramatisk mere nyttigt, som at aktivere realtidsanbefalinger og beslutninger for millioner af brugere hver sekund.

Vi så alle førstehånds, hvordan AI kunne dybt forbedre kundeoplevelser, mens de også løste nogle af de tøffeste udfordringer, vores marketingshold stod overfor. På samme tid skiftede markedet på en måde, der gjorde denne type arbejde mulig uden for Google. Med opkomsten af den moderne datastack og platforme som Snowflake, BigQuery og Databricks havde virksomheder brugt de sidste 5-10 år på at konsolidere deres data i ét centraliseret sted, klar til aktivering.

Vi genkendte en unik mulighed for at tage de lærdomme, vi havde udviklet inde i Google, og demokratisere dem for virksomheder overalt. Disse virksomheder var lige ved at vågne op til erkendelsen af, at de sad på en bjerg af værdifuld data, og med den rette teknologi kunne det låses op til at drive vækst og bedre kundeengagement.

De fleste personliggørelsværktøjer afhænger af regelbaserede systemer og simple segmenter. Auxia bruger i stedet synkroniserede AI-agenter. Kan du føre os igennem, hvordan disse agenter samarbejder og udvikler sig over tid for at personliggøre hver kunderejse?

De fleste værktøjer på markedet i dag afhænger stadig af stive regler og statiske segmenter, de er reaktive, ikke intelligente. Hos Auxia har vi bygget et system af synkroniserede AI-agenter, der arbejder sammen for at personliggøre hver kontaktpunkt i kunderejser i realtid.

Hver agent spiller en specialiseret rol. Beslutningsagenter bestemmer den bedste handling for en bruger baseret på alle deres tidligere data og præferencer; for eksempel, om at opgradere en kunde til en ny kreditkort eller drive dem til at åbne en ny sparekonto. Analyseagenter fungerer som en indbygget datavidenskabsteam, der analyserer, hvad der har virket godt i aktuelle kampagner for at fremhæve impact, men også muligheder for forbedring i en chat-baseret interface. Endelig låser Auxias indholdsagenter alle data og indsigt om, hvad der har virket bedst, for at proaktivt fremme nye beskeder eller kreative variationer for marketingshold at godkende.

Hvad gør disse agenter kraftfulde, er, at de ikke opererer i siloer. De samarbejder kontinuerligt, lærer af hver interaktion og tilpasse sig baseret på, hvad der virker. Markedsførere sætter overordnede mål, og agenterne håndterer kompleksiteten. De er selvoptimerende systemer, der udvikler sig dagligt for at drive bedre resultater i stor målestok.

Auxia behandler 2,6 milliarder begivenheder dagligt og håndterer 6.500 forespørgsler per sekund. Hvad var de infrastrukturinnovationer, der muliggjorde denne type realtids-skalbarhed så tidligt i virksomhedens livscyklus?

Fra dag én vidste vi, at skalaen ikke kunne være forhandlet. Hyperpersonliggørelse virker kun, hvis du kan træffe beslutninger på millisekunder, ved hjælp af friske, kontekstuelle signaler. Vi lærte mange af disse lektioner fra vores tid hos Google, og det tog over et år at bygge infrastrukturen til at støtte det niveau af realtidsorkestrering.

Vores arkitektur er cloud-nativ, begivenhedsdrevet og optimeret til høj-gennemstrømning, så vi står på skuldrene af teknologibølger før os som skiftet til den moderne datastack. Markedsføringslandskabets udvikling mod åbne økosystemer har tilladt os at flytte meget hurtigere, hvilket har gjort det muligt for os at integrere direkte med moderne cloud-data-lagre, CRM og andre marketingsplatforme. Dette har gjort det muligt for os at bygge til skala fra dag én og også har hjulpet os til at afhænge af infrastruktur, der kan behandle massive mængder af førstegangs kundesignaler uden at introducere latency.

Hvad også adskiller os er, at vi er AI-naturlige fra starten. Vi Auxia designede det til at støtte storstileksperimentering, kørende tusinder af samtidige hypoteser og kontinuerligt optimerende resultater uden menneskelig indgriben, men vi udnytter også den seneste teknologi i branchen til funktionsskabelse, modeludrulning og LLM-inferens.

Hvordan adskiller Auxias model-eksperimentramme sig fra traditionel A/B-testning, og hvilke har været de mest overraskende indsigt, der er blevet afsløret ved hjælp af jeres ML-dreven tilgang?

Traditionel A/B-testning er utrolig begrænsende, du kan kun teste få variationer ad gangen, og det tager ofte uger eller måneder at nå statistisk signifikante resultater. Hos Auxia har vi genopfundet eksperimentet som en kontinuerlig, intelligent proces. Vores model-drevne ramme giver marketingshold mulighed for at køre mange forskellige selvoptimerende modeller og teste hundredvis af variationer i parallel. Ved hjælp af teknikker som forstærkninglæring, Auxias beslutningssystem træffer beslutninger i realtid baseret på live-data.

Lad os tage eksemplet på en tilbud og belønningkampagne over e-mail. Tidligere kunne marketingshold måske teste 2-3 forskellige tilbudsvariationer, som 5% rabat, 10% rabat og 20% rabat, opdele publikummet i gensidigt exclusive grupper, lancere og sammenligne resultaterne på tværs af en række metrikker for at se, hvilken variation fungerede bedst, i gennemsnit, for hele gruppen. Den vindende variation ville derefter blive udrullet til alle efter eksperimentperiodens afslutning. Der er nogle udfordringer med denne tilgang. Først falder de fleste eksperimenter fejl, så det tager ofte hold uger eller måneder at identificere, hvad der fungerer godt. Derudover er de super manuelle og tidskrævende at opsætte, hvilket begrænser holdets hastighed og hvor hurtigt de kan levere impact.

Med Auxia sætter marketingshold først et overordnet mål, som at drive køb. Derefter sætter holdet op hundredvis af forskellige variationer i systemet, som et hold kan dynamisk generere med vores indholdsagent, indtage fra deres CMS eller manuelt definere. Hver af disse variationer ville variere i forhold til tilbudsstrukturen (f.eks. 5% rabat vs. BOGO), beløb, indhold og potentielt endda kanal (f.eks. e-mail vs. SMS). For hver enkelt bruger vil Auxias beslutningsagent rangere, score og forudsige, ud af alle de tilgængelige hundredvis af variationer, hvilken variation der er optimal for hver person til at drive vores kerneobjekt.

Auxias platform er designed til at fjerne afhængigheden af store interne datavidenskabsteams. Har du set traditionelle marketingshold succesfuldt tage på sig mere tekniske roller med jeres værktøjer?

En af de grundlæggende årsager, vi startede Auxia, var for at give marketingshold mulighed for at personliggøre både deres marketing- og produktoplevelser uden at afhænge af ingeniører eller datavidenskabsfolk. Inden for få uger efter onboarding er marketingshold, der bruger Auxia, i stand til at lancere nye kampagner, trække data og fortolke resultater fuldstændigt på egen hånd. Da verden bevæger sig mod en mere agentisk fremtid, tror vi, at marketingshold ikke behøver at blive mere tekniske eller bygge nye tekniske færdigheder. I stedet vil de ansvar, der traditionelt håndteres af ingeniører eller analytikere, blive demokratiseret gennem intelligente agenter, der udvider marketingsholdets arbejdsflow og samlede oplevelse. Med vores analyseagent har vi allerede succesfuldt abstraheret meget af den kompleksitet af traditionel datavidenskabs-/analytikerarbejde, og vi er begejstrede for at fortsætte med at udvide disse funktioner.

Som den, der ledede marketing for Next Billion Users-initiativet hos Google, hvilke paralleller ser du mellem inklusiv teknologiadoption og agentisk AI i marketing i dag?

Da jeg ledede marketing for Next Billion Users-initiativet hos Google, erkendte vi, at personer i nye markeder interagerede med produkter på fundamentalt forskellige måder end brugere i udviklede markeder. Fordi det repræsenterede en så massiv vækstmulighed, blev det afgørende at bygge specifikt til disse brugere – simplificere grænseflader, abstrahere kompleksitet og sikre, at oplevelsen var tilgængelig og styrkende.

Jeg ser en meget lignende tendens udvikle sig med agentisk AI i marketing. Ligesom mange af disse nye internetbrugere sprang direkte ind i mobile-først-oplevelser uden at have brug for tidligere digital litteracitet, har marketingshold i dag ikke brug for at gå tilbage og lære SQL eller datavidenskab for at låse personliggørelse op. Agenter brohuler disse færdighedsgap og gør avancerede funktioner med det samme brugbare. På samme tid tvinger måden, mennesker interagerer med AI – bevæger sig ud over chat-baserede grænseflader til mere intuitive, kontekstbevidste agenter – udviklere til at genoverveje brugergrænsefladens UI.

Hvad er den største misforståelse, virksomheder har om AI-personliggørelse i dag, og hvordan hjælper du dem med at overvinde det?

Den største misforståelse, virksomheder har om AI-personliggørelse, er, at ved at adoptere det, giver de fuld kontrol op eller formindsker den strategiske impact af marketingshold. AI udmærker sig ved at behandle kompleksitet, som at analysere massive datasets, spotte mønstre, som mennesker ikke kan se, og fremme signaler, der betyder noget i realtid. Hvad det ikke kan gøre, er at give kontekst, empati og strategisk dømmekraft, der kræves til at designe meningsfulde kundeoplevelser. Det er, hvor mennesker skinner: fastsætte visionen, definere brand-vagter og forstå, hvornår en personliggørelsesvalg kunne føles indtrængende eller forkert.

Hvis vi taler ærligt, kan mennesker med i dagens teknologi være effektive uden AI, men AI kan ikke være effektivt uden mennesker. Den virkelige gennembrud kommer, når du udvider dine hold med AI for at håndtere skalaen og kompleksiteten af data-drevne beslutninger, mens du giver hold mulighed for at fokusere på strategi, kreativitet og empati. Det er, når personliggørelse bevæger sig fra at være et buzzword til noget, der virkelig skaber værdi for både kunder og forretningen.

Med støtte fra over 50 branchledere og en 23,5 mio. dollars investering, hvilke er de vigtigste områder, du prioriterer for de næste 12-18 måneders produkt- og holdvækst?

Vi prioriterer tre områder for vækst over de næste 12-18 måneder. Først er vi dedikeret til at levere exceptionel værdi til vores kunder ved at fortsætte med at hæve deres oplevelse. Dette har altid været en top-prioritet for vores hold, og vi ønsker at sikre, at vi leverer exceptionel ROI for alle de virksomheder, der har sat deres tillid til os og vores hold. Anden, vi udvider vores AI-agent-funktioner for at støtte forbedring af hele marketingsholdets arbejdsflow, hjælpe hold med at skabe indhold, orkestrere personlige oplevelser og fremme handlebare indsigt i, hvad der driver impact. Til sidst er vi i gang med at skala vores go-to-market-motor. Med stærk produkt-markedsfit i enterprise, er næste skridt at udvide vores rækkevidde ved at vokse vores salgs- og kundesucceshold. Dette giver os mulighed for at bringe AI-dreven personliggørelse til flere forretninger, mens vi sikrer, at nye kunder kan nyde den samme højtilgængelige support og differentierede oplevelse, der har drivet vores tidlige succes.

Hvad begejstrer dig mest om den næste front i agentisk AI, ikke kun i marketing, men også i andre enterprise-applikationer?

Det, der virkelig begejstrer mig, er at se adoptionens tempo, se, at adoption har reel impact, og også se, at markedet erkender, at agentisk AIs virkelige værdi ligger i udvidelse, ikke nødvendigvis erstatning. For mange samtaler i dag fokuserer på AI som en erstatning for menneskelige roller, som alle de reklamer, du måske ser på 101 på vej ind i San Francisco om virksomheder, der erstatter SDR’er (eller selv hele funktioner). Denne narrative vil få overskrifter, men for mig mangler den den større mulighed: at give mennesker mulighed for at udføre deres bedste arbejde.

Mennesker bringer kontekst, empati, kreativitet og dømmekraft, som AI simpelthen ikke kan genskabe. Hvor agentisk AI skinner, er i håndtering af kompleksitet og skala, der bremser hold ned. Vi har talt meget om anvendeligheden i marketingsarbejdsflow, som at fremme indsigt fra massive datasets, automatisere repetitive opgaver og orkestrere processer på tværs af systemer i realtid. Når disse funktioner kombineres med menneskelige styrker, er resultatet en skiftende forandring i, hvad organisationer kan opnå.

I marketing betyder det, at frigøre hold fra endeløs eksekvering, så de kan fokusere på strategi, storytelling og kundeempati. Men denne samme mønster gælder på tværs af alle funktioner i virksomheden: i salg kan agenter kvalificere og forberede muligheder, så mennesker kan bruge mere tid på at bygge relationer; i kundesucces kan agenter flagge risiko- og mulighedssignaler, så mennesker kan dybe partnerskaber; i ingeniørarbejde kan agenter accelerere udvikling ved at automatisere test, fejlfinding og kodegenerering, så hold kan fokusere på at løse komplekse arkitektoniske problemer og drive innovation.

Alle disse muligheder vil skabe billioner af dollars i værdi, og jeg elsker at se virksomheder, der skyder grænserne for, hvordan arbejdet, folk gør, vil udvikle sig over tid.

Forestil dig finanshold med AI-agenter, der optimerer budgetter i realtid, HR-hold, der bruger agenter til at personliggøre medarbejderengagement, eller kundesupport-agenter, der bevæger sig fra reaktiv til proaktiv.

Vi er lige begyndt. Fremtiden handler ikke om, at AI erstatter mennesker, men om, at mennesker og AI-agenter arbejder sammen for at træffe beslutninger, der er hurtigere, smartere og mere empatiske. Det er fremtiden, vi bygger hos Auxia.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, skal besøge Auxia.