Μιχάλης Ντελγκάντο, Συνιδρυτής και Διευθύνων Σύμβουλος στην Canals – Σειρά Συνεντεύξεων

Μιχάλης Ντελγκάντο, Συνιδρυτής και Διευθύνων Σύμβουλος στην Canals, είναι ένας πρώην εταιρικός δικηγόρος που έγινε επιχειρηματίας και έχει χτίσει μια καριέρα που συνδυάζει νομική εμπειρία, ανάπτυξη προϊόντων και τεχνολογία λειτουργιών. Μετά την έναρξη της καριέρας του σε κορυφαίες εταιρικές δικηγορικές εταιρείες, συμπεριλαμβανομένης της Cravath, Swaine & Moore LLP, μετακόμισε σε startups, αναλαμβάνοντας ηγετικές θέσεις στην Willing πριν συνιδρύσει την Vested, η οποία αργότερα αγοράστηκε από την MetLife. Συνέχισε να ιδρύσει την Canals το 2022, εφαρμόζοντας την εμπειρία του σε νομικά, λειτουργίες και προϊόντα για να αντιμετωπίσει τις ανεπάρκειες στις παραδοσιακές βιομηχανίες, ιδιαίτερα με τη χρήση της τεχνητής νοημοσύνης για να μοντερνοποιήσει σύνθετες επιχειρηματικές διαδικασίες.

Canals είναι μια πλατφόρμα που驱είται από την τεχνητή νοημοσύνη και σχεδιάζεται για να αυτοματοποιήσει κρίσιμες επιχειρηματικές λειτουργίες για τους grosistes, συμπεριλαμβανομένης της επεξεργασίας παραγγελιών, των λογαριασμών πληρωμής και της προμήθειας. Η εταιρεία επικεντρώνεται στη μετατροπή μη δομημένων εισόδων, όπως emails, PDF και χειρόγραφες σημειώσεις, σε δομημένα, ενεργά δεδομένα που ενσωματώνονται άμεσα στα υπάρχοντα συστήματα ERP. Συνεχίζοντας να μαθαίνει από τις αλληλεπιδράσεις των χρηστών, η Canals μειώνει την χειροκίνητη εισαγωγή δεδομένων, ελαττώνει τα λάθη και επιταχύνει τις επιχειρηματικές διαδικασίες, θέτοντας τον εαυτό της ως một πρακτική εκτέλεση για τις επιχειρήσεις και όχι ως μια καθαρά αναλυτική λύση τεχνητής νοημοσύνης.

Μετατρέξατε από ένα νομικό υπόβαθρο σε εταιρικές δικηγορικές εταιρείες όπως η Cravath, Swaine & Moore LLP σε startups, και τελικά ιδρύσατε την Canals μετά την εμπειρία σας στην ανάπτυξη της Vested. Ποια συγκεκριμένα προβλήματα στις διαδικασίες διανομής σας οδήγησαν να ιδρύσετε την εταιρεία, και πώς η προηγούμενη εμπειρία σας επηρέασε αυτή την απόφαση;

Η γυναίκα μου διατηρεί μια επιχείρηση διανομής, οπότε ήταν μέσω της οποίας άρχισα να επισκέπτομαι αποθήκες, να μιλάω με διανομείς και να μαθαίνω την βιομηχανία.

Όσο περνούσα περισσότερο χρόνο στην διανομή, το που έκανε εντύπωση ήταν μια διαδικασία που ονομάζεται “εισαγωγή παραγγελιών”. Οι παραγγελίες έρχονται σε einen διανομέα μέσω ενός ευρέος φάσματος καναλιών και σε eine ποικιλία μορφών, και κάθε μια πρέπει να αναθεωρηθεί και να εισαχθεί χειροκίνητα στο σύστημα ERP. Είναι μια χρονοβόρα εργασία που πέφτει στα χέρια των ομάδων των πωλητών – ανθρώπων των οποίων η δουλειά πρέπει να είναι η παραγωγή εσόδων και η δημιουργία σχέσεων.

Όσο περισσότερες συζητήσεις είχα με διανομείς, τόσο πιο σαφές έγινε ότι αυτό δεν ήταν ένα μικρό ανεπάρκεια. Η εισαγωγή παραγγελιών είναι μια βασική διαδικασία σε μια τεράστια βιομηχανία που η τεχνολογία ιστορικά απέτυχε να εξυπηρετήσει, εν μέρει επειδή το παραδοσιακό λογισμικό δεν μπορούσε να χειριστεί την ποικιλία. Είχα περάσει χρόνια xây dựng λογισμικό και ακολουθώντας την πρόοδο της τεχνητής νοημοσύνης, οπότε ήμουν καλά εξοπλισμένος για να δω μια μεγάλη αγορά, ένα πραγματικό πόνο και einen νέο τρόπο για να το λύσω. Η Canals μεγάλωσε από εκεί.

Για τους αναγνώστες που είναι νέοι σε αυτόν τον χώρο, τι κάνει η Canals στην πραγματικότητα μέσα σε μια οργάνωση σε μια ημερήσια βάση, και πώς αλληλεπιδρά με τα υπάρχοντα συστήματα όπως το σύστημα ERP;

Σε υψηλό επίπεδο, η Canals παίρνει τις εισόδους που αντιμετωπίζουν οι διανομείς, οι εργολάβοι και οι κατασκευαστές κάθε μέρα – emails, PDF, elektronik spreadsheets, ακόμη και χειρόγραφες σημειώσεις – και τις μετατρέπει σε δομημένα δεδομένα που μπορούν να ρέουν μεταξύ των συστημάτων και να ενεργοποιούν τις τελικές διαδικασίες. Στη συνέχεια, χρησιμοποιεί αυτά τα δεδομένα για να αυτοματοποιήσει τις κατωτέρω ενέργειες, είτε είναι η δημιουργία μιας παραγγελίας πώλησης είτε η υποβολή μιας τιμολόγησης, πριν να推 đẩy τα καθαρά, επικυρωμένα δεδομένα άμεσα στο σύστημα ERP.

Το σύστημα ERP παραμένει το σύστημα εγγραφής, ενώ η Canals ενεργεί ως η λειτουργική τεχνητή νοημοσύνη που το κρατάει ακριβές και ενημερωμένο.

Η βιομηχανική διανομή εξακολουθεί να βασίζεται σε μεγάλο βαθμό σε emails, PDF και τηλεφωνικές κλήσεις για τη διαχείριση των παραγγελιών και των τιμολόγησεων. Γιατί έχει διαρκέσει τόσο καιρό αυτό το επίπεδο χειροκίνητης εργασίας, και τι έχει εμποδίσει την σημαντική αυτοματοποίηση μέχρι τώρα; 

Το πρόβλημα είναι ότι το παραδοσιακό λογισμικό εξαρτάται από αυστηρές κανόνες και πρότυπα. Αυτό λειτουργεί σε περιβάλλοντα όπου οι εισόδους είναι συνεπείς, αλλά η κατασκευή και η διανομή δεν είναι così. Τα έγγραφα έρχονται σε eine ποικιλία μορφών, και υπάρχουν δεκάδες διαφορετικά ονόματα, συντομογραφίες και ειδικός όρος που περιγράφουν το ίδιο προϊόν. Σε κάποιο σημείο, ο αριθμός των περιπτώσεων γίνεται ακατανόητος. Δεν μπορείτε να ορίσετε κανόνες για κάθε παραλλαγή, οπότε η διαδικασία επιστρέφει στην χειροκίνητη ερμηνεία.

Η βούληση για την εισαγωγή περισσότερης αποτελεσματικότητας έχει πάντα υπάρξει, αλλά μέχρι τώρα η τεχνολογία δεν μπορούσε να τη συντηρήσει, καθιστώντας τις προηγούμενες προσεγγίσεις δύσκολες να εφαρμοστούν και αδύνατες να κλιμακωθούν.

Ένα βασικό πρόβλημα εδώ είναι η μετατροπή μη δομημένων εισόδων σε δομημένες ενέργειες. Πώς η πλατφόρμα σας ερμηνεύει emails, επισυναπτόμενα και έγγραφα, και τις μετατρέπει σε χρηστικά δεδομένα και διαδικασίες;

Είναι μια πρόκληση που απαιτεί δύο βήματα για να λυθεί.

Το πρώτο είναι η ανάλυση. Η Canals αναγνωρίζει τα σχετικά έγγραφα στο mailbox του χρήστη, βγάζει τα βασικά στοιχεία και τα πεδία, και εξάγει τα δεδομένα.

Το δεύτερο είναι η αντιστοίχηση. Αυτό είναι το σημείο όπου τα εξαγόμενα δεδομένα αντιστοιχούν στο σύστημα. Σε ορισμένες περιπτώσεις, αυτό σημαίνει την αντιστοίχηση των στοιχείων σε σωστά SKU, την αντιμετώπιση της ποικιλίας στην περιγραφή των προϊόντων και την τυποποίηση των μονάδων. Σε άλλες περιπτώσεις, αυτό σημαίνει την αντιστοίχηση των εγγράφων, όπως η αντιστοίχηση μιας τιμολόγησης σε μια παραγγελία αγοράς και λήψης, την ευθυγράμμιση των στοιχείων και την αναγνώριση των διαφορών.

Το αποτέλεσμα είναι δομημένα, περιεχόμενα δεδομένα που μπορούν να οδηγήσουν μια ολοκληρωμένη διαδικασία.

Έχετε υποστηρίξει διαδικασίες που συνδέονται με περισσότερα από 2,1 δισεκατομμύρια δολάρια σε πληρωμές. Σε αυτή τη κλίμακα, ποια πρότυπα εμφανίζονται γύρω από ανεπάρκειες, καθυστερήσεις ή λάθη που οι περισσότερες εταιρείες δεν συνειδητοποιούν ότι τις έχουν; 

Υπάρχουν ορισμένα προφανή κέρδη αποτελεσματικότητας. Για παράδειγμα, στην πλευρά των λογαριασμών πληρωμής, οι πελάτες μας αυτοματοποιούν το 96% της επεξεργασίας των τιμολόγησεων τους, το οποίο αφαιρεί μια σημαντική ποσότητα χειροκίνητης εργασίας.

Τι είναι πιο ενδιαφέρον, όμως, είναι το πώς αυτό εκφράζεται πέρα από τις οικονομικές αποταμιεύσεις. Στην εισαγωγή παραγγελιών, η ταχύτητα επηρεάζει άμεσα τα έσοδα.

Στην κατασκευή, ο χρόνος είναι κρίσιμος και η διατήρηση του χρονοδιαγράμματος είναι η προτεραιότητα. Αν ένας εργολάβος ζητάει προσφορές από πολλούς διανομείς και ένας απαντάει σε δέκα λεπτά ενώ οι άλλοι χρειάζονται ώρες, η δουλειά συνήθως πάει στον πρώτο, ακόμη και αν δεν είναι η χαμηλότερη τιμή. Η λήψη του υλικού στην ώρα του έχει άμεσο αντίκτυπο στα έσοδα. Η αυτοματοποίηση της εισαγωγής παραγγελιών αυξάνει το πόσο συχνά ένας διανομέας είναι ο πρώτος που απαντά, το οποίο αυξάνει το πόσο συχνά κερδίζει δουλειές. Για έναν από τους πελάτες μας, αυτό μεταφράστηκε σε 57% των συναλλαγών τους να γίνονται παραγγελίες, σε σύγκριση με einen προηγούμενο μέσο που ήταν κοντά στο 20%.

Οι παλιές πλατφόρμες όπως τα συστήματα ERP είναι συχνά σκληρές και δύσκολο να μοντερνοποιηθούν. Πώς προσεγγίζετε την ενσωμάτωση χωρίς να αναγκάζετε τις εταιρείες να απομακρύνουν την υπάρχουσα υποδομή τους;

Τα συστήματα ERP είναι βαθιά ενσωματωμένα στο πώς μια επιχείρηση λειτουργεί, οπότε ο πραγματικός περιορισμός δεν είναι μόνο η ενσωμάτωση, αλλά και το πόσο γρήγορα και πόσο καθαρά μπορείτε να ενσωματώσετε χωρίς να προσθέσετε επιβάρυνση. Αν η εφαρμογή είναι αργή ή απαιτεί μεγάλη συμμετοχή από την εσωτερική ομάδα IT, γίνεται ένας διαταρακτικός εμπόδιο.

Η προσέγγισή μας έχει πάντα ήταν να επενδύσουμε στην ταχύτητα και την αμαχητί της εφαρμογής. Έχουμε δεκάδες προ-κατασκευασμένες ενσωματώσεις με μια μεγάλη ομάδα μηχανικών για να υποστηρίξουμε τις προσαρμοσμένες αναπτύξεις, και προτεραιότητα δίνουμε στην ταχεία έναρξη των πελατών μας χωρίς να δημιουργούμε μια συνεχή επιβάρυνση συντήρησης.

Βλέπουμε μια μετατόπιση προς περισσότερα αυτόνομα συστήματα σε όλους τους κλάδους. Πόσο μπορεί η αυτοματοποίηση να φτάσει σε πραγματικές διαδικασίες διανομής πριν η ανθρώπινη επιτήρηση γίνει κρίσιμη ξανά;

Υπάρχουν πολλά πράγματα που η τεχνητή νοημοσύνη δεν μπορεί να κάνει. Δεν θα λάβει σύνθετες επιχειρηματικές αποφάσεις, δεν θα διαχειριστεί τις σχέσεις με τους πελάτες ή δεν θα λειτουργήσει στο πεδίο. Τι μπορεί να κάνει είναι να αφαιρέσει πολλή από την επαναλαμβανόμενη διοικητική εργασία που βρίσκεται κάτω από αυτές τις διαδικασίες.

Στις περισσότερες βιομηχανικές διαδικασίες, το σωστό μοντέλο είναι η ανθρώπινη-εν-το-βρόχο όπου η τεχνητή νοημοσύνη χειρίζεται το μεγαλύτερο μέρος της εργασίας, αφήνοντας τους ανθρώπους να ελέγχουν τις εξαιρέσεις. Όταν κάτι είναι απλό, μπορεί να αυτοματοποιηθεί. Όταν κάτι είναι αμφίβολο, υψηλής αξίας ή φέρει πραγματικό κίνδυνο, εκεί είναι που η ανθρώπινη κρίση είναι κρίσιμη.

Ο στόχος δεν είναι η 100% αυτονομία. Είναι να αυτοματοποιήσουμε τα τετριμμένα, χειροκίνητα και ру틴 μέρη της διαδικασίας ώστε οι άνθρωποι να μπορούν να εστιάσουν στις υψηλής αξίας αποφάσεις και τις εξαιρέσεις.

Ένα από τα рисκά με την αυτοματοποίηση είναι η απώλεια θεσμικής γνώσης από έμπειρους χειριστές. Πώς η Canals διασφαλίζει ότι η εμπειρία αυτή συλλαμβάνεται και αντικατοπτρίζεται στο σύστημα αντί να αντικαθιστά; 

Ένα από τα βασικά πλεονεκτήματα της τεχνητής νοημοσύνης έναντι του παραδοσιακού λογισμικού είναι ότι μπορεί να μαθαίνει με τον καιρό.

Όταν ένας έμπειρος χειριστής αναθεωρεί κάτι, κάνει μια διόρθωση ή χειρίζεται μια εξαίρεση, το σύστημα μπορεί να συλλάβει αυτές τις αποφάσεις και να τις εφαρμόσει με νοημοσύνη στο μέλλον. Όσο αυξάνεται η χρήση, αρχίζει να αντικατοπτρίζει αυτές τις τάσεις αντί να βασίζεται σε einen σταθερό σύνολο κανόνων.

Αυτό σημαίνει ότι η θεσμική γνώση δεν είναι πλέον συνδεδεμένη με ένα μόνο άτομο. Αντί να ζει με τους ανθρώπους, ενσωματώνεται στα συστήματα που χρησιμοποιούνται για τη λειτουργία της επιχείρησης, οπότε εφαρμόζεται πιο συνεχώς σε όλη την οργάνωση. Όταν έμπειροι υπάλληλοι φύγουν, η εμπειρία τους παραμένει συλλαμβανόμενη στην Canals. Όταν νέοι υπάλληλοι αρχίσουν, εργάζονται μέσα σε ένα σύστημα που ήδη αντικατοπτρίζει το πώς λειτουργεί η επιχείρηση, το οποίο τους βοηθά να ανέβουν γρήγορα και να εκτελέσουν πιο συνεχώς.

Η έξαρση της κατασκευής των κέντρων δεδομένων applying πίεση στις αλυσίδες εφοδιασμού. Πώς είναι αυτή η ζήτηση που αλλάζει τις προσδοκίες γύρω από την ταχύτητα, την ακρίβεια και τη συντονισμό για τους διανομείς; 

Ο αγώνας για την κατασκευή κέντρων δεδομένων επιταχύνεται με 700 δισεκατομμύρια δολάρια να δαπανώνται στην κατασκευή, applying τεράστια πίεση στους εργολάβους και τους διανομείς να τηρήσουν.

Τι αλλάζει αυτή η ζήτηση είναι η ανεκτικότητα για καθυστέρηση. Οι διαδικασίες που ήταν διαχειρίσιμες σε χαμηλότερες ποσότητες – όπως η χειροκίνητη επεξεργασία παραγγελιών και η αντιστοίχηση εγγράφων – αρχίζουν να σπάζουν σε κλίμακα. Όσο τα έργα γίνονται μεγαλύτερα και κινούνται πιο γρήγορα, οι κενές μεταξύ του quotingu, της αγοράς και της εκπλήρωσης γίνονται πιο ορατές και πιο δαπανηρές και στις δύο πλευρές της συναλλαγής. Η έλλειψη ακριβών, ενημερωμένων πληροφοριών υπονόμευε τη συντονισμό και μπορεί να οδηγήσει σε απροσδόκητες καθυστερήσεις και απότομες διακοπές εργασίας.

Οι ομάδες που μπορούν να λειτουργήσουν με ταχύτητα και πραγματική ορατότητα έχουν einen σαφή πλεονέκτημα. Σε εκείνο το σημείο, η αυτοματοποίηση δεν είναι μόνο για αποτελεσματικότητα, αλλά γίνεται μια απαιτούμενη για να τηρήσουν το ρυθμό και τη πολυπλοκότητα της ζήτησης.

Κοιτάζοντας μπροστά, πώς βλέπετε την τεχνητή νοημοσύνη να ανασχηματίζει τις διαδικασίες προμήθειας και αλυσίδας εφοδιασμού τις επόμενες πέντε χρόνια, ιδιαίτερα καθώς τα συστήματα μετακινούνται από βοηθητικά εργαλεία σε περισσότερο agent-όπως λήπτες αποφάσεων;

Είναι δύσκολο να πει με κάποιο βαθμό βεβαιότητας, αλλά τι γίνεται πιο φανερό είναι το πώς η τεχνητή νοημοσύνη εφαρμόζεται – στενά, σε συγκεκριμένες διαδικασίες όπου υπάρχει πολλή επανάληψη και ένας σαφής δρόμος για αξιοπιστία. Στις διαδικασίες προμήθειας και αλυσίδας εφοδιασμού, αυτό εμφανίζεται σε εκτελεστικές διαδικασίες. Αυτές οι διαδικασίες είναι συνδεδεμένες με πραγματικά δολάρια και πραγματικές σχέσεις, οπότε η μπάρα για αυτονομία είναι υψηλή. Η近-μελλοντική μετατόπιση θα είναι λιγότερο για λήψη αποφάσεων από agent και περισσότερο για την επέκταση του τι μπορεί να χειριστεί με αξιοπιστία, με τους ανθρώπους να παραμένουν στενά εμπλεκόμενοι όπου έχει σημασία.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Canals.