Sean Whiteley, grundlægger og præsident for Qualified – Interviewserie

Du har med succes grundlagt tre virksomheder, herunder en, der er opkøbt af Salesforce, og en anden, der er opkøbt af SurveyMonkey. Hvad inspirerede dig til at grundlægge Qualified, og hvordan passer det ind i den bredere udvikling af AI i virksomhedssoftware?

Kraig og jeg grundlagde et søgemarkedsføringsfirma, der blev opkøbt af Salesforce. Dette var tidligt i cloud-revolutionen, og næsten alle markedsføringsprogrammer skiftede hurtigt til digitalt. Det blev straks tydeligt, at der var en enorm afstand i, hvordan sælgere var forbundet med købere i denne nye verden. Virksomheder brugte millioner på at drive trafik til deres websider, men når disse høj-intentionskøbere ankom, havde engagementsoplevelsen ikke udviklet sig. Det var, som om man arrangerede og betalte for en særlig fest for sine prospekter, men glemte at åbne døren, når de ankom.

Det er her, idéen til Qualified kom fra. Vi ønskede at skabe en måde for salgsteam på at møde kvalificerede købere øjeblikkeligt, når de rammer siden – med relevans, kontekst og realtids-, hyper-personlige oplevelser, der er repræsentative for, hvad købere ønsker. Spring frem til i dag, og vi har udviklet denne vision til noget meget større: en agentic markedsføringslag, der udfører hver arbejdsgang i en indgående markedsføringsproces, der omfatter realtidsinteraktioner på websitet og asynkrone interaktioner over e-mail. Qualified er bygget til denne næste bølge af virksomhedssoftware, hvor AI-arbejdere ikke kun udfører opgaver og arbejdsgange, men også tager kontekst-drevne beslutninger på vegne af virksomheden.

Hvordan har din vision for AI ændret sig fra dine tidlige dage i søgemarkedsføring til nu, hvor Piper automatiserer indgående salg i stor skala?

Det er tydeligt, at opkomsten af Large Language Models (LLM) har ændret spillet helt. Da vi startede vores første virksomhed, var det de tidlige cloud-dage, der repræsenterede en fundamental ændring i softwareleveringsmodellen. Ting som fælles infrastruktur, multi-tenancy og betal-per-brug-priser banede vejen for virksomheder til at flytte mission-kritiske apps og processer til cloud. Kort efter blev platform og infrastruktur tilgængelige som en samling af tjenester, hvilket igen var en massiv aktiveringsfaktor for virksomheder til at aflede betydelige arbejdslast til cloud-leverandører. Alt ændrede sig.

Spring frem en årti, og AI-revolutionen er eksploderet. For blot nogle år siden, da vi først startede Qualified, repræsenterede maskinlæring (ML) en ny måde at udnytte intelligens fra enorme datamængder på. Nu, naturligvis, har LLM ændret alt i forhold til vores evne til at flytte betydelige arbejdslast til AI. Men vigtigere endnu, LLM gør AI tilgængelig for alle, og folk har mulighed for at interagere med computere, apps eller data ved hjælp af deres naturlige sprog. Og selvom vi kun er lige begyndt, er det meget tydeligt, at mange ting, vi har gjort historisk, vil blive genoprettet og gjort på nye måder. Dette gælder ikke kun for, hvordan vi lever, men også for, hvordan vi arbejder.

En af vores mantraer i Qualified er at udfordre alt, vi har gjort historisk, og vurdere, hvordan det vil blive transformeret med AI. AI vil ikke kun ændre naturen af, hvordan vi bygger systemer, men det vil også låse op for nye processer, operationer og organisationsstrukturer.

Den første bølge af denne AI-transformation er blevet manifesteret i agenter. Hver virksomhed bringer agentic lag ind i forskellige funktioner på tværs af virksomheden. Vores AI SDR Agent har været et meget populært sted at starte, når det kommer til at bringe et agentic lag ind i en markedsføringsbevægelse. Og det bliver meget tydeligt, at ikke kun kan Piper automatisere næsten alle indgående pipeline-genereringsopgaver og arbejdsgange, der historisk er udført af menneskelige SDR’er, men hun kan også begynde at håndtere en masse af de arbejdsgange, der traditionelt er gjort med markedsføringsautomatiseringsplatforme.

Piper er et kraftfuldt eksempel på en autonom AI-agent i aktion. Hvor trækker du personligt grænsen mellem hjælpsom automatisering og risikabel autonomi?

Autonomi kan ikke eksistere sikkert uden ansvarlighed. Tillid kan vindes eller tabes eksponentielt i et agentic system. Vi bygger ikke længere cloud-værktøjer. Vi udruller nu autonome arbejdere, der tager beslutninger på vegne af kunder. Der er højere indsats for pålidelighed og tillid end nogensinde før. Upræcis eller uproduktiv agentadfærd bør være den første prioritet for enhver, der udvikler agenter. Lige så vigtigt som at investere i evner omkring træning, finjustering, gennemsigtighed, citeringer og kontrol er det at aktivere kunden til at bygge grundlaget for en agent.

Med Piper har vi været intentionelle om at bygge nyttig autonomi – AI, der opererer inden for tydeligt definerede rammer, drevet af vores rigelige historie af partnerskaber med vores kunder, der bruger vores produkter i dag. Grænsen for mig er ret tydelig: automatisering bør aldrig erstatte dom i øjeblikke, der kræver kontekst, empati eller nuance.

Piper forsøger ikke at eje den fulde købersrejse fra starten. Der er en vigtig opvarmningsproces for at sikre, at agenten opererer ikke kun effektivt, men også nøjagtigt og inden for de definerede grænser, der er fastsat af en kunde. Du kan ikke bare udrulle en agent i produktion, der interagerer med dine prospekter og kunder, uden at forstå, hvordan det vil påvirke den fulde købscyklus.

Så for mig er grænsen trukket ved tillid, gennemsigtighed og kontrol. Hvis vi ikke kan give forklarbarhed eller måle dens præstation, er det ikke klar. De fleste virksomheder, jeg taler med, bliver meget mere uddannede og tænker om disse ting på den rigtige måde, men det er vores job at hjælpe vores kunder med at sætte de rigtige rammer, moderation og bedste praksis omkring styring på plads.

Givet de øgede evner i AI-agenter, hvordan sikrer du, at Piper forbliver inden for etiske og kontekstuelle grænser – især når det handler om at engagere rigtige menneskelige leads i højrisikoscenarier?

Inden for Qualified-applikationen kan du programmere Piper til at forblive inden for bestemte grænser, kontrollere hendes tone og sikre, at hun overholder virksomhedspolitikker. Disse er absolutte sandheder og regler for engagement, der ikke kan brydes, når man engagerer besøgende. Vi giver betydelig moderation og rammer i kernen af vores AI, hvilket betyder, at vi fjerner risici omkring data (PII) og følsomme oplysninger helt. Derudover giver vi virksomheder mulighed for at tilføje yderligere rammer, instruktioner og regler for engagement.

Vi giver også Piper mulighed for at styre en samtale, der afviger fra emnet, tilbage på sporet. Derudover, hvis vi får fornemmelsen af, at der er en dårlig aktør på den ene side af en engagement, kan Piper blot afslutte en samtale, hvis den bevæger sig ind i et område, der er:

• Urelateret til virksomheden, produkterne, tjenesteydelserne eller branchen
• Tilfældig eller meningsløs
• Eksplicit, upassende eller fornærmende
• Komplet uden for rammerne af, hvad en AI SDR bør håndtere

Disse strenge rammer sikrer, at Piper forbliver inden for hendes tildelte grænser, og giver vores kunder total tillid og kontrol over hendes adfærd.

Du har talt om behovet for rollback-systemer og override-funktioner. Kan du føre os igennem de sikkerheds- og kontrolforanstaltninger, du har bygget ind i Qualifieds platform for at forhindre eller afhjælpe AI-fejl?

Tillid og gennemsigtighed/henvisninger går hånd i hånd. Tillid starter med at give indsigt i, hvad der sker, hvorfor det sker, og hvordan man kan påvirke, hvordan det fungerer i fremtiden. Der er grundlæggende lejere, såsom henvisninger, feedback-løkker og finjustering. Men vi har også taget ekstra skridt for vores brugere til at give et gennemsigtighedslag for AI, der er let tilgængelig, og kan give menneske-i-løkken feedback.

Som eksempel giver vi mulighed for at simulere forskellige omstændigheder og let se, hvad AI vil gøre, og give feedback eller korrektion på hver hypotetisk situation. Ligesom du varmer en medarbejder op, før de får autonomi, skal du gøre det samme med AI.

I lyset af AI-regulerings-trends og nyheder om AI-fejl, hvordan ser du rollen for overholdelse og politik udvikle sig i fremtiden for AI-agenter i salg og markedsføring?

Regulering og styring er vigtigere end nogensinde. Det er ikke svært at tænke på den højere risiko, agenter kan repræsentere, hvis de ikke udrulles ansvarligt. Vi har alle set resultaterne af at udrulle AI uden kontekst eller ansvarlighed. I B2B, særligt i salg og markedsføring, hvor vi spiller, håndterer vi en masse virksomhedsdata og nogen grad af personligt identificerbare oplysninger (PII). Vi må holde os selv og vores kunder til høje standarder for at beskytte købernes oplevelser.

Vi bygger Piper med enterprise-klar overholdelse fra PRD-niveau. Dette betyder, at vi tænker på privatliv, sikkerhed og styring fra det øjeblik, vi bygger og sender noget nyt. Da AI udvikler sig, vil standarderne omkring de sædvanlige mistænkte i vores industri, såsom SOC 2, GDPR, CCPA, samtykkestyring osv., også udvikle sig – disse er alle ting, vi tager i betragtning, når vi sender funktioner. Men at afkrydse afkrydsningsfelter er ikke nok. Vi skaber en kultur af gennemsigtighed og bygger vores egen etisk ramme før mere formelle reguleringer.

Disse dele af AI-puslespillet kan ikke vente på formel politik – hvis du ikke allerede sætter disse standarder inden for dine hold, er du bagefter.

Mener du, at virksomheder flytter for hurtigt og giver AI-agenter for megen autonomi uden at bygge tilstrækkelige menneskelige oversigtsstrukturer?

Vi har alle set overskrifterne, når disse ting går galt – der er uden tvivl virksomheder, der flytter for hurtigt og ser på AI som værktøjer til implementering i stedet for som en total forretnings-transformation.

Automatisering er ikke en strategi. Det er en del af dette større billede, men det kræver infrastruktur og langsigtede tanker for at undgå at begå massive fejl, der til sidst undergraver tillid med kunderne. Du kan ikke få det tilbage.

Menneskelig oversigt er ikke en inhibitor for succes med automatisering, men en aktiveringsfaktor. AI vil udføre det tungt arbejde, men mennesker i løkken er påkrævet for at skala ansvarligt.

Hvordan balancerer du AI’s hastighed og effektivitet med unikt menneskelige færdigheder som dom, etik og nuance i kundeinteraktioner?

Vi ser på Piper som en teamkammerat. Hendes styrker – altid på, hastighed, instant genkaldelse, uendelig skala – gør hende til en kraftfuld SDR-agent, men vi ved, hun ikke kan eje hver enkelt interaktion fra ende til anden.

Mennesker vil altid være nødvendige i højrisikosamtaler, hvor nuanceret emotionel intelligens bedre tjener køberen. At udnytte AI i de rigtige brugstilfælde er nøglen til at balancere automatisering og menneskelige færdigheds-sæt. Piper er lynhurtig, men hun ved, når hun skal stoppe og involvere mennesker.

Vi lader AI gøre, hvad AI gør bedst, så mennesker kan gøre, hvad mennesker gør bedst.

Hvad ophidser dig mest om de næste 2-3 år i dette område?

Jeg føler, at AI-æraen har givet os mange en anden chance efter nogle svære år i tech-rummet. Agentic markedsføring er en kraftfuld innovation, der åbner døre for alle mulige nye teknologier, og det har næsten udjævnet spillefeltet for virksomheder i branchen.

Vi er alle på denne rutsjebane sammen, og vi er endelig kommet forbi den første gimmick-fase og ser, hvilke anvendelser, der faktisk er nyttige.

De næste to til tre år vil handle om orkestrering – efterhånden som flere og flere AI-agenter kommer online, vil jobbet være at figurere ud, hvordan man bygger de mest kraftfulde teknologistakke, der fungerer sammen som ét hold for at udføre komplekse arbejdsgange.

Hvilke brancher tror du er mindst forberedt på implikationerne af autonome AI-agenter – og hvad bør de gøre nu for at komme foran?

Brancher med stramme hierarkier og legacy-teknologistakke er i risiko for at blive efterladt. Til agentic markedsføring skal være succesfuld, skal man have en moderne holdning til datahygiejne og software, og nogle af disse større operationer flytter langsomt og har en masse teknisk gæld at navigere. Ironisk nok er disse de organisationer, der har mest at vinde på AI-agenter – deres arbejdsgange er modne til automatisering.

Nøglen nu er at starte med infrastruktur og ikke teknologi. De skal få deres huse i orden først med strategisk planlægning omkring arbejdsgange, hvor agenter tilføjer værdi. De skal have rammer omkring overholdelse og sikkerhed. Derefter kan de starte med at udrulle nogle af disse programmer.

Dette er ikke bare et IT-projekt – det er en hel organisationsændring, top til bund.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Qualified.